A IA de texto para voz já engana o ouvido humano

Três segundos. É praticamente essa a quantidade de áudio que um modelo moderno de clonagem de voz precisa para produzir uma cópia convincente da voz de alguém — o suficiente para ser extraído de um único Reel do Instagram, de uma mensagem de secretária eletrônica ou de uma chamada de Zoom do trabalho que ninguém imaginou que estava sendo gravada. Há dois anos, o mesmo feito exigia minutos de áudio limpo, gravado em estúdio, e ainda assim soava ligeiramente sintético nas bordas: uma cadência achatada aqui, uma respiração fora de tempo ali. Em 2026, essas costuras praticamente desapareceram. A tecnologia melhorou quase no mesmo ritmo em que as pessoas perderam a capacidade de perceber a diferença, e as duas metades dessa frase agora impulsionam narrativas separadas, em rota de colisão — uma sobre uma indústria de conteúdo legítima correndo atrás de vozes sintéticas mais expressivas e mais úteis, e outra sobre uma crise de segurança que ninguém planejou direito.

O Eleven v3 e a virada emocional

A ElevenLabs construiu sua reputação na fidelidade da clonagem de voz, mas o lançamento mais relevante deste ciclo não tem a ver com o quanto uma voz se parece com a amostra original — e sim com o que essa voz consegue fazer depois de clonada. O Eleven v3, que a empresa chama de seu modelo de texto para voz mais expressivo até hoje, introduziu tags de áudio embutidas no texto: instruções entre colchetes como [whispers] (sussurra), [sighs] (suspira), [laughs] (ri) ou [excited] (empolgado/a), que um roteirista pode inserir diretamente no script para direcionar a interpretação no meio da frase — do mesmo jeito que uma rubrica de teatro orienta um ator. Uma única voz consegue passar de um comentário sussurrado a um grito de susto e voltar ao normal sem soar como se fossem duas pessoas diferentes coladas uma na outra — um problema que atormentava as gerações anteriores de TTS, que tendiam a escolher um único registro emocional por clipe e ficar presas nele. O posicionamento da própria ElevenLabs para o v3 é direto quanto à ambição: vozes que “suspiram, sussurram, riem e reagem”, mirando diretamente a narração de audiobooks, os diálogos de jogos e a dublagem de filmes — justamente onde uma leitura plana e sem inflexão sempre foi o sinal de que algo tinha sido feito por máquina. O modelo agora cobre mais de 70 idiomas, e o crescimento da empresa acompanhou esse salto: a ElevenLabs ultrapassou US$ 500 milhões em receita anualizada em maio de 2026, poucos meses depois de uma rodada Série D de US$ 500 milhões que a avaliou bem dentro do território unicórnio.

O terreno que a ElevenLabs deixou de ter só para si

A história mais interessante de 2026 é o quanto o topo do ranking ficou disputado. A contribuição da OpenAI nem veio de um modelo de TTS isolado — em maio de 2026, a empresa lançou o GPT-Realtime-2 junto com dois modelos complementares, o GPT-Realtime-Translate e o GPT-Realtime-Whisper, condensando o que costumava ser um processo de três etapas (transcrever, traduzir, ressintetizar) em um único sistema de voz para voz que carrega o raciocínio de nível GPT-5. O efeito prático é um agente de voz capaz de seguir uma instrução complicada, acionar uma ferramenta no meio da conversa e responder em fala natural e expressiva sem nunca converter para texto e voltar — e o GPT-Realtime-Translate agora consegue traduzir fala ao vivo de mais de 70 idiomas de entrada para 13 idiomas de saída, mantendo o ritmo de quem está falando, um caso de uso genuinamente diferente do TTS ao estilo narração.

Em outra frente, o lado dos modelos de peso aberto deu o movimento mais barulhento até agora: a Fish Audio abriu o código do seu modelo S2 em março de 2026, um sistema de 4,4 bilhões de parâmetros treinado com mais de 10 milhões de horas de áudio em mais de 80 idiomas, que hoje ocupa o topo do ranking de audição às cegas do TTS-Arena — o que significa que, por essa métrica, um modelo baixável gratuitamente está superando concorrentes pagos, incluindo a própria ElevenLabs. A Inworld AI conquistou uma coroa equivalente no ranking da Artificial Analysis com seu modelo Realtime TTS 1.5 Max, e o modelo Sonic, da Cartesia, reduziu a latência de streaming para cerca de 100 milissegundos — rápido o suficiente para que a resposta de um agente de voz pareça chegar no mesmo fôlego da pergunta, e não depois de uma pausa de processamento. Nada disso derruba a ElevenLabs do trono, que continua sendo a referência em nuance emocional e na profundidade de sua biblioteca de vozes, mas “a melhor voz sintética” deixou de ser uma afirmação de um único fornecedor em algum momento do último ano. Hoje é uma disputa de três frentes entre expressividade, latência e abertura, e diferentes desenvolvedores escolhem vencedores diferentes dependendo de qual desses eixos o produto deles realmente precisa.

