Blogueiro dublou GTA V em russo com Claude Code por $60: 250 mil falas

Traduzir para o russo um jogo inteiro, com 260 mil arquivos de áudio, antes era trabalho para um estúdio com orçamento. O blogueiro e fundador do ArtGeneration.me, Ilya, fez isso sozinho em dez dias. Segundo ele, não é desenvolvedor, e sim product manager com 20 anos de experiência. O Claude Code escreveu o código, e Ilya definiu as tarefas e conferiu o resultado. O saldo: 250 364 falas em russo, quase 219 horas de fala contando os retrabalhos, duas versões à escolha (narração em voice-over sobre o original abafado e dublagem completa) e cerca de $60 gastos na síntese. O próprio autor faz questão de ressalvar: o resultado não compete com atores de verdade.

Como estimar o orçamento quando faltam dados

O primeiro problema: ninguém sabia quanto áudio o GTA V tem. Há uma apresentação da Rockstar na GDC 2014 que cita quase 160 mil falas e um mapa feito por fãs com 156 mil clipes, mas as horas não aparecem em lugar nenhum, e a síntese é cobrada pela duração do áudio. O Claude Code escreveu em C# um programa sobre o CodeWalker, de código aberto. Ele percorre todos os arquivos, lê no cabeçalho de cada stream o número de amostras e a taxa de amostragem e, assim, calcula a duração sem fazer reconhecimento de fala. Foram encontrados mais de 260 mil streams.

Em seguida, era preciso descobrir quem fala o quê. No jogo, as legendas ficam armazenadas sob hashes, não sob nomes. O autor explorou uma propriedade do hash joaat: dá para desfazer a mistura final, acrescentar a letra A e calcular o hash do arquivo de áudio da mesma string. Assim foram associados 75% dos streams da campanha. Quem entrega o falante é a animação labial dentro do stream, em cujo caminho está registrado o personagem. Nas cutscenes isso não existe; ali ajudaram a wiki do jogo e o modelo WeSpeaker.

O pipeline: nuvem só para a síntese

A regra do projeto: na nuvem ficam apenas a síntese e os agentes Claude, e todo o resto roda localmente em uma RTX 4090. Para a síntese, foi escolhido o Gemini 3.8 Flash-Lite TTS em modo em lote, a cerca de 27 centavos de dólar por hora de fala pronta. O autor descartou os modelos com clonagem de voz: a voz fica parecida, mas a atuação sai fora de contexto, com pausas desnecessárias. Testes de estilo («com medo, voz trêmula») em 120 clipes melhoraram apenas uma em cada cinco falas, e a voz masculina escapava para o falsete, por isso a entonação foi deixada neutra.

Onde não há legendas (pedestres, rádio, comunicador e cerca de 11 mil falas da campanha), o texto foi reconhecido pelo Whisper large-v3. Ele inventa palavras no silêncio, escreve legendas alheias em cima de gemidos e transcreve em hangul a fala em inglês dos gângsteres coreanos. Por isso, primeiro um script heurístico marca as frases suspeitas, e depois o Parakeet TDT dá uma segunda opinião. Se ele ouviu pelo menos um terço das mesmas palavras, é fala; se não ouviu nada, é invenção.

O gênero da voz foi verificado pelo ECAPA-TDNN: 77 acertos em 80 com falantes conhecidos. O campo de gênero no catálogo do Google, segundo o autor, erra, então cada voz é testada em três falas e só é aprovada se os dois modelos concordarem.

Armadilhas e custos

Os defeitos da síntese são pegos por um detector sem redes neurais. Ele compara a duração do áudio com o texto e procura repetições em um mapa de autossimilaridade do som, além de clipping e chiados. Toda a campanha passa por ele em 4 segundos. Os takes suspeitos são transcritos de volta pelos dois modelos e enviados para nova síntese.

Houve também tropeços caros. Quando a conexão falha, o SDK refaz a requisição, e o Google conta cada nova tentativa como um novo lote; com uma VPN ruim, a campanha poderia ser paga duas vezes, então as tentativas automáticas foram desativadas. O filtro do Google se recusava a sintetizar falas com a palavra «малышка» («pequena») perto de conteúdo sexual, por entender como referência a menores, embora no GTA esse seja o apelido de um carro. Um único agente tradutor, que lê as falas vizinhas, se saiu melhor que ajudantes paralelos.

A instalação também foi feita com cuidado. Alterar os arquivos diretamente causa o erro Corrupt game data, e o autor não quis distribuir 10 GB de arquivos de terceiros. Ele usou a pasta mods com RageOpenV e Ultimate ASI Loader, e o instalador monta os arquivos no computador do jogador, a partir dos próprios arquivos dele. Os originais não são tocados, e o mod é removido apagando uma única pasta.

A conta, para quem trabalha na prática, é simples. Dublar o jogo inteiro saiu mais barato do que comprar uma cópia dele, mas a partir de 1º de janeiro de 2027 o Google vai dobrar a tarifa, para cerca de 54 centavos de dólar por hora. Disso saem duas conclusões. A síntese em lote barata e um agente de código tornam a localização em massa acessível a uma só pessoa. Ao mesmo tempo, o trabalho principal passa a ser a verificação: gênero da voz, alucinações do reconhecimento e takes repetidos precisam ser pegos automaticamente, senão será preciso caçá-los de ouvido.

As limitações também são claras. É um mod amador para a versão Enhanced, a qualidade da síntese não substitui atores, e o texto traduzido pelo agente ainda precisa de revisão: «I'm cold» pode muito bem virar «я пас» («passo a vez»).