Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarTG: @neurogen_news (Neurogen)→ original

Neurogen lança estúdio de locução offline: 16 vozes em um diálogo e 8 GB de VRAM

Os serviços de locução na nuvem cobram por cada take ruim e enviam seus textos e vozes para servidores de terceiros. A Neurogen lançou um programa para Windows baseado no modelo Fish Audio Drama 3 que roda no seu próprio computador. Ele clona uma voz a partir de 5–15 segundos de gravação e conduz diálogos com até 16 personagens, e basta uma placa NVIDIA com 8 GB de memória de vídeo (VRAM). A internet só é necessária para baixar os modelos, e os takes não custam nada. As emoções são definidas por marcações no texto: sussurro, riso, suspiro e pausas. A exportação é feita em FLAC para edição, e os projetos ficam salvos em arquivos .drama3. Os requisitos são Windows 10/11, GPU NVIDIA Turing ou mais recente e 32–64 GB de memória RAM.

Processado por IA de TG: @neurogen_news (Neurogen); editado por Hamidun News
Neurogen lança estúdio de locução offline: 16 vozes em um diálogo e 8 GB de VRAM
Fonte: TG: @neurogen_news (Neurogen). Colagem: Hamidun News.
Ouvir artigo

Imagine que você está fazendo um jogo ou um curso online e precisa dublar centenas de falas. Nos serviços de síntese de voz na nuvem, cada take ruim consome créditos, e os roteiros e as vozes de outras pessoas vão parar em servidores de terceiros. A equipe da Neurogen lançou um estúdio de locução portátil que roda inteiramente no seu computador.

A base é o modelo de síntese de voz Fish Audio Drama 3 (ele lê o texto com uma voz tirada de uma amostra curta), e o motor ComfyUI embutido cuida da inicialização rápida. O estúdio monta diálogos com até 16 personagens em um único roteiro e, para funcionar, basta uma placa NVIDIA com 8 GB de memória de vídeo (VRAM). Para quem tem muita locução para fazer, é uma forma de deixar de pagar por cada take e de não entregar as vozes para a nuvem.

Como o estúdio funciona

Python, PyTorch e ComfyUI já vêm dentro do aplicativo, então não é preciso instalar nada manualmente. O motor inicia de forma automática ou manual, como for mais conveniente. Os modelos são baixados separadamente, direto pelo programa: o download continua após uma queda de conexão, e os arquivos passam por verificação. Depois disso, o estúdio funciona sem internet, e textos e amostras de voz não são enviados a lugar nenhum.

Todo o fluxo fica em uma única janela: preparar a voz, escrever o roteiro, testar a interpretação, ouvir as variações, salvar o projeto e exportar o áudio para edição. Para a edição, há exportação em FLAC. Para quem está acostumado a trabalhar com nodes, os autores oferecem um workflow para o ComfyUI compatível.

Vozes, diálogos e emoções

A clonagem é simples. Você carrega uma gravação, escolhe nela 5–15 segundos de fala limpa e usa essa voz para um novo texto. A voz, junto com a transcrição, pode ser salva em uma biblioteca para ser reutilizada em outro vídeo ou nas falas de um mesmo personagem. Os autores lembram: só devem ser usadas gravações sobre as quais você tenha direitos.

Para uma cena com vários personagens, cada um recebe sua própria amostra, e até 16 participantes entram em um único roteiro. Também é possível começar com um monólogo comum. A interpretação é alterada diretamente no texto: você seleciona uma frase e adiciona sussurro, riso, suspiro ou uma indicação de entonação alegre, e as pausas são definidas por marcações.

Há ainda a busca por uma voz sem gravação de origem. O modelo traz opções iniciais, e a seleção aleatória ajuda a encontrar novas. O resultado de que você gostar pode ser fixado e salvo na biblioteca. Só que o que se salva é o seed da geração bem-sucedida (o número do qual depende o resultado), então o timbre pode mudar em outro texto. Para um personagem fixo, é mais seguro clonar a voz a partir de uma gravação.

