Clonagem de voz no Gemini 3.8: o que o consentimento cobre

Uma voz a partir de um clipe de 30 segundos, se ela for sua para usar

Os novos modelos de texto para fala do Google conseguem copiar uma voz a partir de uma gravação curta e depois ler qualquer roteiro nela. Um vídeo de produto narrado, a versão em áudio de um post de blog ou um módulo de treinamento na voz do fundador não precisam mais de uma nova sessão de gravação a cada roteiro. Você grava uma vez, depois digita.

Os modelos são o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS, lançados em 23 de setembro. Texto para fala significa que você cola um roteiro e recebe de volta um arquivo de áudio falado. O Google chama esse recurso de cópia de voice replication. A maioria das pessoas chama isso de clonagem de voz. O anúncio do Google coloca assim:

Recreate consistent vocal profiles from just a 30-second audio sample of your voice or a voice you have the rights to use

O Google impõe duas condições. A primeira é o consentimento. Segundo o Google, a clonagem exige uma segunda gravação da mesma pessoa:

users must provide a verbal consent recording from the voice owner that matches the reference speaker before a voice can be created.

A documentação para desenvolvedores do Google detalha o que isso significa. São necessárias duas gravações reais da mesma pessoa adulta. Uma é uma amostra de 10 a 30 segundos de fala natural. A outra é essa pessoa lendo em voz alta uma frase fixa, que a documentação apresenta em inglês como:

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

A segunda condição, segundo o Google, é uma marca oculta em tudo o que os modelos produzem. O Google afirma:

every audio clip generated by our Gemini Audio models is watermarked with SynthID.

O Google descreve o SynthID como uma marca d'água imperceptível embutida no áudio: quem ouve não percebe nada, e mesmo assim um software de detecção consegue identificar a fala como gerada por IA. O Google diz que vozes clonadas também carregam credenciais C2PA, uma etiqueta anexada ao arquivo que registra de onde ele veio.

Por que esta semana: um preço baixo que dobra em janeiro, e apps sem código

O lançamento é a causa. Dois detalhes fazem isso importar além do público de desenvolvedores.

O primeiro é o custo, e ele vem com uma data. A página de preços do Google, como lida em 26 de setembro, lista o áudio do Flash TTS a $9 por milhão de tokens até 31 de dezembro de 2026, e $18 a partir de 1º de janeiro de 2027. Tokens são as pequenas unidades em que o Google conta texto e áudio. A mesma página converte a tarifa de áudio em $0.00225 a cada 10 segundos agora, e $0.0045 a partir de janeiro. Isso é cerca de 1.35 centavos de dólar por minuto de áudio pronto neste ano, e cerca de 2.7 centavos a partir do Ano-Novo. Um módulo narrado de dez minutos sai por cerca de 13.5 centavos de áudio neste ano e 27 centavos depois. O Flash-Lite TTS é listado a $6, depois $12, o que é cerca de 0.9 centavos por minuto agora e 1.8 centavos a partir de janeiro. O roteiro que você envia é cobrado à parte, a $0.50 por milhão de tokens para os dois modelos, depois $1.00.

A mesma tabela lista uma camada gratuita, sem custo, e uma linha que importa para quem for enviar uma voz. Em "Used to improve our products", a página do Google traz Yes para a camada gratuita e No para a camada paga.

A única medição independente que encontramos é a de Simon Willison. Ele é um desenvolvedor e escritor que rodou seu próprio teste no dia do lançamento, 23 de setembro:

It took ~20 seconds to generate 1m 18s of audio using Gemini 3.8 Flash TTS (not the cheaper Flash-Lite), at a cost of 2.74 cents.

Isso é um único clipe, um diálogo roteirizado entre dois pelicanos, e o custo é o que ele relata. Não é uma tabela de preços. Planeje-se pela tarifa listada pelo Google, incluindo a duplicação de janeiro.

O segundo é o alcance. O post de lançamento do Google lista os modelos chegando para "everyone" em dois apps que não exigem código: o Flash TTS no Gemini Notebook, e o Flash-Lite TTS no Google Vids. Desenvolvedores têm acesso aos dois pela Gemini API, a conexão que outros softwares usam para enviar um roteiro ao Google e receber áudio de volta, e pelo Google AI Studio, o espaço de trabalho do Google no navegador para testar seus modelos. O acesso para empresas pelo Gemini Enterprise é listado como em breve.

