OpenVoice

OpenVoice é um projeto independente sobre tecnologia de voz em português brasileiro. Cobre síntese de fala, reconhecimento de áudio e agentes que atendem ligação telefônica. Não tem vínculo com o projeto homônimo de clonagem de voz mantido pela MyShell; aqui o nome vem do domínio. Interessa o que quebra quando o modelo foi treinado só em inglês.

É para dev e time de produto no Brasil que precisa colocar voz num fluxo real: URA que não irrita, transcrição de ligação de suporte, ditado de CPF, bot que atende às duas da manhã. Se o seu usuário fala português com sotaque, o problema de reconhecimento é seu.

STT, de speech to text, transcreve áudio em texto. TTS, de text to speech, faz o caminho inverso e gera fala a partir de texto escrito. Um agente de voz usa os dois em cadeia, com um modelo de linguagem no meio. Whisper é exemplo de STT; Coqui e ElevenLabs, de TTS.

WER, word error rate, é a soma de inserções, deleções e substituições dividida pelo número de palavras da referência. Sobe em português brasileiro porque ruído de fundo, telefonia em banda estreita, sotaque regional e gíria pouco representada no treino empurram o decodificador para o palpite mais frequente, não para o que foi dito.

Conversa por telefone trava quando o silêncio passa de meio segundo. A recomendação ITU-T G.114 fala em até 150 ms de atraso só no transporte da voz. Sobra pouco, então divida o orçamento entre STT parcial, resposta do modelo de linguagem e primeiro byte de áudio do TTS, medindo cada etapa separada.

Batch gera o arquivo inteiro antes de tocar. Serve para audiobook, podcast e material gravado, onde prosódia bem cuidada vale mais que espera. Streaming devolve o áudio em pedaços e derruba o tempo até o primeiro som, que é o número decidindo se a ligação soa viva ou travada.

VAD é detecção de atividade de voz: o componente que decide se o que chegou no microfone é fala ou barulho de fundo. Barge-in é permitir que a pessoa interrompa o bot no meio da frase. Sem os dois, o agente atropela quem está falando e ainda escuta o próprio áudio de volta.

O modelo trabalha com sequência de fonemas, e número ditado é ambíguo: meia, seis e 6 viram grafias diferentes; data aceita barra, ponto ou nome do mês. Normalização de texto resolve nas duas pontas, convertendo o que o STT ouviu em dígito canônico e ensinando o TTS a ler CPF em grupos de três.

Clonagem exige consentimento específico e registrado de quem falou, com finalidade declarada e prazo. Usar voz de terceiro sem isso é apropriação de traço biométrico e alimenta o golpe do áudio do parente pedindo dinheiro por aplicativo. Aqui não circula receita para furar autenticação por voz: banco que usa voz como senha precisa de prova de vivacidade.

Melhora quando o texto muda com frequência e regravar locutor sairia caro ou lento. Piora quando o bot esconde que é bot, empurra menu longo ou não aceita interrupção. Boa prática: avisar na primeira frase que o atendimento é automatizado e deixar a saída para humano sempre disponível.

A LGPD, Lei 13.709/2018, lista dado biométrico entre os dados pessoais sensíveis, e gravação de voz usada para identificar alguém cai nessa categoria. Isso muda a base legal aceitável, exige finalidade específica, prazo de retenção definido e cuidado com compartilhamento. A ANPD é o órgão que fiscaliza esse tratamento no Brasil.

Está em desenvolvimento. Não existe API pública, plano fechado nem preço divulgado, e cravar data agora seria chute. O que já existe é a direção editorial e o conteúdo técnico em português sobre voz. Quem quiser acompanhar ou discutir um caso concreto pode falar pelo ft.ia.br.

Sim, openvoice.com.br está disponível para aquisição. Serve para quem monta produto de voz, TTS, transcrição ou agente telefônico no Brasil e quer um nome curto e direto no assunto. Proposta e conversa sobre a transferência pelo ft.ia.br, com o autor do projeto respondendo direto.