Halo Neuro Lança Sopro V2: Clonagem de Voz em Tempo Real Chega aos Notebooks

A Halo Neuro lançou o Sopro V2, um modelo de texto para fala (TTS) de 120 milhões de parâmetros, que redefine o que é possível fazer com clonagem de voz em dispositivos locais. A versão de código aberto, Sopro V2 Turbo, é otimizada para rodar diretamente em CPUs de notebooks e navegadores, entregando voz em tempo real. Ele suporta inglês, alemão, francês e, o grande diferencial para a Halo Neuro, português europeu. A capacidade de operar de forma eficiente em ambientes sem nuvem é um marco importante.

O desenvolvimento do Sopro V2 foi impulsionado pela necessidade de um TTS de alta qualidade para português europeu, algo que os modelos existentes não ofereciam sem latência ou pronúncia incorreta. A arquitetura do modelo foi totalmente repensada, adotando um tokenizador SentencePiece, um decoder Transformer para o modelo base e cabeças acústicas contínuas. A inteligibilidade e a similaridade da voz são comparáveis a modelos muito maiores, mas com uma fração dos parâmetros e custos computacionais, viabilizando uso amplo.

O Sopro V2 representa uma evolução significativa frente ao seu predecessor, o Sopro V1. O V1, nascido de um projeto pessoal com orçamento limitado, era instável e entregava qualidade de clonagem inconsistente, além de ser exclusivo para o inglês. Ele usava um tokenizador Llama e um modelo convolucional, resultando em 85 milhões de parâmetros efetivos.

Já o V2 superou esses desafios: ele é estável, oferece clonagem de alta qualidade e expandiu seu suporte para múltiplos idiomas, incluindo o crucial português europeu. Sua arquitetura foi completamente refeita, trocando o tokenizador por um SentencePiece mais eficiente e o modelo convolucional por um decoder Transformer. A migração para cabeças acústicas contínuas e um tokenizador de fala alinhado com ASR (derivado do Whisper large-v3) melhorou drasticamente a inteligibilidade e a naturalidade da voz, tudo isso com 120 milhões de parâmetros.

A disponibilização do Sopro V2 Turbo como código aberto é um passo relevante para a democratização da IA de voz. Rodar modelos complexos diretamente em dispositivos locais (on-device) significa maior privacidade para os usuários, menor latência na comunicação e custos operacionais reduzidos, já que não há dependência de infraestrutura de nuvem. Esta capacidade tem um impacto direto em tecnologias assistivas, permitindo que pessoas que perderam a capacidade de fala se comuniquem de forma mais natural e rápida.

A iniciativa da Halo Neuro também fomenta a inovação ao resolver lacunas específicas, como a do português europeu, mostrando que é possível construir soluções de ponta com modelos eficientes. Ao abrir o código de uma versão potente, a empresa incentiva a comunidade a desenvolver novas aplicações e aprimoramentos, impulsionando o campo do TTS em tempo real.