Leia essa lista com atenção. Ela nomeia modelos, não recursos. Nenhuma das páginas que revisamos diz se a clonagem de voz faz parte do que chega ao Notebook e ao Vids. Os modelos estão lá. A clonagem pode não estar.

Quanto ao motivo de o Google ter lançado a clonagem agora, Willison tem um palpite, e essa é a leitura dele, não a do Google:

I guess voice cloning is widely enough available now from other providers that Google are no longer hesitant to ship it.

As salvaguardas do Google, e as objeções registradas

O argumento do Google é o de cima: uma gravação de consentimento que precisa corresponder à amostra de voz, uma marca d'água em cada clipe, e um limite regional. Sobre esse limite, uma nota de rodapé no anúncio do Google diz que a replicação de voz pelo AI Studio não está disponível em Illinois, no Texas, no Espaço Econômico Europeu (a UE mais Noruega, Islândia e Liechtenstein), no Reino Unido, na Suíça ou na Índia. O Google não diz por quê. A nota cobre o AI Studio. As páginas que revisamos não dizem se o mesmo limite se aplica pela API ou nos aplicativos para o consumidor.

A crítica é rala, e vale ser direto sobre o quanto. Em 26 de setembro, nossa busca em The Verge, TechCrunch e Ars Technica não encontrou nenhuma matéria crítica sobre este lançamento. Também não encontramos nenhum posicionamento sobre o assunto do SAG-AFTRA, da Equity ou da NAVA, três organizações que representam dubladores e atores de voz. As objeções que encontramos vêm de quatro usuários pseudônimos numa mesma thread no Hacker News, um fórum de discussão popular entre desenvolvedores de software.

A primeira é sobre a marca d'água. Um usuário chamado gruez sugeriu uma forma de contornar: gerar a fala numa voz genérica com o modelo do Google, depois transformá-la na voz-alvo com uma ferramenta de clonagem rodando no seu próprio computador:

That'll probably get rid of any C2PA watermarks too.

Isso é uma previsão, ressalvada com "probably", e ela nomeia a etiqueta C2PA, não a SynthID. Ninguém em nossas fontes testou isso. O ponto por trás dela continua de pé, e o comentário de Willison acima o sustenta: existem ferramentas de clonagem fora do Google. Como o Google descreve, a checagem de consentimento rege a clonagem feita através do Google. Ela não pode impedir alguém de clonar uma voz com outra ferramenta, e uma marca d'água só ajuda se ainda estiver no áudio quando alguém for verificá-la.

As páginas do Google também deixam uma pergunta em aberto. Elas dizem que a gravação de consentimento precisa corresponder à amostra. Não dizem se a checagem consegue distinguir uma gravação de consentimento real de uma sintética. Um usuário chamado kmoser perguntou exatamente isso:

Does it detect synthesized consent recordings?

Outro usuário, pixl97, respondeu que uma checagem assim não duraria:

There is no world in which something like that works over a few months.

Isso é uma afirmação. A thread não oferece nenhum teste por trás dela, e as páginas do Google não oferecem nenhum contra ela.

A última objeção é prática: dá para usar isso no trabalho, afinal? Um usuário chamado rcr-anti escreveu:

there's no alignment across the three platforms they have, consumer, prosumer, cloud.

O mesmo comentário diz que os modelos nem sequer têm as mesmas capacidades de uma plataforma para outra. A própria lista de lançamento do Google tem esse formato: um modelo no Notebook, o outro no Vids, acesso empresarial ainda por vir, e um limite regional escrito apenas para o AI Studio.

Em 26 de setembro, nenhuma das fontes que revisamos relata um teste independente sobre se o SynthID sobrevive a edição, compressão ou revozeamento, ou sobre se um clipe de consentimento sintético passaria pela checagem.

Locuções sem problema de consentimento

Divida o trabalho em dois.

A maior parte do trabalho de locução não precisa da voz de ninguém: explicativos de produto, edições em áudio de posts, treinamento interno. Use uma das vozes de biblioteca do Google, ou, no Flash TTS, uma voz projetada a partir de uma descrição escrita, algo que o anúncio do Google diz que esse modelo consegue criar. Nenhuma das duas vozes pertence a uma pessoa real. A exigência de consentimento do Google é escrita para a clonagem, assim como a nota de rodapé regional.

