Uma nova tecnologia da Microsoft pode ser capaz de imitar a voz de qualquer pessoa a partir de uma pequena amostra de áudio. Trata-se do Vall-E, que apesar da semelhança com o nome do robô da Pixar, é algo bem distinto na prática. A princípio, a ferramenta só precisa de três segundos de uma fala para funcionar.

Na prática, o sistema é descrito pela empresa como um "modelo de linguagem de codec neural". Ele é baseado em uma tecnologia da Meta chamada EnCodec, que faz uso de inteligência artificial para comprimir áudio sem que haja perda de qualidade. A novidade gera "tokens acústicos" para sintetizar a fala.

O recurso da dona do Facebook é utilizado pelo Vall-E para dividir a informação entre os tokens. Dessa forma, ele consegue definir como a voz soaria após fazer a análise da amostra e processar os dados coletados. De acordo com a Microsoft, a ferramenta foi treinada com o Libri-light, que é uma biblioteca da Meta que possui 60 mil horas de falas no idioma inglês de 7 mil pessoas.

Ao observar esses detalhes, é difícil não se lembrar de quando a Amazon trouxe um recurso do gênero para ser utilizado na Alexa. Do mesmo modo, o Skype da própria Microsoft lançou um recurso que faz a tradução em tempo real da fala dos usuários durante uma videochamada, também imitando a voz das pessoas.

Há uma página de demonstração do Vall-E onde é possível ouvir algumas amostras. Em geral, há momentos em que dá para notar tons artificiais, mas também existem trechos em que a fidelidade é bem próxima, ficando impossível distinguir. O uso para essa tecnologia pode ser aplicado em dublagens, mas há possibilidades de utilização para o mal e talvez essa seja a razão da Microsoft não ter divulgado o código-fonte do recurso.

• Confira a página de demonstração do Vall-E