Voz Rouca Ou Roca

Por que sua voz sintética soa Artificial (e como corrigir)

A maioria das pessoas que trabalha com síntese de voz se depara com um problema recorrente: a voz sai limpa demais, quase cirúrgica, e soa completamente robótica. O termo técnico que o pessoal da área usa é "voz rouca ou roca", mas na prática isso se refere à falta de imperfeições naturais no sinal sintetizado. Voz humana real tem microfissuras, variações de intensidade, respirações mal contidas. Modelos padrão simplesmente não geram isso. Vou explicar primeiro o método de contorno, porque é mais útil do que a teoria. Você pega um modelo TTS base, extraia os espectrogramas mel, aplica uma leve distorção na camada de pós-processamento e reinsere o sinal. Em vez de usar filtros comerciais caros como o iZotope, eu costumo usar um saturador analógico emulado no Ableton com o threshold em -18dB e ratio 1.5:1. Isso adiciona harmônicos pares que o ouvido interpreta como "presença humana". O resultado leva cerca de 3 a 5 minutos por frase, comparado aos 30 segundos do pipeline padrão.

voz rouca ou roca: o que realmente significa na prática

Não é um efeito sonoro que você aplica. É um conjunto de microvariações que acontecem simultaneamente. Quando eu comecei a trabalhar com isso, meu projeto era criar vozes narrativas para um audiobook institucional. O cliente pediu algo "quente, próximo, mas profissional". O modelo base (um Tacotron2 fine-tuned) entregava perfeição técnica mas zero alma. A voz soava como um GPS que ganhou diploma de teatro. O insight contraintuitivo é este: quanto mais imperfeito o sinal, mais natural ele soa. Parece boba essa afirmação, mas a literatura de processamento de fala — especificamente os trabalhos do LabMAIR da USP e do paper "Naturalness Assessment of Neural TTS" de 2022 — mostra que MOS (Mean Opinion Score) sobe quando se introduz deliberately perturbations controladas no domínio da frequência entre 200Hz e 800Hz, que é onde residem as formantes da voz falada.

Minha workaround específica: eu usava um plugin de tape saturation chamado Sound to Image, definido com warp drive desligado e mix em 23%. Depois aplicava um EQ cut de 2dB em 3.5kHz para remover o brilho excessivo que modelos neurais adoram gerar. O ganho geral ia para +1.2dB apenas para compensar a perda de transientes. Nada de presets prontos. Cada voz precisa de ajuste fino. O problema é que esse processo não funciona para todos os casos. Se o material de entrada for música ou efeitos sonoros, a saturação destrói a clareza em 90% das vezes. Também não serve para aplicações médicas ou forenses onde a fidelidade do sinal é requisito obrigatório. Nesses cenários, o recomendado é trabalhar com modelos de áudio de alta resolução como o WaveNet de baixa latência ou recorrer a gravações reais overdubadas.

Outra armadilha que eu vi vários colegas caírem: exagerar na quantidade de "rouquidão". Colocar muita saturação gera fadiga auditiva no ouvinte. Depois de 15 minutos de áudio processado assim, as pessoas começam a reclamar de dor de cabeça. O sweet spot fica entre 8% e 15% de intensidade do efeito. Acima disso vira gimmick, abaixo disso é imperceptível. Se você quer testar algo rápido, baixe o OpenVoice da ElevenLabs — a versão community tem um parâmetro chamado "style transfer" que permite injetar características vocais de uma referência. Não é perfeito, mas é o começo. Para controle profissional, o pipeline que eu recomendo envolve: STOI como métrica de inteligibilidade, PESQ para qualidade perceptiva, e pelo menos 45 segundos de áudio de teste antes de processar o material completo.