Fale com a sua própria voz — em um idioma que você não fala

Aqui está a parte da tradução em tempo real que quase todo mundo erra e da qual quase ninguém fala: a voz que você ouve.

Dá para ter um reconhecimento de fala excelente e uma tradução excelente e, mesmo assim, acabar com uma reunião que parece uma máquina lendo uma lista. Isso acontece porque a última etapa, transformar o texto traduzido de volta em som, é onde a maioria das ferramentas troca discretamente você por um único narrador sintético genérico. Oito pessoas na sala, uma única voz de robô para todas. Você perde quem está falando, a ênfase, a personalidade. Inteligível, mas não é uma conversa.

O InterMIND faz essa última etapa de outro jeito. Quando você fala, os outros participantes ouvem a tradução com uma voz reconhecivelmente sua, com o seu timbre e o seu jeito de falar, agora dizendo as palavras no idioma deles. Ainda não é uma imitação perfeita; o ponto é que é você, e não um narrador genérico, e isso está melhorando. Funciona para todos os participantes, nos dois sentidos, ao mesmo tempo.

Este post é o capítulo que faltava de Por dentro dos quatro pipelines de tradução que rodam o InterMIND: aquele texto explicou como o áudio vira áudio traduzido. Este fala de de quem é a voz que sai do outro lado.

O padrão que todo mundo entrega, e por que ele é monótono

Se você já usou tradução ao vivo nas grandes plataformas de reunião, conhece o som. Uma voz neutra, de ritmo uniforme, lê a tradução. É a mesma voz quando quem fala é o seu CEO abrindo um town hall ou um colega fazendo uma piada. A tecnologia por baixo é text-to-speech com um único modelo de voz fixo, e a premissa de projeto é que a inteligibilidade basta.

Numa reunião de verdade, não basta. Metade do que uma reunião comunica é quem está dizendo e como. Tire a voz e você transforma uma discussão em uma transcrição que por acaso é falada em voz alta. As pessoas deixam de reagir umas às outras e passam a esperar a sua vez.

O que o InterMIND faz no lugar

A tradução roda como um pipeline em cascata: três etapas especializadas em sequência, em vez de um único modelo tentando fazer tudo. As duas primeiras etapas estão descritas no post sobre os pipelines; a etapa de voz é o assunto deste post:

ASR — reconhecimento de fala. Suas palavras são transcritas no seu próprio idioma, enquanto você fala, no nosso próprio engine — o servidor de mídia que transporta a chamada (Mind API, OVH France) — para que a tradução possa começar antes do fim da frase.
MT — tradução. A transcrição é agrupada em fragmentos de frase estáveis — cláusulas — para que a tradução possa começar antes de você terminar a frase, e cada fragmento é traduzido progressivamente para o idioma de quem ouve.
Zero-shot TTS — síntese de voz. Cada fragmento traduzido é falado de volta usando uma amostra da sua própria voz e enviado em streaming para quem ouve.

É essa terceira etapa — ASR → MT → zero-shot TTS — que produz o efeito. "Zero-shot" significa que o sistema não precisa de um cadastro prévio gravado nem de uma sessão de treinamento para a sua voz. Ele modela a sua voz a partir do áudio da reunião em que você já está.

O aquecimento: como a voz passa a soar como você tão rápido

Há um problema do ovo e da galinha escondido em "usar uma amostra da sua própria voz". No início de uma chamada, o sistema ainda não ouviu o bastante de você para modelar bem a sua voz.

O InterMIND resolve isso com um aquecimento progressivo:

Nos primeiros 5 a 10 segundos, aproximadamente, enquanto ainda reúne fala suficiente, cada fragmento traduzido é sintetizado usando o fragmento de áudio que corresponde ao que você acabou de dizer no seu idioma de origem. A voz fica ancorada na sua fala real e imediata.
Quando há uma amostra longa o bastante — essa marca de 5 a 10 segundos — o sistema se fixa nela e a usa para dar voz a tudo o que vem depois.

Na prática, você não percebe nenhuma troca. A tradução soa cada vez mais como você à medida que a conversa engata: não é um sósia perfeito da sua voz, mas claramente a sua, e não a de uma máquina, e melhora conforme o modelo ouve mais. A combinação de tradução progressiva (cláusula por cláusula, e não frase por frase) com voz progressiva é o que mantém tudo dentro do orçamento de latência sem perder o som humano.

Grave sua voz uma vez e pule o aquecimento

O aquecimento descrito acima é o que acontece por padrão, sem nenhuma configuração. Desde setembro de 2026 existe um segundo caminho opcional para usuários autenticados: uma amostra de voz salva em Settings → Your voice in translation.

Gravar é um único gesto. Pressione Record my voice, espere o Speak now e diga os números de um a dez, em qualquer ordem. Cada número se acende no card quando o engine de fala o reconhece; quando os dez estão acesos, a amostra é verificada e salva automaticamente. Não há nada para ouvir de novo nem para confirmar, e não há contagem regressiva: o card guarda o trecho da sua gravação que contém os números. Um ambiente silencioso e um headset dão o melhor resultado.

