Clonar voz por API, com IA local na sua VPS

Olá meus Unicórnios! 🦄✨

A nossa IA local já lê, já ouve e já fala. Hoje ela vai falar com a sua voz. 🎭

Clonagem de voz é isso: você grava meio minuto falando, e a partir dali o programa lê qualquer texto com o seu timbre. Serve para narrar um artigo sem gravar nada, para dar uma voz constante a um assistente, ou para gerar cem áudios iguais sem passar cem vezes pelo microfone. 🎙️

E, como sempre nesta série, tudo roda no seu servidor. 🏠 Isso importa mais aqui do que em qualquer artigo anterior: nos sites de clonagem online, o arquivo que você envia é a sua voz, e ela fica guardada numa máquina que não é sua, sob regras que você não escolheu. Aqui ela nunca sai de casa.

O caminho é curto: instalar, gravar a amostra, cadastrar por API e usar. Vamos por partes. 🚀

🎯 Por que este e não outro

Existem vários programas que clonam voz e rodam na sua máquina. A maioria tem o mesmo defeito, e ele só aparece quando você já instalou: não dá para cadastrar uma voz por API. Você tem que copiar o arquivo para uma pasta do servidor e editar um arquivo de configuração à mão, toda vez.

Para uma voz só, tudo bem. Para um sistema que cadastra voz sozinho, é o fim da linha: seu programa teria que abrir conexão de arquivo com o servidor e reescrever configuração, o que ninguém quer fazer.

O Chatterbox resolve isso. Ele trata voz como recurso da API, com o ciclo de vida inteiro em HTTP:

Repare que não há nenhuma linha dizendo "edite o arquivo tal". É tudo curl. 🎯

📦 Instalando

Diferente dos outros artigos da série, aqui não tem imagem pronta para baixar: a gente clona o projeto e monta a imagem na hora. O git clone traz o código, e o --depth 1 pega só a versão atual em vez do histórico inteiro (baixa bem menos):

cd /opt
git clone --depth 1 https://github.com/travisvn/chatterbox-tts-api.git chatterbox-api

O projeto traz vários arquivos de configuração, um para cada tipo de máquina. O que interessa é o de CPU, porque a nossa VPS não tem placa de vídeo:

cd /opt/chatterbox-api/docker
ls docker-compose*

Antes de subir, vale trocar uma linha por segurança. Abra o arquivo com o nano, que é o editor de texto mais simples do Linux:

nano docker-compose.cpu.yml

Se você nunca usou o nano: ele abre o arquivo direto na tela, você digita como num bloco de notas, e os comandos ficam no rodapé. Ctrl+O e Enter gravam, Ctrl+X fecha. Aqueles ^O e ^X do rodapé são esses mesmos comandos: o acento circunflexo quer dizer "Ctrl". E para colar no terminal use Ctrl+Shift+V, porque o Ctrl+V comum não funciona. 📋

Ache a linha da porta, que vem assim:

- '${PORT:-4123}:${PORT:-4123}'

E deixe assim:

- '172.17.0.1:4123:4123'

Essa mudança é pequena e importante. Do jeito original, a porta fica aberta para a internet inteira, e o servidor não tem senha nenhuma: quem achar o endereço gera áudio de graça na sua máquina. Com o 172.17.0.1 na frente, ele só responde para a rede interna do Docker. É a mesma decisão que a gente tomou com o Ollama, no primeiro artigo da série. 🔒

Agora monte a imagem. Esse comando lê o projeto, baixa as dependências e monta tudo:

docker compose -f docker-compose.cpu.yml build

Vá tomar um café. Vários. ☕ Isso demora bastante, porque ele compila o programa e baixa as bibliotecas de inteligência artificial. A imagem final fica com 7,55 GB.

Boa parte desse tamanho é gordura: mesmo sendo a versão de CPU, as bibliotecas trazem junto os pacotes de placa de vídeo da NVIDIA, que não vão ser usados. Não quebra nada, só ocupa disco.

