Ainda paga a alguém para fazer a locução dos seus vídeos curtos? Gravou mais de dez vezes até ficar com a voz rouca? Quer clonar a sua própria voz num "clone digital" para produzir conteúdo em massa?Magic Sound Factory(MOSS-TTS-Nano v0.1.0) é uma ferramenta de síntese de voz local verdadeiramente gratuita, totalmente offline e que roda apenas com CPU. Basta inserir um texto e fornecer um áudio de referência para gerar um arquivo de voz com o mesmo timbre. Este artigo traz o tutorial de download e instalação do Fábrica de Voz Mágica, 3 casos práticos testados e respostas às perguntas frequentes, ajudando você a colocar a primeira linha de produção de dublagem com IA em funcionamento em 3 minutos.
Fábrica de Voz Mágica MOSS-TTS-Nano é uma ferramenta gratuita de síntese de voz local e offline, baseada no projeto de código aberto OpenMOSS MOSS-TTS-Nano (Apache 2.0) com reempacotamento secundário, adaptação de interface em chinês e inicialização com um clique feitas por desenvolvedores nacionais, pronta para usar.
Em resumo:Transforma texto em voz, sem precisar de internet, sem pagar, roda apenas com CPU e ainda permite clonar timbres com um áudio de referência.
Insira qualquer texto, escolha um timbre e gere com um clique áudio WAV estéreo de 48kHz, com qualidade próxima à voz humana.
Exemplo de operação:No campo de texto, insira "Olá, bem-vindo ao meu canal" e clique em gerar
Forneça um áudio de referência de 5 a 10 segundos e a IA aprenderá as características do timbre, gerando uma voz consistente com o timbre de referência.
Exemplo de operação:Envie um áudio da sua própria leitura → marque "Clonagem de voz" → insira o texto para gerar a mesma voz
Suporta 20 idiomas como chinês, inglês, japonês, coreano, francês e alemão, com alternância livre para gerar dublagens multilíngues.
Exemplo de operação:Na lista suspensa de idiomas, selecione "English" e insira um texto em inglês para gerar uma dublagem em inglês
Após baixar os arquivos do modelo para o computador, funciona sem conexão à internet, sem consumir cotas de API e sem gerar custos de assinatura.
Exemplo de operação:Após a primeira inicialização, ative o modo avião e ainda será possível gerar voz normalmente
Com otimização profunda para CPU, funciona fluentemente com apenas 4GB de memória, sem depender de aceleração por GPU.
Exemplo de operação:Roda diretamente até em notebooks de escritório antigos, sem precisar de placa de vídeo dedicada

| Cenários de caso | Conteúdo inserido | Destaques e avaliações do resultado | Tempo de geração/Grau de utilidade |
|---|---|---|---|
| Dublagem para vídeos curtos | Um áudio seco de 8 segundos + um texto de narração de 30 caracteres | Reproduz perfeitamente o timbre e a entonação do áudio de referência, chegando perto de uma pessoa real até no ritmo da respiração. Produzi 3 vídeos para um canal de narração de conhecimento, todos aprovados de primeira, sem necessidade de pós-produção. Avaliação: pode substituir completamente a dublagem humana. | 7 segundos/faixa ★★★★★ |
| Produção de conteúdo multilíngue | Texto em chinês com 50 caracteres, selecionar timbre em inglês | A pronúncia em inglês é natural e fluente, sem sensação evidente de máquina, podendo ser usada diretamente na versão em inglês dos vídeos de contas bilíngues. Avaliação: a troca de idiomas é muito prática, eliminando o trabalho de regravar o áudio. | 4 segundos/faixa ★★★★☆ |
| Audiolivros / leitura de textos longos | Um capítulo de romance com 500 caracteres | Gerado em segmentos por frase; após a montagem, a audição fica natural, com divisão de frases e pausas bastante razoáveis. Avaliação: adequado para produção de conteúdo em áudio em lote, mas para textos longos recomenda-se gerar em segmentos de 3 a 5 frases e depois montar, pois o resultado é mais estável. | Aproximadamente 20 segundos/segmento ★★★★☆ |
Baixe o pacote compactado do 魔音工厂 na página Release do projeto e extraia para um caminho totalmente em inglês, por exemplo D:\moss\. Evite nomes de pastas em chinês, pois podem causar falhas na inicialização. O pacote compactado contém os arquivos de modelo completos (aproximadamente 728MB na primeira vez); recomenda-se reservar 2GB de espaço em disco.