Quando o ouvido já não pode ser levado a sério

Todo esse progresso significa que a frase “eu reconheceria essa voz em qualquer lugar” deixou discretamente de ser verdade, e as consequências já ultrapassaram de longe a preocupação acadêmica. O FBI atribuiu perdas de aproximadamente US$ 893 milhões no ano passado a golpes com uso de IA de modo geral, sendo que a fraude por clonagem de voz — aquela ligação do tipo “é a vovó, estou com problemas, por favor me manda dinheiro”, agora executada por um modelo treinado com poucos segundos de áudio público em vez de um golpista humano fazendo um sotaque malfeito — representa uma fatia que cresce rápido e causa um dano desproporcional dentro desse total, com reportagens sugerindo que adultos com mais de 60 anos absorvem a maior parte dos prejuízos. Pesquisadores de segurança que entrevistaram o público em 2026 constataram que cerca de um em cada quatro americanos diz já ter recebido uma ligação com voz clonada, e quase metade afirma não conseguir mais distinguir com segurança uma voz sintética de uma voz real ao telefone — exatamente o público que uma ligação golpista é desenhada para explorar.

A resposta institucional tem sido igualmente reveladora. A biometria de voz — o discurso de “sua voz é a sua senha” que bancos e call centers venderam durante boa parte de uma década — está sendo ativamente abandonada como camada de segurança isolada em 2026, com instituições financeiras migrando para verificações em múltiplas camadas, que tratam a correspondência de voz como um sinal entre vários, e não como prova suficiente por si só. Fornecedores de detecção correram para preencher essa lacuna: ferramentas como o Resemble Detect e os produtos de triagem de deepfake da Pindrop hoje fazem parte dos fluxos de call centers, tentando sinalizar áudio sintético em tempo real, e benchmarks independentes mostraram alguns detectores atingindo mais de 95% de precisão em testes controlados — um número animador, mas que ainda deixa espaço real para uma clonagem bem executada escapar, especialmente fora das condições de laboratório. Para os indivíduos, a orientação que as agências de segurança repetem é quase deliberadamente de baixa tecnologia: desligue e ligue de volta para um número que você já tem salvo, e combine com antecedência uma palavra-código em família — algo que nunca foi postado online e não pode ser adivinhado a partir de um perfil público — porque nenhuma quantidade de atenção ao ouvir vai superar um modelo construído especificamente para ser indistinguível.

Duas curvas, a mesma tecnologia

O que torna este momento estranho não é o fato de a IA de voz ter melhorado — toda tecnologia generativa faz isso, no seu devido tempo — é que os avanços entregues para narradores de audiobooks e estúdios de games são exatamente os mesmos avanços que armam quem liga fingindo ser o neto de alguém. O alcance emocional do Eleven v3, a fluência conversacional do GPT-Realtime-2, o alcance multilíngue de baixo custo da Fish Audio: cada um é uma conquista de produto legítima e bem documentada, e cada um também rebaixa a barra para uma ligação fraudulenta que antes exigia talento real de atuação. Não existe uma versão dessa tecnologia que preserve a qualidade da narração e elimine o risco de personificação, porque são a mesma capacidade apontada para roteiros diferentes. A resposta da indústria a curto prazo não vai ser piorar as vozes sintéticas — esse barco já partiu — vai ser garantir que ninguém mais precise confiar apenas em uma voz para saber quem está de fato do outro lado da linha.

Fontes: Eleven v3: Most Expressive AI TTS Model Launched, Introducing gpt-realtime and Realtime API updates for production voice agents, Advancing voice intelligence with new models in the API, Most Realistic AI Voices 2026 — Fish Audio, Americans lost nearly $900 million to AI-powered scams, FBI says, AI ‘voice cloning’ scams are on the rise — CNN