Com a imagem pronta, suba o serviço. O -d deixa ele rodando em segundo plano:

docker compose -f docker-compose.cpu.yml up -d

🩺 Esperando ficar pronto

O serviço sobe rápido, mas ele ainda precisa baixar o modelo de voz antes de funcionar. Existe uma rota só para você saber em que pé está:

curl -s http://172.17.0.1:4123/health

Enquanto está baixando, a resposta diz isto:

{
    "status": "initializing",
    "model_loaded": false,
    "initialization_progress": "Loading TTS model (this may take a while)..."
}

Espere até virar isto, que é o sinal verde:

{
    "status": "healthy",
    "model_loaded": true,
    "device": "cpu"
}

Repare no "device": "cpu". É a confirmação de que ele está rodando no processador, sem placa de vídeo. ✅

🎤 Gravando a sua voz

Agora a parte bonita: a voz que vai ser clonada é um arquivo .wav com você falando, e só. Nada de treinar modelo, nada de esperar horas. 🎙️

Grave no celular, no computador, no aplicativo de gravador que você já tem. O que importa é isto:

• De 6 a 30 segundos. Menos que isso não dá material suficiente, e muito mais não melhora nada.
• Uma voz só, a sua, sem ninguém falando junto.
• Sem música de fundo e sem eco. Este é o item que mais estraga resultado: o programa copia o que ouvir, e se ouvir o ventilador, ele copia o ventilador junto. Um quarto com a porta fechada já resolve.
• Fale normalmente, num ritmo natural. Não precisa impostar a voz nem ler devagar demais: quanto mais parecido com o seu jeito de falar, mais parecida fica a clonagem.

Não sabe o que dizer? Leia qualquer parágrafo de um livro em voz alta. O conteúdo não importa, só o timbre.

O gravador do celular normalmente salva em .m4a ou .mp3, e aqui a gente quer .wav. Converta com o ffmpeg, que faz isso numa linha (o -ar 22050 ajusta a frequência e o -ac 1 deixa em canal único):

ffmpeg -i gravacao.m4a -ar 22050 -ac 1 minhavoz.wav

Se o ffmpeg não estiver instalado, o apt install resolve (o -y responde "sim" às perguntas):

apt install -y ffmpeg

Confira o que saiu com o file, que olha dentro do arquivo e diz o que ele é de verdade, não o que o nome promete:

file minhavoz.wav

minhavoz.wav: RIFF (little-endian) data, WAVE audio, Microsoft PCM, 16 bit, mono 22050 Hz

Precisa dizer WAVE audio. Se disser MPEG ou ISO Media, o arquivo continua sendo MP3 ou M4A com o nome trocado, e o cadastro vai recusar. Volte um passo e converta com o ffmpeg. ⚠️

📤 Cadastrando a voz por API

Aqui está o motivo de todo o artigo. A voz vai para o servidor por HTTP, sem você copiar arquivo para pasta nenhuma nem editar configuração.

São três campos. O -F do curl é o que manda arquivo junto com texto, e o @ antes do caminho quer dizer "mande o conteúdo deste arquivo", em vez de mandar o nome dele como texto:

curl -X POST http://172.17.0.1:4123/voices \
  -F "voice_name=minhavoz" \
  -F "language=pt" \
  -F "[email protected]"

A resposta confirma o cadastro:

{
    "message": "Voice uploaded successfully",
    "voice": {
        "name": "minhavoz",
        "filename": "minhavoz.wav",
        "file_size": 622158,
        "upload_date": "2026-08-18T14:10:29.017878",
        "language": "pt"
    }
}

O voice_name é o apelido que você vai usar depois para pedir o áudio, e pode ser qualquer palavra.

O language é a pegadinha. Ele vem como en por padrão, então quem esquecer o campo cadastra a voz como inglesa sem perceber, e o resultado sai com sotaque. Para português, mande sempre pt. 🇧🇷

🗂️ Vendo, renomeando e apagando

Como a voz é um recurso da API, todo o resto também é curl. Para ver o que está cadastrado:

curl -s http://172.17.0.1:4123/voices

{
    "voices": [
        {
            "name": "minhavoz",
            "filename": "minhavoz.wav",
            "file_size": 622158,
            "file_hash": "264c282a01b0849adfb637e294448016",
            "upload_date": "2026-08-18T14:10:29.017878",
            "path": "/voices/minhavoz.wav",
            "language": "pt",
            "exists": true
        }
    ],
    "count": 1
}