Após extrair, clique duas vezes no arquivo 启动.batno diretório raiz; o programa iniciará o serviço local e abrirá automaticamente a interface de operação no navegador. Nesse momento aparecerá uma janela preta de linha de comando,não a feche; ao fechá-la, o programa será encerrado.
Na interface do navegador, cole/insira o texto que deseja sintetizar, escolha o idioma e o timbre (ou envie um áudio de referência para ativar a clonagem de voz) e clique no botão "gerar". Após alguns segundos, você poderá ouvir uma prévia e baixar o arquivo WAV de 48kHz. Nas opções avançadas, é possível ajustar o comprimento de uma única geração para 60 segundos ou até mais.
💡 Dicas de uso:Para obter o melhor efeito de clonagem de voz, recomenda-se usar como áudio de referência uma voz limpa de 5 a 10 segundos (sem música de fundo e sem reverberação). Se for gerar textos longos, primeiro desative a detecção de silêncio nas opções avançadas, depois gere em vários segmentos e, por fim, monte tudo com um software de edição.
| Dimensão de comparação | Magic Sound Factory | Microsoft Azure TTS | OpenAI TTS |
|---|---|---|---|
| Forma de pagamento | Gratuito e de código aberto | ¥50-200/mês | ¥15-100/mês |
| Requisitos de rede | Totalmente offline | Requer conexão à internet | Requer conexão à internet |
| Clonagem de voz | Suporta | Disponível apenas na versão Enterprise | Suporta |
| Especificações de saída | WAV estéreo de 48kHz | 48kHz | 24kHz |
| Requisitos de hardware | Basta CPU, 4GB de memória | Sem requisitos especiais (nuvem) | Sem requisitos especiais (nuvem) |
É totalmente gratuito e não exige registro. Desenvolvido com base na licença open source Apache 2.0, sem recursos limitados ou cobranças ocultas.
A geração padrão leva cerca de 30 segundos por vez. Nas opções avançadas, é possível ajustar para 60 segundos ou até mais, mas para textos longos recomenda-se gerar em segmentos e depois juntá-los, pois a estabilidade é maior.
Sim. Os direitos autorais do áudio gerado pertencem a você, podendo ser usado livremente em vídeos comerciais, anúncios, conteúdos narrados e outros cenários, sem qualquer marca d'água ou restrição.
Windows 10/11, com 4GB de memória já é possível executar, sem necessidade de placa de vídeo dedicada. Na primeira inicialização, será baixado um arquivo de modelo de aproximadamente 728MB, e depois o uso será totalmente offline.
O pacote compactado inclui instruções de uso detalhadas, com interface totalmente em chinês; basta seguir as orientações. Você também pode consultar o tutorial de 3 passos deste artigo; em basicamente 3 minutos você já conseguirá começar a usar.
O problema central que o 魔音工厂 resolve é“o alto custo de dublagem e o processo pesado”. Ele comprime a conversão de texto em fala, a clonagem de voz e a geração multilíngue em uma ferramenta local que não precisa de internet, não precisa de placa de vídeo e não custa dinheiro. É especialmente adequado para criadores de vídeos curtos, operadores de mídia própria, produtores de audiolivros e todos que precisam de grande quantidade de material de voz, mas não querem expor a própria voz. Sugere-se que você primeiro faça a primeira dublagem em 3 minutos e depois tente clonar um ”clone digital” com sua própria voz; esse é o verdadeiro momento em que a eficiência decola.
🎙️ Baixe agora o 魔音工厂 MOSS-TTS-Nano e inicie sua linha de produção local de síntese de voz!