Apresentando o Speak Mode: Tradução de Voz com IA Que Fala por Você nas Reuniões

Existe um momento específico e doloroso que todo falante não nativo em uma reunião multilíngue conhece. A discussão está correndo. As legendas rolam na sua tela. Você entende tudo perfeitamente — o Gaavala vem traduzindo o outro lado há vinte minutos e você acompanha palavra por palavra. Alguém se vira para você e faz uma pergunta direta.

E então a barreira de idioma, que era de mão única, vira um muro.

Você sabe a resposta. Você sabe exatamente o que quer dizer. Você simplesmente não consegue dizê-lo com a mesma velocidade e precisão no idioma de trabalho da reunião. Você hesita, suaviza, simplifica e acaba soando menos informado do que é. Quando você monta uma frase cuidadosa, a conversa já seguiu adiante.

Construímos o Speak Mode para fechar esse ciclo. Com o Speak Mode ativado, você fala no seu idioma nativo e o Gaavala fala a sua voz traduzida dentro da reunião. Os outros participantes ouvem uma voz fluente, em tempo real, entregando a sua resposta no idioma deles. Você deixa de ser a pessoa calada da sala.

Este artigo percorre exatamente o que o Speak Mode faz, o botão único que o conduz e os dois gestos que ele lê, as duas vozes entre as quais você pode escolher — 69 presets de estúdio ou um clone nativo da sua própria voz — e os prós e contras que você deve entender antes de habilitá-lo para uma chamada de alto risco.

O Que o Speak Mode Realmente Faz

O Speak Mode não é uma faixa de dublagem colocada por cima de uma transcrição. É um pipeline de voz ao vivo e bidirecional, que roda ao lado do fluxo de transcrição que o Gaavala já executa.

Quando você o aciona durante uma reunião, o seguinte acontece dentro do seu navegador:

O áudio do seu microfone é capturado pela extensão — separadamente do áudio da aba que o Gaavala já captura para o lado que chega.
Esse áudio de microfone é transmitido diretamente ao Soniox por um WebSocket, para fala para texto. É o mesmo padrão direto para o Soniox que o resto do Gaavala usa — nenhum áudio toca o nosso backend.
Conforme o Soniox emite tokens comprometidos no seu idioma de origem, a extensão os agrupa em frases curtas e envia o texto à etapa de tradução do Gaavala, para o idioma de destino que você configurou.
O texto traduzido é entregue ao motor de TTS que você selecionou, que sintetiza um clipe de voz.
Esse clipe de voz é enviado para a chamada no lugar da sua faixa de microfone de saída, então todo mundo ouve a voz traduzida como se fosse a sua. Não há dispositivo de microfone virtual para instalar nem nada para selecionar nas configurações de áudio do seu aplicativo de reunião — e, enquanto a voz traduzida toca, o seu microfone real fica silenciado, para que a chamada nunca ouça os dois ao mesmo tempo.

Todo o ciclo roda enquanto você ainda está falando. Quando você termina uma frase no seu idioma, a tradução sintetizada já está tocando no deles. Você não espera por um botão "traduzir". Você não faz pausas entre pensamentos maiores do que faria normalmente.

Um Botão Que Lê o Gesto

Reuniões reais não são todas iguais, então o Speak Mode precisa se comportar de um jeito quando você devolve uma resposta de uma linha e de outro quando você conduz alguém por um slide. A maioria das ferramentas resolve isso com um seletor de modo que você precisa definir antes de precisar dele — o que significa que, no momento em que você precisa do outro modo, você está no errado.

O Gaavala não tem seletor de modo. Existe um único botão Speak, e ele lê como você o pressiona.

Segure-o

Segure o botão e você está falando apenas enquanto segura. Solte e o pipeline se fecha de forma limpa. Esse é o gesto de walkie-talkie, e é o gesto seguro: você nunca transmite acidentalmente um comentário paralelo, uma tosse ou um momento de pensar em voz alta. É o instinto certo para uma intervenção rápida, para chamadas de alto risco em que precisão vale mais que fluidez, e para qualquer sala em que o seu microfone possa captar vozes que você não pretendia traduzir.

Segurar também funciona pelo teclado — pressione e mantenha a barra de espaço por cerca de um terço de segundo e o comportamento é exatamente o de segurar o botão.

Toque nele

Toque no botão e ele abre uma janela de 60 segundos sem usar as mãos. Um anel faz a contagem regressiva da janela em minutos e segundos e fica âmbar nos últimos dez, para você sempre saber quanto resta do seu turno sem olhar o relógio. Fale naturalmente; o Gaavala traduz e vocaliza cada frase conforme você avança, e você não toca em nada.