Para renomear, o campo é o new_name:

curl -X PUT http://172.17.0.1:4123/voices/minhavoz \
  -F "new_name=vozdapaloma"

{
    "message": "Voice renamed successfully",
    "old_name": "minhavoz",
    "new_name": "vozdapaloma"
}

Para apagar:

curl -X DELETE http://172.17.0.1:4123/voices/vozdapaloma

{
    "message": "Voice deleted successfully",
    "voice_name": "vozdapaloma"
}

E para dizer qual voz o servidor usa quando você não pedir nenhuma:

curl -X POST http://172.17.0.1:4123/voices/default \
  -F "voice_name=minhavoz"

Um detalhe que evita susto: a voz cadastrada sobrevive a reinício. Ela fica guardada num volume do Docker, não dentro do contêiner, então um docker restart não apaga nada. 💾

🪄 A primeira frase com a sua voz

Agora o momento bonito. O voice é o apelido que você cadastrou:

curl -X POST http://172.17.0.1:4123/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"input":"Ola meus unicornios! Esta voz foi clonada com inteligencia artificial local.","voice":"minhavoz","language":"pt"}' \
  -o clonado.wav

E prepare-se para esperar. ⏳ Muito.

Essa frase virou 4,4 segundos de áudio, e levou 4 minutos e 12 segundos para ficar pronta, ocupando 5,1 GB de memória. Não é a sua internet nem a sua VPS: é o preço de clonar voz sem placa de vídeo.

Olhe essa tabela com carinho, porque ela decide se isto serve para você. Um artigo de três mil palavras levaria umas vinte horas de processamento nessa máquina. 😳

Então seja honesta consigo mesma sobre o uso: isto serve para gerar áudio em lote e guardar o arquivo, tipo narrar um texto durante a madrugada e servir o resultado pronto depois. Não serve para responder na hora, nem para um assistente que fala enquanto você conversa. Para isso não tem jeito sem placa de vídeo, e trocar de programa não resolve.

Como a espera é longa, existe uma rota feita justamente para isso: você manda o texto, recebe um número de trabalho e vai buscar o resultado quando estiver pronto, sem segurar a conexão aberta por minutos:

curl -X POST http://172.17.0.1:4123/audio/speech/long \
  -H "Content-Type: application/json" \
  -d '{"input":"Um texto bem grande aqui...","voice":"minhavoz","language":"pt"}'

Ela devolve um identificador, e você consulta o andamento com GET /audio/speech/long/{id} até ele ficar pronto para baixar. Para texto longo, é esse o caminho.

🔍 Conferindo o que saiu

Vale conferir o arquivo antes de sair usando, com o mesmo file de antes:

file clonado.wav

clonado.wav: RIFF (little-endian) data, WAVE audio, IEEE Float, mono 24000 Hz

Duas coisas para reparar aqui, porque as duas pegam quem automatiza:

A primeira: apesar de a rota se chamar /v1/audio/speech, igualzinha à de um serviço pago famoso, o que sai é WAV, não MP3. Se o seu programa espera MP3 pela extensão, ele vai engasgar.

A segunda: o formato é IEEE Float, e não o WAV comum de 16 bits. Isso quebra ferramenta que só lê o formato tradicional, e o erro é feio e sem explicação. Se precisar converter para algo mais comum, o ffmpeg resolve:

ffmpeg -i clonado.wav -acodec libmp3lame clonado.mp3

🖥️ Usando no painel do Open WebUI

Para o Open WebUI ler as respostas com a sua voz, aponte ele para este serviço. No painel, clique no seu nome no canto inferior esquerdo, vá em Painel do Admin, depois em Configurações e em Áudio.

Na seção Texto-para-Fala, escolha o motor OpenAI, ponha a URL http://172.17.0.1:4123/v1, uma chave qualquer no campo de senha (o servidor não confere) e o nome da sua voz em Voz TTS:

Só lembre da tabela lá de cima antes de sair clicando no botão de ouvir: cada resposta longa vai levar minutos para virar áudio. Para o painel, sinceramente, o motor mais leve do artigo anterior é mais agradável. A clonagem compensa quando o que importa é a voz, não a espera. ⏳

Por hoje é só, meus unicórnios! 🦄✨

Que a magia do arco-íris continue brilhando em suas vidas! Até mais! 🌈🌟