Clonagem de voz na Gemini API: consentimento em português e armazenamento

A clonagem de voz na Gemini API usa duas gravações do mesmo adulto: uma amostra da voz e outra com a frase obrigatória de consentimento, que pode ser falada em português do Brasil. A API Voices está em beta; depois da verificação, a aplicação pode gerar fala com essa voz. O desenvolvedor escolhe entre manter um perfil no projeto do Google ou guardar uma chave criptografada no próprio sistema. Nenhuma dessas opções dispensa cuidados com dados pessoais.

O que a Gemini API oferece, e o que ela não é

A documentação de replicação de voz descreve o endpoint POST /v1beta/voices, com o tipo replicated. Ele cria uma representação reutilizável das características vocais de uma pessoa, não um novo treinamento público do Gemini. Os modelos de síntese compatíveis documentados são gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts. TTS significa texto convertido em áudio falado.

O Google AI Studio oferece uma experiência no navegador para enviar ou gravar os clipes, conferir a voz e obter seu identificador. Essa interface auxilia o desenvolvimento, mas não é o aplicativo Gemini para consumidores. Tanto o endpoint Voices como a referência da API são classificados como beta, sem equivaler a disponibilidade geral ou a garantia de acesso para qualquer conta.

Quais são as duas gravações necessárias?

• Áudio de referência (source_audio): 10 a 30 segundos de fala natural e limpa da pessoa cuja voz será replicada.
• Áudio de consentimento (consent_audio): a mesma pessoa adulta deve gravar, com clareza, a declaração exata publicada para um dos idiomas aceitos.
• Preparação do áudio: o guia da Gemini API recomenda WAV mono, PCM de 16 bits e taxa de 24 kHz; evitar música, ruído, eco e falas simultâneas. Usar o mesmo microfone e ambiente nos dois registros favorece a verificação.

As gravações são enviadas como dados de áudio na criação da voz. A verificação técnica do consentimento não confirma, por si só, todos os direitos de exploração da voz, a identidade civil do falante ou a legitimidade de cada uso posterior do áudio sintético.

Qual é a frase de consentimento em português?

A tabela oficial de 30 localidades aceita pt-BR. A pessoa deve ler literalmente: Eu sou o proprietário desta voz e autorizo o Google a usá-la para criar um modelo de voz sintética.

Trata-se de uma autorização falada direcionada ao Google para criar o modelo sintético. Não basta o desenvolvedor escrever uma tradução própria, pedir a outra pessoa que leia a frase ou apresentar somente uma caixa de seleção como substituto do consent_audio. Para um produto destinado a terceiros, convém também documentar a finalidade, o alcance da autorização e como o titular pode solicitar a interrupção do uso.

Como a voz passa a ser usada na síntese?

• Identifique um projeto e uma conta habilitada, observe os termos da API e obtenha as credenciais sem colocá-las em páginas públicas.
• Prepare source_audio e consent_audio do mesmo adulto e informe os dois campos em uma solicitação de criação com voice.type igual a replicated.
• Defina store expressamente como true ou false e escolha o modelo compatível para criar a voz.
• Na geração posterior de fala por TTS, passe o ID ou a chave retornada na configuração de voz da solicitação; não é necessário reenviar a gravação de referência em cada síntese.

Este roteiro reproduz documentação, não uma execução da API pela DTech. Os exemplos oficiais utilizam o SDK Google GenAI para Python a partir da versão 2.25.0, o pacote @google/genai para JavaScript a partir da versão 2.24.0, ou chamadas REST. Eles não comprovam que a conta de cada leitor esteja habilitada.

Onde a voz fica armazenada?

Há uma inconsistência nas próprias páginas do Google sobre o valor implícito: o guia de replicação apresenta store=true como padrão, enquanto a referência CreateVoice descreve store=false como padrão. Por isso, não dependa da omissão do parâmetro. Envie sempre store=true ou store=false e confira o tipo de retorno. O prazo de um ano se refere à voz armazenada, contado da última utilização, não à retenção garantida de todo arquivo de áudio de entrada.

Excluir a voz é o mesmo que apagar gravações e registros?

Não. voices.delete permite excluir um perfil de voz armazenado no projeto, mas isso não demonstra eliminação instantânea de gravações de origem, registros operacionais ou cópias mantidas no aplicativo do desenvolvedor. Da mesma forma, store=false evita a persistência do perfil de voz gerenciado pelo Google, mas não é uma promessa absoluta de retenção zero de todos os dados processados.

A política de registros da Gemini API distingue logs de projeto, disponíveis em chamadas compatíveis e em projetos com faturamento, dos registros usados separadamente para prevenção de abusos. Os logs de projeto têm prazo máximo padrão de 55 dias, configurável para 7, 14, 28 ou 55 dias, e conjuntos de dados salvos podem durar mais. O controle de estado da Interactions API também usa um parâmetro store próprio: não confunda esse ajuste com o store de CreateVoice.

Nos serviços pagos, segundo os termos vigentes, o Google não usa comandos e respostas para melhorar seus produtos, mas pode manter registros por período limitado para combater abuso e atender obrigações legais. Nos serviços não pagos, os termos permitem uso de conteúdo enviado para melhoria de produtos e revisão humana, e recomendam não transmitir informações pessoais ou sensíveis. Uma conta vinculada a faturamento ativo altera a classificação do serviço nos termos; não presuma que o uso de voz pessoal seja apropriado na modalidade gratuita.

A replicação funciona no Brasil? E quais cuidados cabem ao desenvolvedor?

O Brasil consta na lista oficial de países com acesso à Gemini API e ao Google AI Studio, e pt-BR consta na lista de frases de consentimento. Isso demonstra cobertura geográfica e linguística geral, não acesso garantido ao recurso beta em toda conta, projeto ou plano brasileiro. A disponibilidade efetiva precisa ser conferida no ambiente autorizado antes de prometer o recurso a usuários.

A LGPD protege dados relacionados a pessoas identificadas ou identificáveis, com proteção especial a dados biométricos vinculados à pessoa. A ANPD também alerta para golpes e fraudes com deepfakes de voz. O consentimento falado exigido pela API é uma etapa técnica, não um atestado automático de conformidade legal. Para uma aplicação real, é necessário definir base legal pertinente, finalidade, segurança, prazos, política de revogação e responsabilidade por eventuais gravações geradas.

• Solicite autorização específica antes de gravar, reutilizar ou publicar uma voz reconhecível e mantenha prova apropriada da autorização.
• Guarde IDs e chaves de voz com controle de acesso; não os exponha em código público nem compartilhe gravações desnecessárias.
• Explique ao usuário quando um áudio foi sintetizado e estabeleça um procedimento para suspender usos, excluir perfis e tratar cópias sob sua responsabilidade.
• Reveja separadamente configurações de voz, registros, interações e termos de uso antes de tratar a solução como pronta para produção.

O que a documentação confirma é o fluxo de criação, consentimento, síntese e gerenciamento no beta. Ela não fornece, por si só, uma medição independente da fidelidade da clonagem, garantia contra imitação indevida nem um prazo único de exclusão para todos os dados da operação.

Fontes e referências

• Google: guia de replicação de voz
• Google: referência da API Voices
• Google: geração de fala TTS
• Google: regiões disponíveis
• Google: termos adicionais da Gemini API
• Google: política de registros e compartilhamento
• Google: retenção de dados na Gemini API
• ANPD: perguntas frequentes sobre dados pessoais
• ANPD: estudo sobre deepfakes