Um editor de amostras dedicado mostra a forma de onda e permite ouvir o trecho, ajustar limites com precisão e cortar. Com o Demucs, é possível separar a fala da música, e o arquivo original continua disponível para comparação. O texto da amostra pode ser digitado manualmente ou reconhecido na hora da geração pelo Qwen3-ASR.

Projetos e requisitos de hardware

O projeto é salvo em um arquivo .drama3, que contém o roteiro, os parâmetros e as próprias amostras de voz. O botão «Вернуть в студию» restaura as configurações do resultado selecionado, e o salvamento automático e o arquivo de rascunhos permitem retomar o trabalho depois. Para textos longos, há divisão automática, leitura completa ou linha por linha, takes separados e redução de pausas longas. O modo avançado libera a escolha do modelo, o seed e os parâmetros de geração.

Os requisitos são consideráveis. É preciso Windows 10 ou 11 x64, placa NVIDIA da geração Turing ou mais recente com 8 GB de VRAM, driver versão 580 ou superior e SSD. A quantidade de RAM depende da variante do modelo: cerca de 32 GB para W4A8, 40 GB para W6A8 e 48 GB para FP8/INT8. Para as variantes mais pesadas, os autores recomendam 64 GB. Um notebook sem placa de vídeo dedicada e com 16 GB de memória não serve.

Para quem isso é útil

O ganho prático está na economia e na privacidade. Novos takes não gastam créditos na nuvem: você paga apenas a eletricidade e o tempo da sua placa de vídeo. Se você trabalha com roteiros confidenciais ou com vozes de terceiros por contrato, esses dados permanecem no seu computador. Para estúdios de games e autores de cursos, 16 vozes em uma mesma cena cobrem a maior parte das tarefas.

As limitações também são claras. A versão existe apenas para Windows e NVIDIA, e o consumo de RAM é alto. O estúdio é distribuído pelo Boosty (pagamento com cartão) e pelo Telegram (USDT, ЮMoney, Telegram Stars), então não dá para chamá-lo de gratuito. A qualidade do resultado depende do Fish Audio Drama 3 e da limpeza da amostra, por isso, antes de um projeto sério, vale rodar alguns takes de teste no seu próprio hardware.

História

Perguntas frequentes sobre a notícia

Como o estúdio funciona?

Python, PyTorch e ComfyUI já vêm dentro do aplicativo, então não é preciso instalar nada manualmente. O motor inicia de forma automática ou manual, como for mais conveniente. Os modelos são baixados separadamente, direto pelo programa: o download continua após uma queda de conexão, e os arquivos passam por verificação. Depois disso, o estúdio funciona sem internet, e textos e amostras de voz não são enviados a lugar nenhum.

O que se sabe sobre Vozes, diálogos e emoções?

A clonagem é simples. Você carrega uma gravação, escolhe nela 5–15 segundos de fala limpa e usa essa voz para um novo texto. A voz, junto com a transcrição, pode ser salva em uma biblioteca para ser reutilizada em outro vídeo ou nas falas de um mesmo personagem. Os autores lembram: só devem ser usadas gravações sobre as quais você tenha direitos. Para uma cena com vários personagens, cada um recebe sua própria amostra, e até 16 participantes entram em um único roteiro.

O que se sabe sobre Projetos e requisitos de hardware?

O projeto é salvo em um arquivo .drama3, que contém o roteiro, os parâmetros e as próprias amostras de voz. O botão «Вернуть в студию» restaura as configurações do resultado selecionado, e o salvamento automático e o arquivo de rascunhos permitem retomar o trabalho depois. Para textos longos, há divisão automática, leitura completa ou linha por linha, takes separados e redução de pausas longas. O modo avançado libera a escolha do modelo, o seed e os parâmetros de geração. Os requisitos são consideráveis.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…