VoiceStudio: a alternativa local e open source ao ElevenLabs que passou de 17 mil estrelas

Serviços de voz por IA viraram commodity cara. ElevenLabs e afins funcionam bem, mas cobram por caractere, exigem conta e — o detalhe que quase ninguém pesa direito — processam sua voz, seus roteiros e seus vídeos nos servidores deles. O VoiceStudio ataca exatamente esse flanco: um aplicativo desktop open source que faz clonagem de voz, voice design, dublagem de vídeo, ditado, transcrição e audiobooks inteiramente na sua máquina, sem conta, sem chave de API, sem medidor de uso.

Os números do projeto justificam a atenção: 17,5 mil estrelas e mais de 2,3 mil forks no GitHub, criado em abril de 2026 sob o nome OmniVoice-Studio e renomeado desde então, escrito em Python (backend) com casca desktop em Tauri, licença AGPL-3.0 e desenvolvimento em ritmo intenso — o repositório recebia commits no mesmo dia em que esta apuração foi feita. O próprio README, porém, abre com um aviso que convém levar a sério: beta ativo. Use a release estável; a branch main muda entre versões.

O que ele faz, concretamente

O escopo é mais amplo do que "TTS local". Os fluxos principais:

• Clonagem de voz zero-shot: você adiciona um clipe limpo de referência e gera fala naquela voz. Três segundos já funcionam; 5 a 15 segundos costumam dar um prompt melhor. O detalhe técnico importa: o clipe é prompt, não dado de treino — por isso um áudio mais longo não melhora o resultado automaticamente. O que melhora é qualidade de captação: um falante só, perto do microfone, sem música, ruído ou reverberação.
• Voice design: criar uma voz a partir de instruções de idade, sotaque, tom e estilo de entrega — sem áudio de referência.
• Dublagem de vídeo: pipeline completo de transcrição, tradução, preservação de falantes (diarização com Pyannote/WhisperX), síntese e exportação do vídeo dublado.
• Histórias e audiobooks: roteiros multi-voz, importação de EPUB/PDF, renderização por capítulo e exportação em .m4b.
• Ditado: um widget de sistema com atalho global, transcrição ao vivo e limpeza opcional do texto por LLM local.
• Extras de produção: isolamento vocal com Demucs, fila de batch com progresso por job, monitoramento de pasta para novos vídeos e marca-d'água AudioSeal embutida por padrão para identificar áudio sintético.

646 línguas — com a letra miúda certa

O número de manchete é o catálogo de 646 línguas de TTS, e aqui o projeto merece crédito pela honestidade: o próprio README avisa que cobertura e qualidade reais dependem da engine selecionada. O VoiceStudio não é um modelo; é uma plataforma de engines — 16 de TTS e 11 de ASR, trocáveis pelo catálogo de modelos ou por atalho de teclado.

Isso muda a forma de avaliar o projeto. A engine padrão (baseada no k2-fsa/OmniVoice) cobre 600+ línguas com clonagem e instruções de estilo; CosyVoice 3 e VoxCPM2 são alternativas Apache-2.0; KittenTTS e PocketTTS atendem máquinas fracas rodando só em CPU; MLX-Audio explora o Apple Silicon nativamente. Do lado do reconhecimento de fala, WhisperX é o padrão (com timestamps por palavra, essenciais para dublagem e legendas), com Faster-Whisper, MLX Whisper, Parakeet, Moonshine e FunASR cobrindo os demais cenários. O README traz inclusive uma tabela de recomendação por hardware — Apple Silicon, NVIDIA 8 GB+ e CPU-only — que é o tipo de documentação pragmática que falta em muitos projetos do gênero.

Um comportamento de projeto maduro: engines sem suporte a clonagem não conseguem preservar o falante numa dublagem, e o VoiceStudio rejeita o job em vez de trocar de engine silenciosamente. Falhar explícito é melhor do que degradar em silêncio.

Onde roda

• macOS 13.3+ em Apple Silicon (Intel Macs não rodam o backend local por falta de wheels do PyTorch; podem apontar para um backend remoto).
• Windows 10/11 x64, com MSI que instala sem privilégios de administrador na variante current-user.
• Linux x86_64 com glibc 2.39+, via AppImage.
• Docker, com perfis CUDA, ROCm, CPU e worker-only.

O roteamento de compute é automático: CUDA, MPS/MLX no Apple Silicon, ROCm no Linux (opt-in) e fallback para CPU, com descarregamento parcial quando falta VRAM. Requisitos mínimos razoáveis — 8 GB de RAM, 10 GB de disco, GPU opcional com 4 GB de VRAM quando presente — embora engines pesadas peçam bem mais. Há ainda suporte a workers remotos autenticados: uma máquina fraca na mesa, uma GPU no rack.

