Como clonar uma voz com IA em português: o guia prático (CosyVoice)

Clonar uma voz com IA no Brasil esbarra numa pergunta que os tutoriais em inglês nunca respondem: será que a voz clonada realmente fala português? A resposta muda a escolha do motor antes de qualquer gravação. Este guia cobre o caminho completo no CosyVoice v3 Plus — amostra de referência, matrícula gratuita, roteiro em português e a conta honesta em créditos — e diz com clareza onde o português entra e onde ele exige atenção. Os números vêm direto do código de cobrança da Moosky (2026-10-10): 100 créditos = US$ 1, cadastro com 10 créditos grátis, piso de recarga em US$ 5, e o preço do take aparece antes do clique em gerar.

A pergunta que ninguém responde: o clone fala português?

Voz clonada não é uma coisa só — são duas camadas. A primeira é o timbre: a "textura" da pessoa, que o modelo aprende da amostra de áudio. A segunda é a pronúncia: como o modelo lê o texto que você digita. Um clone pode capturar o timbre da sua tia e ainda assim tropeçar nas vogais nasaladas do português se o motor não foi ajustado para isso.

No Moosky, a tela do CosyVoice traz um seletor de idioma que funciona como dica para a amostra e para a fala gerada. As sete opções do dropdown são inglês, chinês, francês, alemão, japonês, coreano e russo — português não está na lista. Isso não bloqueia o português: o texto do roteiro é aceito do mesmo jeito, e o padrão do seletor é inglês. O que muda é a garantia: para roteiro em português brasileiro com prosódia oficialmente no suporte, os dois caminhos que listam o idioma nominalmente são o Fish Audio (a trilha de criação de voz aceita dez idiomas, e português está entre eles; a trilha de clonagem lê roteiros em outros idiomas mantendo o timbre) e o ElevenLabs Voice Clone, que roda no modelo multilíngue. Use o CosyVoice quando o que importa é travar um timbre específico e audicionar frases curtas — e ouça o resultado antes de fechar a produção, porque é o seu ouvido que decide, não a ficha técnica.

A comparação lado a lado dos dois motores está na comparativa CosyVoice vs Fish Audio, e o mapa geral de vozes de IA em Best AI voice generators 2026.

Clonar ou inventar: dois trabalhos diferentes

Antes de gravar, decida qual tarefa você quer:

• Clonagem — você tem uma gravação da pessoa (narração antiga, podcast, vídeo de apresentação) e quer que a IA leia qualquer roteiro naquele timbre. É o caso do narrador recorrente de canal dark, do apresentador de curso, da locução de marca.
• Invenção (voice design) — não existe gravação; você descreve a voz num texto ("mulher de 40 anos, voz grave, ritmo calmo") e o modelo cria uma persona. O guia de voice design do Fish Audio cobre essa rota.

Se você chegou sem gravação nenhuma, o passo zero é o voice design. Se tem o áudio da pessoa, a clonagem costuma sair melhor — o modelo aprende como ela transita entre os sons, coisa que nenhuma descrição escrita entrega. O hub do voice clone reúne as trilhas de clonagem ativas, e a página do CosyVoice Voice Clone é a ferramenta que este guia usa.

Passo 1: prepare a amostra de referência

Aqui morrem os clones tortos. As regras que a ferramenta aplica no upload:

• Duração: mínimo de 5 segundos de fala contínua — abaixo disso a amostra é rejeitada na matrícula. A faixa de ajuste fino do modelo fica entre 10 e 20 segundos, e a API aceita até 60.
• Tamanho: até 10 MB por arquivo.
• Formato: áudio ou vídeo. Se você subir um vídeo com trilha de áudio, a ferramenta extrai a fala sozinha — dá para usar direto um recorte de podcast ou uma intro gravada.
• Qualidade: uma voz só, sem música de fundo, sem segunda pessoa falando por cima, sem eco de sala. Música e voz dupla são a causa número um de clone abafado.

Você não precisa cortar nada na mão: se o arquivo passar de 20 segundos ou 10 MB, a ferramenta apara automaticamente antes de matricular. Grave a pessoa dizendo frases conectadas e naturais, não uma lista de palavras soltas — o modelo está aprendendo a transição entre os sons.

Passo 2: suba a amostra e faça a matrícula

Abra a página do CosyVoice Voice Clone (é preciso estar logado para gerar). A tela de composição tem três peças: o campo de áudio para a amostra, o campo de roteiro para o texto que a voz vai ler e o painel avançado com idioma, prefixo de nome e os controles de entrega.

Na primeira execução, a ferramenta matricula a voz: envia a amostra ao serviço de matrícula do provedor, espera o perfil ficar pronto e devolve um ID de voz. A matrícula não custa nenhum crédito — você não paga para criar o clone, só para usá-lo. Se a amostra falhar, o conserto quase sempre está no áudio: curta demais, ruidosa demais ou com duas vozes.

