O VoiceStudio, aplicação de código aberto para clonagem e síntese de voz executada inteiramente localmente, ultrapassou 11.500 estrelas no GitHub e passa a figurar entre as alternativas gratuitas ao ElevenLabs; a ausência de envio de áudio a servidor externo reabre, no processo penal, a discussão sobre a autenticidade da prova de voz e sobre estelionato mediante clonagem vocal.
O que é?
O VoiceStudio (denominação anterior: OmniVoice Studio) é uma aplicação de mesa (desktop), de código aberto sob licença AGPL-3.0, mantida por Palash Debnath, disponível para macOS, Windows e Linux. A ferramenta processa clonagem de voz, síntese de voz sob medida (voice design), dublagem de vídeo, transcrição e criação de audiolivros, com processamento realizado no próprio equipamento do usuário, sem depender de conta na nuvem ou de conexão contínua à internet. O projeto integra dezesseis motores de texto-para-voz (entre eles CosyVoice 3, GPT-SoVITS, VoxCPM2 e IndexTTS 2.5) e onze motores de reconhecimento de fala (entre eles WhisperX e Faster-Whisper), o que a diferencia de um produto fechado de motor único. O VoiceStudio não é um serviço de nuvem por padrão, não é um detector de áudio sintético e não substitui perícia de voz; a versão paga (Pro) destina-se ao uso comercial e à integração corporativa, e uma versão em nuvem (Cloud) está em acesso antecipado.
Para que serve?
A finalidade declarada é oferecer, sem custo de licença de API e sem envio de dados a terceiros, um conjunto de fluxos de trabalho de voz sintética. Os usos típicos:
Clonagem de voz — recria uma voz a partir de uma amostra de referência de poucos segundos, para narração, dublagem ou substituição de voz em vídeo.
Design de voz — cria voz sintética inédita, configurável por gênero, idade, sotaque, tom e emoção, sem depender de um locutor real.
Dublagem e audiolivro — transcreve, traduz e sincroniza a fala do locutor em vídeo, ou converte roteiro longo e arquivo EPUB em áudio narrado.
Transcrição e API local compatíveis com a interface da OpenAI para integração com outros aplicativos no próprio computador do usuário.
Como funciona?
A arquitetura combina uma interface em React/Tauri com um serviço local em Python (FastAPI) que carrega o motor de voz escolhido; a entrada é um trecho de áudio de referência (clonagem) ou um conjunto de parâmetros (design de voz), somado a um texto ou vídeo-fonte, e a saída é o arquivo de áudio sintetizado ou o vídeo dublado. O funcionamento local integral depende de hardware: o requisito mínimo declarado é 8 GB de memória RAM e 10 GB de disco, com GPU opcional de 4 GB de memória de vídeo; o uso recomendado prevê 16 GB de RAM ou mais e 8 GB de VRAM ou mais, sob CUDA, Apple Silicon (MPS/MLX), ROCm ou processamento apenas por CPU. Não há, na documentação consultada, indicação de marca d'água (watermark) inaudível no áudio gerado nem de mecanismo de rastreabilidade da síntese; a interface sinaliza ao usuário quando um recurso remoto opcional é acionado e mantém a telemetria (analytics) desativada por padrão. Como qualquer motor de texto-para-voz e de clonagem, a ferramenta está sujeita a um limite de fidelidade prosódica, a artefatos sonoros perceptíveis em trechos longos e à possibilidade de o resultado soar plausível mesmo quando produzido a partir de uma amostra de referência de curtíssima duração — o que reduz a barreira técnica para a produção de áudio sintético convincente.
Como aplicar na prática do Direito Penal e do Processo Penal?
A disponibilidade gratuita e local de clonagem de voz de alta verossimilhança, a partir de poucos segundos de amostra, toca dois planos distintos da persecução penal: o da tipicidade do uso indevido da ferramenta e o da admissibilidade e valoração de áudio como meio de prova.
