Voz russa pronta para usar: por que o TTS de código aberto não soa mais como um robô dos anos 90

Lembra de quando a síntese de fala em russo parecia tortura? A voz de robô gago de um GPS barato, que errava as sílabas tônicas e transformava qualquer frase num amontoado de sons sem vida, foi por muito tempo nossa única companhia. Mesmo quando as primeiras versões do WaveNet faziam barulho no Ocidente, o segmento russo continuava correndo atrás, por causa da complexidade da morfologia e das particularidades da acentuação. Mas no último ano o jogo virou. Hoje, os modelos abertos permitem subir um servidor local e obter uma qualidade que ontem parecia privilégio exclusivo de gigantes como Google ou Yandex.

O principal problema do russo em TTS sempre foi a acentuação. Ao contrário do inglês, em que as regras de leitura são mais ou menos formalizadas, o russo exige um entendimento profundo do contexto para posicionar a sílaba tônica. Por muito tempo, o Silero foi o padrão-ouro do código aberto. Foi um avanço de verdade: um modelo leve e rápido que rodava literalmente num «ferro de passar» (uma máquina velha e modesta) e entregava um resultado bem razoável. Mas o tempo passa, e as arquiteturas simples deram lugar a soluções pesadas, porém incrivelmente flexíveis, baseadas em transformers e modelos de difusão. Passamos da era da síntese para a era da geração.

Agora a indústria está enlouquecida com os modelos zero-shot. Você dá à rede neural uma gravação de três segundos da sua voz, e ela passa a falar como você, mantendo timbre, jeito de falar e até uma leve rouquidão. Na vanguarda estão projetos como GPT-SoVITS e Fish Speech. O charme deles é tratar o som como uma sequência de tokens, como o texto no GPT. Isso resolveu o problema da naturalidade da entonação. O modelo não apenas lê palavras: ele entende a estrutura da frase e sabe onde fazer uma pausa dramática e onde elevar o tom.

Por que isso importa justamente agora? Primeiro, o custo das APIs na nuvem como o ElevenLabs ficou astronômico ou fisicamente inacessível para desenvolvedores russos por causa das sanções. Segundo, a privacidade dos dados. Grandes corporações não têm pressa em enviar documentos internos ou gravações de conversas para servidores estrangeiros para narração. Rodar modelos de código aberto localmente, em GPUs próprias, resolve os dois problemas de uma vez. Além disso, ferramentas modernas como o Piper permitem rodar síntese de qualidade até num Raspberry Pi, o que há alguns anos parecia ficção científica.

Mesmo assim, não convém se iludir: queijo grátis ainda exige uma boa ratoeira, na forma de hardware potente. Se o Silero voava num único núcleo de um processador antigo, os modelos modernos baseados na arquitetura VITS ou em difusão exigem placas de vídeo sérias para funcionar em tempo real. Os desenvolvedores precisam escolher entre velocidade e qualidade. Se você precisa narrar um livro, pode esperar. Se está construindo um assistente de voz, a latência (latency) é crítica, e aqui a comunidade de código aberto ainda busca o equilíbrio ideal.

É interessante ver como muda a abordagem de treinamento. Antes precisávamos de datasets de estúdio limpos. Agora os modelos são tão espertos que conseguem aprender com dados «sujos» do YouTube ou de podcasts, filtrando o ruído sozinhos. Isso levou a um crescimento explosivo no número de vozes disponíveis. Vemos a comunidade do Habr e do GitHub se unir para montar enormes datasets em russo, tornando a tecnologia acessível a todos. Já não é só um brinquedo de nerd, mas uma ferramenta real para empresas, mídia e desenvolvimento de jogos.

O principal: a era do domínio das APIs pagas na síntese de fala está chegando ao fim. Para a maioria das tarefas de TTS em russo, hoje basta uma placa de vídeo moderna e um repositório do GitHub bem configurado. As corporações conseguirão oferecer algo tão único a ponto de querermos pagar de novo por cada palavra?