Melhorar a voz

Dez etapas em sequência: redução do eco da sala, remoção de ruído por rede neural (DeepFilterNet3), estalos de boca, corte de “ééé” e gagueiras (modo Estúdio), encurtamento das pausas longas, suavização das respirações (sem eliminá-las: uma voz sem respiração soa falsa), equalização de voz, nivelamento e compressão suave, e por fim o volume ajustado ao padrão escolhido. Cada etapa pode ser desligada em Configurações.

O Rápido faz tudo no seu dispositivo: nada é enviado. O Estúdio também corta “ééé” e gagueiras: para encontrá-los, uma cópia comprimida da voz (já limpa) é enviada ao nosso servidor, que devolve apenas a lista de palavras e seus tempos. Os cortes são feitos no seu navegador. A cópia não é guardada: é apagada assim que a transcrição termina.

Ele reconstrói a voz em vez de só limpá-la: um modelo de IA (Sidon, da Sarulab Speech, licença MIT: github.com/sarulab-speech/Sidon) escuta a gravação e a ressintetiza em qualidade de estúdio de banda completa. Funciona muito bem com gravação de ligação telefônica, sala com eco ou microfone ruim. Uma cópia da voz é enviada ao nosso servidor para isso e depois apagada. O timbre pode mudar um pouco: compare com o player antes / depois. As palavras de preenchimento, os silêncios e o volume são tratados como no modo Estúdio.

−16 LUFS por padrão (EBU R128), a referência para podcasts (Apple Podcasts, Spotify). Em Configurações: −14 LUFS para redes sociais e YouTube, −23 LUFS para transmissão (rádio, TV). O pico real é sempre limitado a −1,5 dBTP para evitar distorção.

Ele diminui bastante: a cauda que fica entre as palavras cai mais de 20 dB nos nossos testes em um salão grande. Uma voz gravada muito longe do microfone mantém um pouco da cor da sala: nada supera um microfone próximo.

Cada corte é feito na borda da vogal de hesitação, com uma transição suave de 15 ms, e a pausa ao redor volta a um tamanho natural. Só são cortados “ééé”, “hum” e repetições involuntárias (“eu eu”, “que o, que o”); “muito muito” ou “não não” são mantidos. Ouça antes e depois: se algum corte incomodar, desligue essa etapa.

Sim. A voz limpa é colocada de volta no vídeo e a imagem é copiada como está, sem perda. Por padrão nada é cortado em um vídeo; se você ativar a remoção de “ééé” ou de pausas, a imagem é cortada nos mesmos pontos (recodificada em MP4, mais lento) para continuar sincronizada.

A ferramenta detecta sozinha uma voz de telefone (banda estreita) e se adapta: remoção de ruído mais suave e equalização que tira o tom anasalado. Os agudos perdidos pela linha telefônica não podem ser recriados.

20 minutos por arquivo, grátis, sem conta. Conte com um a dois minutos de processamento para dez minutos de áudio em um computador recente, mais no celular. A saída é mono, o padrão para voz.