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 radarRaft→ original

Modelo OmniVoice narrou 5 minutos de texto em russo em 44 segundos, mas erra a acentuação

O modelo gratuito OmniVoice lê texto em voz alta e pode substituir o locutor em um bot de voz ou em um vídeo de treinamento. Um engenheiro da Raft narrou um trecho do conto "O Senhor de São Francisco": 5 minutos de áudio ficaram prontos em 44 segundos, sete vezes mais rápido que a duração da gravação. Em alguns pontos, porém, o final das frases é cortado, palavras são engolidas e a acentuação falha. Serve para rascunhos; para o vídeo final, é preciso revisar.

Processado por IA de Raft; editado por Hamidun News
Modelo OmniVoice narrou 5 minutos de texto em russo em 44 segundos, mas erra a acentuação
Fonte: Raft. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalRaft ↗
Editor-chefe
Dado-chave #1São declarados mais de 600 idiomas e clonagem de voz a partir de uma gravação curta
Dado-chave #2O timbre é definido por tags prontas, como male e low pitch, e não por descrição livre
Dado-chave #3As tags [laughter] e [sigh] inserem riso e suspiro direto no texto

Imagine que você precisa gravar cem frases para um bot de voz ou um curso online e, uma semana depois, os textos mudam. Com um locutor humano, isso significa estúdio, gravação e edição de novo: caro e lento. Os modelos de síntese de fala (TTS, do inglês text-to-speech, programas que leem texto em voz alta) soaram como robôs por muito tempo, mas hoje estão bem mais naturais.

Danil Muzafarov, engenheiro de ciência de dados da Raft, testou em russo o novo modelo gratuito OmniVoice. O principal resultado: o modelo gerou cinco minutos de áudio de um trecho do conto "O Senhor de São Francisco" em 44 segundos, cerca de sete vezes mais rápido que a duração da própria gravação. Mesmo assim, a narração ficou com artefatos, falhas sonoras como o corte do final de uma frase, palavras engolidas e acentos errados.

O que o OmniVoice faz

Os autores declaram suporte a mais de 600 idiomas e três modos de operação. O primeiro é a clonagem de voz: o modelo recebe uma gravação curta e a transcrição dela, e depois lê qualquer texto com aquela voz. O segundo é a criação de voz por descrição. Aqui há uma ressalva: uma frase livre como "voz grave de locutor profissional" não funciona. O campo instruct aceita um conjunto limitado de parâmetros, por exemplo "male, low pitch, russian accent", então a descrição precisa ser montada com tags prontas. O terceiro modo é a escolha automática de voz: você envia só o texto e o modelo decide o resto.

Os marcadores não verbais foram testados à parte. É possível inserir no texto as tags [laughter], [sigh], [surprise-oh], [question-ah] e [dissatisfaction-hnn], e a fala ganha riso, suspiro, surpresa ou insatisfação. O autor rodou um diálogo de negócios sobre conversão de funil e relatório trimestral e depois verificou se o modelo volta ao tom neutro após as inserções emocionais. Para assistentes de voz e treinamentos, isso é útil: a monotonia aparece mais em gravações longas.

Narração longa: rápida, mas com falhas

Textos longos são um ponto fraco clássico da síntese de fala: perto do meio da gravação podem surgir artefatos e o timbre pode oscilar. Para o teste, foi usado um trecho do conto "O Senhor de São Francisco". O texto foi dividido em blocos de 15 segundos (parâmetros audio_chunk_duration e audio_chunk_threshold). O resultado: cerca de cinco minutos de áudio em 44 segundos de geração. Para narração em lote, a velocidade dificilmente será o gargalo. Por outro lado, o material não informa em que hardware o cálculo rodou, então na sua placa de vídeo o número pode ser diferente.

O autor avaliou a qualidade como boa, mas com defeitos visíveis: o final das frases é cortado, palavras são engolidas e há acentos errados. Ele supõe que ajustar os hiperparâmetros (as configurações de geração) pode melhorar isso. Por enquanto, é uma hipótese, não um resultado comprovado.

Como o autor testou cenários de negócio

Os exemplos bonitos do repositório dizem pouco sobre tarefas reais: textos de verdade estão cheios de datas, valores, nomes completos, siglas, termos em inglês e nomes de produtos. Por isso, Danil montou um benchmark próprio, com 10 frases para cada tipo. Foram testados nomes completos, datas e horários, números, porcentagens e valores em dinheiro, siglas, homógrafos (palavras com acentuação diferente conforme o sentido, como "замок", que pode ser "castelo" ou "fechadura") e palavras em inglês dentro de texto em russo. A avaliação usou uma escala de 0 a 5: zero significa narração ininteligível ou ausente, e cinco, pronúncia limpa, sem erros de acentuação e entonação.

Na parte disponível do material, não há notas finais para essas seções, então é cedo para julgar esses números. Além disso, a avaliação foi feita por uma só pessoa, de ouvido, e com amostra pequena. É uma boa referência, mas não uma comparação rigorosa entre modelos.

O que fazer na prática

Se você pensa em substituir o locutor, vale separar as tarefas. Para protótipos de bot de voz, materiais internos de treinamento e rascunhos rápidos de narração, o OmniVoice parece uma opção viável: a velocidade é alta, a clonagem de voz e as tags emocionais já vêm prontas, e a licença aberta dá controle sobre a infraestrutura. Para publicidade final e roteiros de URA do cliente (menus de voz automáticos em linha telefônica), ainda é preciso revisar: o cliente ouve na hora os acentos errados e as frases cortadas.

O principal conselho do teste: não confie em demos, monte um conjunto próprio de 50 a 100 frases reais da sua empresa, com nomes de clientes, valores, datas, siglas e nomes de produtos. Passe tudo pelo modelo, ouça e avalie numa escala simples de 0 a 5. Assim, em uma noite você descobre se a qualidade basta e quanta revisão manual precisará incluir no processo.

História

Perguntas frequentes sobre a notícia

O que o OmniVoice faz?

Os autores declaram suporte a mais de 600 idiomas e três modos de operação. O primeiro é a clonagem de voz: o modelo recebe uma gravação curta e a transcrição dela, e depois lê qualquer texto com aquela voz. O segundo é a criação de voz por descrição. Aqui há uma ressalva: uma frase livre como "voz grave de locutor profissional" não funciona. O campo instruct aceita um conjunto limitado de parâmetros, por exemplo "male, low pitch, russian accent", então a descrição precisa ser montada com tags prontas.

O que se sabe sobre Narração longa: rápida, mas com falhas?

Textos longos são um ponto fraco clássico da síntese de fala: perto do meio da gravação podem surgir artefatos e o timbre pode oscilar. Para o teste, foi usado um trecho do conto "O Senhor de São Francisco". O texto foi dividido em blocos de 15 segundos (parâmetros audio_chunk_duration e audio_chunk_threshold). O resultado: cerca de cinco minutos de áudio em 44 segundos de geração. Para narração em lote, a velocidade dificilmente será o gargalo.

Como o autor testou cenários de negócio?

Os exemplos bonitos do repositório dizem pouco sobre tarefas reais: textos de verdade estão cheios de datas, valores, nomes completos, siglas, termos em inglês e nomes de produtos. Por isso, Danil montou um benchmark próprio, com 10 frases para cada tipo.

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…