Dois toques rápidos abrem uma janela de 30 segundos — a duração honesta para um ponto curto e preparado. Toque mais uma vez enquanto uma janela está correndo e ela encerra antes; caso contrário, ela termina sozinha no zero.

Por que isso é um controle e não dois

O gesto que você já faz codifica a intenção. Uma pressão curta significa "só isto"; um toque significa "me dê um trecho". Nada precisa ser configurado com antecedência, nada fica no modo errado quando o momento chega, e não há atalho para vincular nem esquecer. A propriedade de segurança de que as pessoas gostavam no push-to-talk — nada sai da sala a menos que você tenha querido — continua exatamente verdadeira ao segurar.

As Vozes: 69 Presets de Estúdio e a Sua Própria

O Speak Mode dá duas formas de escolher a voz que a reunião ouve. As duas falam todos os 60 idiomas que o Gaavala traduz, e as duas permanecem no mesmo caminho direto para o Soniox que o resto do Gaavala usa — sem fornecedor de voz terceiro no circuito.

69 vozes de estúdio Soniox (padrão do Pro)

As vozes de estúdio Soniox são o padrão no Pro e a opção que a maioria das pessoas nunca precisa trocar: 69 presets multilíngues que falam todos os 60 idiomas que o Gaavala traduz, entre idiomas, com chave gerenciada — não há nada para configurar. A síntese vai do navegador direto para o Soniox, usando o mesmo padrão de chave de curta duração das legendas, então o texto traduzido nunca passa pelo backend do Gaavala. A latência é de streaming — a voz começa a tocar assim que o primeiro trecho fica pronto, tipicamente um ou dois segundos depois de uma frase se comprometer.

A sua própria voz (clone nativo)

Grave cerca de 20 segundos da sua própria fala uma única vez, no painel lateral, e o Gaavala cria um clone pessoal da sua voz — com tecnologia Soniox — que fala os mesmos 60 idiomas que uma voz de estúdio falaria, no seu próprio timbre em vez de um preset. A amostra de referência é armazenada criptografada, e você pode apagá-la a qualquer momento pela mesma tela de configurações; o áudio da sua reunião em si nunca é armazenado, nem neste recurso nem em qualquer outro lugar do Gaavala.

As duas opções trocam exatamente uma coisa: familiaridade. Uma voz de estúdio soa polida e neutra desde a primeira sessão. O seu próprio clone leva vinte segundos para ser configurado e depois soa inconfundivelmente como você, sempre — útil se você tem chamadas recorrentes com os mesmos clientes ou colegas e quer que eles ouçam a mesma voz, chamada após chamada.

Como Isso se Compara ao Que Existe por Aí

Tradução de voz em tempo real em reuniões é um recurso "em breve" há anos. Algumas coisas existem, mas nenhuma cobre o mesmo terreno que o Speak Mode cobre.

Interpreter Agent do Microsoft Teams. A Microsoft anunciou um Interpreter Agent para o Teams capaz de traduzir e falar com a voz de um usuário. Ele funciona apenas no Teams. Exige uma licença do Microsoft 365 Copilot — um complemento pago por assento, sobre um plano base elegível — e é controlado por administradores de tenant que tenham habilitado o Copilot para a organização. Se você vive dentro de um parque Teams licenciado com Copilot, é uma opção legítima. Se você trabalha entre Teams, Zoom, Meet e Webex com clientes fora do seu tenant, ele não ajuda.
Voice Mode do ChatGPT. O ChatGPT consegue manter uma conversa por voz com você, e consegue traduzir. O que ele não consegue é sentar dentro da sua chamada do Zoom e falar em seu nome para os outros participantes. É um chatbot de voz pessoal, não um agente de voz para reuniões.
Legendas traduzidas do Google Meet. O Google Meet tem legendas traduzidas em tempo real. Elas são somente texto. Não há saída falada do outro lado.
Interprefy, KUDO e plataformas corporativas de interpretação. São serviços reais de interpretação — na maior parte com intérpretes humanos, às vezes com apoio de IA — precificados e estruturados para grandes conferências e setores regulados. Não são algo que um consultor individual adiciona a uma chamada de vendas um a um.

Até onde conseguimos ver, não existe no mercado uma ferramenta com preço de consumidor que faça tradução de voz genuinamente bidirecional dentro das plataformas de reunião que as pessoas de fato usam. O Speak Mode é a nossa resposta a essa lacuna.