No primeiro plano, o uso de voz clonada para induzir vítima a erro e obter vantagem patrimonial indevida [o já disseminado "golpe do parente" ou da falsa autoridade por telefone] subsume-se, em tese, ao estelionato do art. 171 do Código Penal (Decreto-Lei n. 2.848, de 7 de dezembro de 1940), com a qualificadora de fraude eletrônica introduzida pela Lei n. 14.155, de 27 de maio de 2021 (§ 2º-A), quando o ardil se vale de contato telefônico, rede social ou meio fraudulento análogo:
Art. 171, caput, do Código Penal. "Obter, para si ou para outrem, vantagem ilícita, em prejuízo alheio, induzindo ou mantendo alguém em erro, mediante artifício, ardil, ou qualquer outro meio fraudulento: Pena — reclusão, de 1 (um) a 5 (cinco) anos, e multa."
Art. 171, § 2º-A, do Código Penal (Lei n. 14.155/2021). "A pena é de reclusão, de 4 (quatro) a 8 (oito) anos, e multa, se a fraude é cometida com a utilização de informações fornecidas pela vítima ou por terceiro induzido a erro por meio de redes sociais, contatos telefônicos ou envio de correio eletrônico fraudulento, ou por qualquer outro meio fraudulento análogo."
Quando a voz clonada é empregada para viabilizar acesso indevido à conta ou ao dispositivo e a subtração de valor [hipótese distinta do estelionato, por não haver disposição patrimonial voluntária da vítima], a tipificação em tese desloca-se para o furto qualificado por fraude eletrônica, também alterado pela Lei n. 14.155/2021 [CP, art. 155, § 4º-B e § 4º-C]. O texto consolidado desse parágrafo já sofreu alteração legislativa posterior; a peça sinaliza essa instabilidade normativa e recomenda conferência da redação vigente à data do fato diretamente no Planalto antes de qualquer enquadramento em peça processual, por não ter sido possível, nesta pesquisa, confirmar o texto integral do § 4º-B junto à fonte primária compilada.
No segundo plano, o da prova, o áudio produzido por ferramenta de síntese local, sem marca d'água nem log de proveniência acessível a terceiro, agrava o problema já conhecido da autenticidade de prova digital: a ausência de cadeia de custódia sobre o próprio ato de captação (CPP, arts. 158-A a 158-F, incluídos pela Lei n. 13.964/2019) não permite, por si, presumir a genuinidade de um arquivo de áudio juntado aos autos, e a disseminação de ferramentas de clonagem sem custo reduz a presunção de autenticidade que historicamente se atribuía a gravação de voz. Nada obstante, o tratamento de amostra de voz, quando vinculado à identificação de pessoa natural — por exemplo, em perícia de comparação de locutor —, qualifica-se como dado biométrico e, portanto, dado pessoal sensível para os fins da Lei Geral de Proteção de Dados (Lei n. 13.709, de 14 de agosto de 2018):
Art. 5º, II, da Lei n. 13.709/2018 (LGPD). "Dado pessoal sensível: dado pessoal sobre origem racial ou étnica, convicção religiosa, opinião política, filiação a sindicato ou a organização de caráter religioso, filosófico ou político, dado referente à saúde ou à vida sexual, dado genético ou biométrico, quando vinculado a uma pessoa natural."
A qualificação de dado biométrico não é automática para qualquer gravação de voz: a doutrina de proteção de dados distingue a gravação de atendimento comum, tratada como dado pessoal simples, da voz processada para autenticação ou identificação da pessoa, tratada como dado sensível — distinção relevante para o regime de consentimento aplicável à coleta da amostra usada em clonagem ou em perícia.
Sobre a convergência entre inteligência artificial generativa e processo penal, e sobre eventual dever de rotulagem de conteúdo sintético, tramita no Congresso Nacional o Projeto de Lei 2338/2023 (Marco Legal da Inteligência Artificial), aprovado pelo Senado Federal e, até a data de fechamento desta peça, pendente de votação final na Câmara dos Deputados, com previsão de deliberação em 2026; por não haver, até o momento, sanção presidencial, o projeto não constitui norma vigente e não deve ser citado como tal em peça processual.
Em termos simples
Pense no VoiceStudio como um estúdio de dublagem completo dentro do próprio computador: em vez de mandar a voz de alguém para uma empresa na internet imitar, o programa faz a imitação ali mesmo, na máquina, com poucos segundos de gravação como referência. A vantagem, para quem usa de boa-fé, é que nada sai do computador; o risco é o mesmo de qualquer ferramenta poderosa de baixo custo: quem quer aplicar um golpe por telefone, fingindo ser um parente ou uma autoridade, agora também tem acesso fácil a um imitador de voz convincente, sem precisar contratar nada nem enviar dado a ninguém.