Clone uma voz apenas quando a voz em si for o ponto central: o fundador narrando atualizações da empresa, ou um apresentador que seu público já conhece. Antes de fazer isso, verifique três coisas.

Onde você está. Se você trabalha em um dos lugares listados e planejava clonar no AI Studio, a nota de rodapé diz que não dá. Se você trabalha por uma conta corporativa do Google, confirme que o produto que você realmente tem inclui o recurso. A própria lista do Google coloca modelos diferentes em produtos diferentes.

Quem grava o consentimento. Precisa ser o dono da voz, lendo a frase do Google com a própria voz. O Google diz que essa gravação é checada contra a amostra.

O que o Google guarda. Segundo a documentação do Google, a voz clonada é armazenada por padrão no seu projeto do Google, o espaço de conta onde o Google mantém suas configurações de API e seu uso.

A documentação lista uma retenção de um ano para vozes armazenadas. A alternativa é uma chave de voz embaralhada que o seu próprio software guarda em vez do Google, e para essa a documentação lista sete dias. A documentação que lemos não diz por quanto tempo o Google guarda a gravação de consentimento. Se você vai pedir a um colega que empreste a voz dele, isso vale saber antes de ele gravar.

Parte desse trabalho se repete, como transformar cada novo post de blog ou entrada de changelog num clipe de áudio. Isso é uma automação pequena, não uma tarefa semanal manual. No Latenode, o núcleo disso é uma única etapa curta de código. Uma etapa de JavaScript ali pode instalar qualquer biblioteca NPM, os pacotes de código prontos que os desenvolvedores compartilham, então ela consegue chamar a Gemini API com sua própria Google API key, o código no estilo senha que diz ao Google de quem é a conta a cobrar. Ela envia o texto do post e pede uma voz de biblioteca ou uma projetada a partir de uma descrição, nunca uma clonada. A mesma etapa pode então entregar o arquivo pronto ao seu próprio armazenamento ou site pela biblioteca NPM desse serviço, se ele publicar uma. Deixar a clonagem de fora é proposital. A clonagem precisa do consentimento gravado do dono da voz e é limitada por região, e nenhuma das duas coisas cabe num trabalho que roda sem supervisão. As duas faturas ficam separadas. O Google cobra pelo áudio na sua conta Google, nas tarifas da página de preços do Google, que dobram em 1º de janeiro de 2027. O Latenode mede cada execução pelos segundos de CPU que ela consome, o tempo de computação que ela usa, então uma execução mais curta custa proporcionalmente menos. Não há cobrança mínima por execução, e a camada gratuita do Latenode inclui 10,000 segundos de CPU por mês.

Use as vozes que não pertencem a ninguém, clone só com o dono presente

Use o Gemini 3.8 TTS para locuções desde já se seus roteiros mudam com frequência e uma voz de biblioteca ou projetada resolve: explicativos, edições em áudio, treinamentos. Pela tarifa listada pelo Google, o áudio do Flash custa cerca de 1.35 centavos de dólar por minuto até o fim de 2026 e cerca de 2.7 centavos a partir de 1º de janeiro de 2027, e nenhum direito de ninguém está envolvido.

Clone uma voz apenas se ela for sua, ou pertencer a alguém que vá gravar a frase de consentimento do Google pessoalmente. Antes de prometer a um cliente uma narração clonada, confirme que a rota que você vai realmente usar funciona onde você está. Se você está na UE, no Reino Unido ou em outro lugar listado, assuma que a clonagem no AI Studio está fechada para você. Para o Notebook e o Vids, olhe dentro do produto antes de planejar em cima disso, porque o anúncio do Google não diz se a clonagem está lá.

Não conte com as salvaguardas para proteger as pessoas cujas vozes estão em jogo. Segundo o Google, a checagem de consentimento impede que a voz de um estranho seja clonada dentro dos próprios produtos do Google, e isso vale alguma coisa. Além desse ponto, o que resta é a marca d'água. Em 26 de setembro, nenhuma das fontes que revisamos relata um teste sobre se ela sobrevive à edição, e já existem outras ferramentas de clonagem que a checagem do Google não alcança. Se seus ouvintes devem saber que uma voz é sintética, a única forma confiável é você mesmo dizer isso a eles.