Clonagem de Voz com IA: A Tecnologia Por Trás, Quem Está Desenvolvendo e Para Onde Caminha

O artigo explora a stack de clonagem de voz, abrangendo abordagens zero-shot (3-10 segundos de áudio), few-shot (1-5 minutos) e full fine-tuning (mais de 1 hora), construídas sobre modelos encoder-decoder, diffusion models, TTS baseado em transformer e vocoders neurais como WaveNet e HiFi-GAN, com embeddings de locutor separando o conteúdo da identidade vocal. Projetos open-source democratizaram o acesso, assim como os LLMs abertos fizeram para o texto, enquanto plataformas B2B avançam em IVR, dublagem e acessibilidade. Entradas de voz sintéticas ou gravadas já superam sistemas fracos de autenticação por voz. Previsões indicam que a clonagem em tempo real abaixo de 50ms e a preservação da identidade interlinguística chegarão em 3 a 5 anos.