O campo de prefixo é opcional: é uma etiqueta de até 10 caracteres alfanuméricos para você reconhecer o perfil depois. Deixando vazio, o sistema gera um sozinho. Depois de matriculada, a voz fica salva no projeto — as próximas execuções reutilizam o mesmo perfil sem re-subir amostra nenhuma.

Passo 3: escreva o roteiro e ajuste a entrega

Digite no campo de roteiro o texto que a voz clonada deve ler — em português mesmo, sem tradução. No painel avançado, três controles mandam na entrega:

• Volume: intensidade de saída, de 0 a 100, padrão 50.
• Velocidade: multiplicador de ritmo, padrão 1.0.
• Tom: deslocamento global de pitch, padrão 1.0 (sem alteração).

Para vozes clonadas nessa trilha, esses sliders são as únicas alavancas de entrega — não existem instruções de estilo em texto (tipo "fale animado"). Se o clone saiu rápido ou monótono, mexa em velocidade e tom antes de regravar a amostra: o timbre já está travado, e o ritmo é escolha de síntese, não de gravação. Gere, ouça, ajuste, repita. A cotação aparece na tela antes do botão, cobrada por caractere do roteiro — uma frase de teste custa fração de crédito.

Quanto custa, sem fumaça

A Moosky não cobra assinatura: você paga por execução, com 100 créditos = US$ 1 e créditos que não vencem. Na trilha do CosyVoice, a matrícula é gratuita e a síntese é cobrada por caractere de roteiro, com base zero — na prática, 1.000 caracteres de texto giram em 4 créditos (US$ 0,04). As outras duas trilhas de clonagem usam a mesma lógica com tarifação diferente: no ElevenLabs Voice Clone saem US$ 0,10 por mil caracteres antes do markup (uns 13 créditos por 1.000 caracteres), e no Fish Audio clone a cobrança é por byte UTF-8 do texto (US$ 15 por milhão de bytes, o que dá uns 2 créditos por mil caracteres de texto simples). O cadastro entrega 10 créditos grátis — dá para matricular uma voz e audicionar algumas frases sem gastar nada; a recarga mínima é US$ 5.

Um roteiro de locução de 60 segundos tem mais ou menos 8.500 caracteres: no CosyVoice, uns 29 créditos (US$ 0,29). É por isso que o loop gerar-ouvir-ajustar não dói no bolso — o que dói é gravar a amostra errada e perceber só no final.

Da voz clonada para o vídeo

Clonar a voz só vale metade do caminho; o pagamento vem quando ela narra vídeo. Gere a narração na voz clonada e use essa faixa de áudio em cenas com sincronia labial, e o personagem na tela fala exatamente naquela voz. É assim que um apresentador recorrente, a voz de uma marca ou o narrador de um canal dark ficam idênticos em todo vídeo publicado. A mesma voz salva também serve como texto-pra-fala puro, sem vídeo: narração de aula, audioguia, vineta de podcast. O caminho completo de narração clonada dentro de um canal sem rosto está no guia de vídeos faceless para YouTube.

Se algo sair torto

• Amostra rejeitada como curta. Menos de 5 segundos de fala contínua. Refaça com uma frase mais longa ou escolha um trecho do vídeo com mais fala.
• Voz abafada ou estranha. A amostra tinha música, eco ou segunda voz. O clone é tão limpo quanto a fonte.
• Pronúncia errada no português. O seletor e o roteiro precisam conversar — e, se a prosódia não convencer, teste a mesma gravação no ElevenLabs ou na trilha Fish Audio, que citam o idioma nominalmente.
• Robótico em parágrafos longos. Ajuste velocidade e tom pelos sliders; entrega não se dirige por instrução nessa trilha.

Perguntas frequentes

Posso clonar a voz de qualquer pessoa? Só a sua ou de quem te deu autorização explícita. Clonar sem consentimento — ainda mais para imitação ou fins enganosos — viola os termos da plataforma e pode violar a lei.

A matrícula gasta créditos? Não. Criar o perfil da voz é gratuito na ferramenta; você paga só pela fala gerada depois, por caractere, com a cotação na tela antes do gerar.

Preciso de microfone profissional? Não. O que importa é ambiente: sala silenciosa, uma voz, sem música. O celular a um palmo do rosto funciona bem.

Uma voz clonada serve para vídeo e para locução? Serve. O mesmo perfil salva gera tanto a faixa de narração quanto o áudio das cenas com sincronia labial — é a mesma voz do começo ao fim do projeto.

O caminho inteiro em cinco linhas

Grave 10 a 20 segundos de fala limpa de uma pessoa só, até 10 MB. Suba na ferramenta do CosyVoice Voice Clone — a matrícula é grátis e o ID da voz fica salvo no projeto. Digite o roteiro, ajuste volume, velocidade e tom nos sliders, e gere: a cobrança é por caractere, com preço na tela antes do botão. Ouça a pronúncia em português com atenção — se não fechar, teste a trilha do ElevenLabs ou a do Fish Audio, que oficialmente carregam o idioma. Depois use a mesma voz para narrar vídeo com sincronia labial ou só áudio de locução. É o narrador travado para todo projeto que vier, sem mensalidade.