O que a amostra salva muda: a partir da sua próxima reunião, o sintetizador dá voz à sua tradução com ela desde o primeiro fragmento, de modo que o outro lado ouve você como você desde a primeira frase, e não só depois do aquecimento. Por baixo, é a mesma síntese zero-shot com um ponto de partida melhor; o aquecimento ao vivo continua refinando a voz ao longo da chamada.

A gravação passa por uma verificação antes de ser armazenada. Ela precisa ter de 3 a 10 segundos de fala clara (a janela de entrada do sintetizador): se estiver baixa demais, cortada, quase toda em silêncio ou encoberta por ruído de fundo, o card diz o que corrigir e pede outra gravação. Os números foram escolhidos como frase por um motivo prático: são curtos, reconhecíveis em cada um dos 23 idiomas, e o engine consegue confirmar que ouviu os dez, o que transforma o "essa gravação funcionou?" em um sim visível.

Duas amostras de voz, dois ciclos de vida

Esta é a parte sobre a qual uma equipe de segurança ou jurídica pergunta de imediato, então aqui vai de forma direta. São duas amostras diferentes, e elas têm ciclos de vida diferentes.

A amostra ao vivo, usada no aquecimento durante a reunião, é efêmera. Ela existe apenas durante a sessão de conferência ao vivo, a serviço de dar voz à tradução, e não é armazenada em lugar nenhum. A Mind API e o SDK que alimentam a sessão em tempo real não retêm dados; tudo o que é temporário desaparece quando a sessão de conferência termina.

A amostra salva em Settings é armazenada com a sua conta, para um único fim: ela é enviada ao engine de tradução toda vez que você entra em uma reunião, para que a sua fala traduzida seja vocalizada com ela, e para nada além disso. Ela permanece até você pressionar Remove no card, o que devolve você ao aquecimento padrão imediatamente, e é excluída junto com a sua conta. Convidados não podem gravar uma; é um recurso para usuários autenticados, por design.

Vale ser preciso sobre o que nenhuma das amostras é: não são um dos recursos de gravação do InterMIND. Gravar o vídeo e o áudio de uma reunião é uma ação à parte, deliberada, que você faz de propósito, com controles próprios. Uma amostra de voz é uma entrada para o sintetizador de fala: transitória no caso da amostra ao vivo, e sua para guardar ou excluir no caso da amostra salva.

Por que ninguém mais entrega isso

Não é que a clonagem de voz seja um segredo. É que fazê-la ao vivo, por participante, nos dois sentidos, no ritmo da conversa, em 23 idiomas, sem armazenar nada que você não tenha pedido é um problema diferente de clonar uma voz offline para um podcast.

As grandes plataformas otimizam a tradução para cobertura de legendas e uma única voz de narrador segura, que é o padrão barato e robusto em escala. Manter a voz de cada pessoa significa que a etapa de síntese precisa acompanhar cada participante de forma independente e ficar dentro do mesmo orçamento de latência em que vive o resto do pipeline. Construímos o engine de voz nós mesmos, na nossa própria infraestrutura, e é isso que faz dessa escolha uma decisão nossa. (Mais sobre por que o engine é código nosso: Do que é feita uma reunião no InterMIND.)

Para onde isso vai: lip-sync

Manter a sua voz é metade de um objetivo maior. A outra metade é o seu rosto.

Hoje você ouve a outra pessoa com a voz dela, mas, se ela estiver com a câmera ligada, os lábios ainda se mexem conforme as palavras que ela de fato disse, em um idioma que você não lê. O próximo passo é o lip-sync: reajustar o tempo da boca de quem fala ao áudio traduzido, de modo que, na sua tela, a pessoa pareça estar falando o seu idioma.

Junte as duas coisas e o sentido de todo esse trabalho fica claro. Duas pessoas que não compartilham nenhum idioma em comum sentam-se de frente em uma videochamada e se veem e se ouvem como se cada uma fosse falante nativa do idioma da outra: mesma voz, mesmo rosto, sem intérprete no meio, sem robô lendo um roteiro.

Para deixar claro o status: a voz está disponível hoje; o lip-sync está no roadmap, ainda não foi lançado. Mostramos o destino porque é ele que explica por que o trabalho com a voz importa: a tradução com a própria voz não é o recurso em si, é a primeira metade de "falar com qualquer pessoa, em qualquer idioma, sendo você mesmo".

Onde ouvir

A tradução com a própria voz está disponível hoje, nos 23 idiomas de voz, os mesmos listados na documentação. Não há nada para ativar separadamente: quando a tradução está habilitada em uma reunião, os participantes se ouvem automaticamente com as próprias vozes. Seremos honestos sobre em que ponto estamos: hoje a voz já é reconhecivelmente você, e a semelhança é algo que estamos ativamente aproximando. Vá ouvir e julgue por conta própria.

Experimente a demo — roda o pipeline de voz ao vivo sobre o seu áudio em qualquer um dos 23 idiomas.
Veja os números de qualidade — o mesmo pipeline de produção, avaliado mensalmente no FLORES-200, com a distribuição completa publicada por par de idiomas.
Grave sua amostra de voz — com login feito, uma gravação dos números de um a dez, e você é ouvido como você desde a primeira frase.
Como funciona, na documentação — a versão curta deste post.
Veja ao lado das legendas e de uma transcrição pesquisável — como as três peças se comportam juntas em uma única reunião.