POP — Procedimento Operacional Padrão
Nível 1 — Operação básica
Baixar o instalador correspondente ao sistema operacional (macOS 13.3+, Windows 10/11 x64 ou Linux x86_64) no site oficial ou no repositório do GitHub do projeto.
Verificar o hardware disponível: 8 GB de RAM e 10 GB de disco como mínimo; GPU com 4 GB ou mais de VRAM para desempenho recomendado.
Instalar e abrir a aplicação; selecionar o motor de texto-para-voz ou de reconhecimento de fala desejado entre os disponíveis no catálogo integrado.
Para clonagem de voz: fornecer amostra de áudio de referência (a partir de três segundos) e o texto a sintetizar.
Para design de voz: definir os parâmetros (gênero, idade, sotaque, tom, emoção) sem amostra de terceiro.
Executar a síntese, dublagem, transcrição ou geração de audiolivro conforme o fluxo escolhido.
Exportar o arquivo de áudio ou vídeo resultante e conferir a qualidade antes de qualquer uso.
Nível 2 — Uso no Processo Penal
Verificar a legitimidade e, quando exigível, a existência de ordem judicial para a coleta ou o tratamento de amostra de voz de terceiro que sirva de referência para clonagem ou de objeto de perícia.
Preservar a fonte original do áudio a ser periciado, isolando-a de qualquer edição ou reprocessamento posterior à coleta.
Registrar, no ato da coleta, o método empregado, a data, a hora e o responsável pela captura ou pela extração do arquivo de áudio.
Gerar e conferir o hash criptográfico do arquivo de áudio original, com lacre lógico, antes de qualquer manipulação para fins de análise.
Documentar a cadeia de custódia da prova de áudio, observando as etapas dos arts. 158-A a 158-F do Código de Processo Penal (Lei n. 13.964/2019): reconhecimento, isolamento, fixação, coleta, acondicionamento, transporte, recebimento, processamento, armazenamento e descarte.
Submeter o áudio de origem duvidosa a exame pericial de autenticidade e de comparação de locutor, quando a genuinidade for questionada, registrando o método pericial para viabilizar o contraditório técnico.
Sinalizar, na documentação para o contraditório, o risco de manipulação por ferramenta de clonagem de voz local — sem log de proveniência acessível — e o enquadramento do dado de voz como dado biométrico sensível quando vinculado a pessoa identificada, para fins de tratamento sob a LGPD.
Glossário
Clonagem de voz — técnica de síntese que recria o timbre e a prosódia de uma voz específica a partir de amostra de áudio de referência.
Voice design (design de voz) — geração de voz sintética inédita, configurada por parâmetros (gênero, idade, sotaque, tom, emoção), sem vínculo com locutor real.
Texto-para-voz (TTS, text-to-speech) — conversão automatizada de texto escrito em áudio de fala sintetizada.
Reconhecimento automático de fala (ASR, automatic speech recognition) — conversão automatizada de áudio de fala em texto escrito.
Processamento local (on-device) — execução do processamento de dados no próprio equipamento do usuário, sem envio a servidor remoto.
Dado biométrico — dado pessoal relativo a característica física, fisiológica ou comportamental de pessoa natural, apto a identificá-la, categorizado como dado pessoal sensível pela LGPD quando vinculado a pessoa identificada.
Marca d'água digital (watermark) — sinal inserido em conteúdo sintético para permitir a posterior identificação de que o conteúdo foi gerado ou alterado por inteligência artificial; não identificada na documentação consultada do VoiceStudio.
Licença AGPL-3.0 — licença de código aberto que exige a disponibilização do código-fonte, inclusive de versões modificadas oferecidas como serviço em rede.
Fontes
Art. 171 do Código Penal (Decreto-Lei n. 2.848/1940) — estelionato
Comentários à Lei n. 14.155/2021 — alterações no art. 171, §§ 2º-A e 2º-B, do Código Penal
Comentários à Lei n. 14.155/2021 — alterações no art. 155, §§ 4º-B e 4º-C, do Código Penal
Projeto de Lei n. 2338/2023 (Marco Legal da Inteligência Artificial) — tramitação no Senado Federal