API local, compatibilidade com OpenAI e MCP

Para desenvolvedor, a parte mais interessante talvez nem seja o app. O backend expõe em localhost:3900 uma API REST/SSE/WebSocket e uma API compatível com o formato de áudio da OpenAI. Na prática, migrar um cliente existente é uma linha:

- base_url="https://api.openai.com/v1"
+ base_url="http://localhost:3900/v1"

Os endpoints POST /v1/audio/speech e POST /v1/audio/transcriptions funcionam com os SDKs oficiais, há WebSocket para transcrição ao vivo com eventos parciais, e um servidor MCP em http://localhost:3900/mcp expõe generate_speech, clone_voice e transcribe para Claude Desktop, Cursor e agentes em geral. Existem até skills instaláveis via npx skills add debpalash/VoiceStudio para agentes de código.

A fronteira de rede é bem descrita: o backend é loopback-only por padrão, acesso remoto exige PIN ou chave de API, endpoints externos exigem HTTPS e a telemetria é desligada até consentimento explícito — e mesmo ligada, envia apenas metadados de uso sem conteúdo, nunca texto, áudio ou nomes de arquivo.

O ângulo LGPD: voz é dado biométrico

Aqui está, para times brasileiros, o argumento mais forte a favor do modelo local-first. Voz é dado biométrico — dado pessoal sensível sob a LGPD, com base legal mais restrita e obrigações maiores. Todo fluxo que envia gravações de clientes, colaboradores ou locutores para uma API de voz na nuvem cria uma cadeia de tratamento que precisa ser mapeada, justificada e contratualizada.

No VoiceStudio, o desenho padrão inverte isso: vozes, projetos, transcrições e saídas ficam no disco local; dados só saem da máquina quando você configura explicitamente workers remotos ou um endpoint de ASR externo. Isso não elimina a lição de casa — consentimento do titular da voz continua obrigatório, e o próprio projeto insiste nisso na seção de uso responsável, além de embutir watermark por padrão —, mas reduz drasticamente a superfície de tratamento por terceiros.

As ressalvas que importam

Nem tudo é simples, e três pontos merecem análise antes de adotar.

Licenciamento em camadas. O aplicativo é AGPL-3.0, o que tem duas consequências práticas. Primeiro: se você modificar o VoiceStudio e oferecê-lo como serviço de rede, precisa disponibilizar o código-fonte modificado sob a mesma licença — há licença comercial para embutir em produto proprietário, negociada com o mantenedor. Segundo, e mais traiçoeiro: os modelos mantêm as licenças upstream. Os pesos da engine padrão são CC-BY-NC (não comercial), com um tokenizador de áudio sob termos comunitários separados; IndexTTS 2.5 exige licença escrita da Bilibili acima de certos limites de receita ou usuários. A licença do app não restringe o áudio gerado, mas não concede direitos sobre os modelos. Para uso comercial, é obrigatório verificar a licença do modelo escolhido — Apache-2.0 e MIT existem no catálogo (CosyVoice 3, GPT-SoVITS, VoxCPM2), então a escolha da engine vira decisão jurídica além de técnica.

Maturidade. O projeto tem cinco meses de vida pública e se declara em beta ativo. A infraestrutura de qualidade é acima da média para essa idade — CI, benchmarks medidos, autodiagnóstico, bundles de suporte anonimizados, guia de desinstalação com dry run —, mas beta é beta: para trabalho estável, a orientação oficial é usar a última release, não a main.

Operação é sua. A tabela de comparação do próprio README é honesta: você troca o compute gerenciado da nuvem por controle local, e isso significa gerenciar atualizações, disco (modelos ocupam dezenas de GB) e hardware. Performance depende inteiramente da sua GPU e da engine escolhida.

Leitura prática: quando faz sentido

Faz sentido se: você produz volume alto de áudio (audiobooks, dublagem, conteúdo) e o custo metered da nuvem já incomoda; trabalha com vozes de terceiros e precisa que o dado biométrico não saia da máquina — cenário direto de LGPD; quer uma API de voz local compatível com OpenAI para integrar em agentes e ferramentas internas via MCP; ou simplesmente tem uma GPU parada e quer independência de fornecedor.

Não faz sentido se: você precisa de uma voz pontual para um vídeo e não quer gerenciar 10-20 GB de modelos — um serviço hospedado resolve em minutos; sua máquina é um Mac Intel ou um notebook sem folga de RAM; ou você pretende embutir a tecnologia num produto proprietário sem passar pela análise de AGPL e das licenças dos modelos — nesse caso, o jurídico entra antes do git clone.

Para quem se encaixa no primeiro grupo, o teste é barato: baixar a release estável, gravar 10 segundos de voz limpa e gerar a primeira síntese. Há até um notebook Colab para experimentar sem instalar nada — com a ironia devidamente sinalizada pelo próprio projeto de que, no Colab, seus dados deixam de ser locais.

O VoiceStudio é um retrato interessante do momento do open source de voz: os modelos abertos ficaram bons o suficiente para competir com serviços pagos, e o que faltava era exatamente isto — uma camada de produto que junta engines, hardware heterogêneo e APIs num pacote utilizável. Beta ativo, licenciamento em camadas e operação por conta própria são o preço; controle total sobre um dado tão sensível quanto a própria voz é o retorno.

Fontes

• GitHub — debpalash/VoiceStudio (README)
• Site oficial — voicestudio.sh

— Maxwell Diniz