Para Quem É o Speak Mode

O Speak Mode é um recurso do Pro e é precificado para profissionais individuais, não para implantações corporativas. Quem mais tira proveito dele:

Consultores internacionais conduzindo chamadas de projeto com clientes cujo inglês é limitado e que prefeririam ouvir você no próprio idioma a se esforçar no seu.
Líderes de time multilíngues entrando em dailies com times de engenharia offshore, em que metade do time pensa em um idioma e metade em outro.
Representantes de vendas atuando em mercados estrangeiros, onde uma voz de sonoridade fluente no idioma do cliente muda como a chamada soa e como a proposta é recebida.
Pessoas de operações de campo fazendo a ponte entre um site offshore e a matriz, onde o custo de um mal-entendido é operacional, não apenas social.

Se as suas reuniões são totalmente bilíngues em um único par e todo mundo acompanha, você provavelmente não precisa do Speak Mode. Se existe um momento recorrente em que você ou alguém do outro lado fica em silêncio porque a lacuna de idioma é de mão única, este é o recurso que resolve esse momento.

Privacidade: O Que Muda e o Que Não Muda

A arquitetura central de privacidade do Gaavala não muda quando você habilita o Speak Mode. O áudio da reunião que chega continua fluindo diretamente do seu navegador para o Soniox, por um WebSocket que nunca toca o nosso backend. O áudio do seu microfone para o Speak Mode segue o mesmo padrão direto para o Soniox — nós nunca o vemos.

A etapa de TTS segue o mesmo padrão nas duas opções de voz. As vozes de estúdio Soniox enviam o texto traduzido do navegador direto para o Soniox, autenticadas com as mesmas chaves temporárias de curta duração que as legendas usam — o backend do Gaavala nunca vê o texto nem o áudio. A sua própria voz clonada é sintetizada da mesma forma, com uma exceção deliberada e estreita mais acima na cadeia: a amostra de referência de ~20 segundos que você grava para construir o clone é armazenada criptografada (AES-256-GCM) nos servidores do Gaavala, usada apenas para construir e manter a sua voz, e pode ser apagada mediante solicitação a qualquer momento. Nada mais no áudio do Speak Mode — nem a entrada do seu microfone, nem o áudio da reunião, nem a saída sintetizada — é armazenado em algum momento.

O backend do Gaavala permanece fora do caminho do áudio nas duas opções de voz. Se você quiser verificar isso, o mesmo truque de inspeção de rede do nosso artigo sobre privacidade continua funcionando: abra o DevTools da background page da extensão, filtre a aba Network e você verá uma conexão direta com o Soniox — e nenhum tráfego de áudio para gaavala.com.

Como Habilitá-lo

O Speak Mode é um recurso exclusivo do Pro. O teste grátis do Gaavala (5 minutos, uma única vez, sem cartão de crédito, nunca renova) não inclui o Speak Mode, então o fluxo de configuração é mais ou menos assim:

Instale o Gaavala grátis pela Chrome Web Store e entre na sua conta.
Faça upgrade para o Pro pelo painel lateral — $19.99/mês, sem período de teste — faça o upgrade direto quando precisar do Speak Mode.
Abra as configurações no painel lateral e encontre a seção do Speak Mode.
Escolha uma voz. As vozes de estúdio Soniox são o padrão no Pro e não exigem configuração. Se você quer falar com a sua própria voz, escolha "Clone my voice" (Clonar a minha voz) e grave uma amostra de ~20 segundos — o Gaavala cria o seu clone e você pode selecioná-lo instantes depois.
Configure o idioma de destino para a reunião. Não há modo de captura para escolher — o botão Speak lê o seu gesto, então nada precisa ser decidido com antecedência.

Depois, entre em uma reunião. Segure o botão Speak quando quiser dizer uma coisa, ou toque nele para uma janela sem usar as mãos quando tiver um trecho a entregar.

Dicas de Uso no Mundo Real

Algumas notas práticas de quem construiu e usa isso no dia a dia:

Aqueça segurando. A primeira vez que você ouvir a sua voz sintetizada tocando em uma reunião vai parecer estranho. Segure o botão nas suas primeiras chamadas antes de começar a tocar para janelas sem as mãos. A sua percepção de quando pausar, de quão alto falar e de como a voz traduzida chega ao outro lado se calibra rápido — mas só se você estiver no controle de cada rajada.
Clone apenas a sua própria voz. O fluxo de gravação do painel lateral só cria um clone a partir de uma amostra que você grava de si mesmo — não existe caminho para clonar a voz de outra pessoa pelo Speak Mode, e a etapa de consentimento dentro do aplicativo reflete isso.
Avise quando importar. Se a sua reunião tem implicações de conformidade — jurídica, médica, vendas reguladas —, diga ao outro lado que existe uma camada de tradução de voz em tempo real na chamada. É a mesma etiqueta de avisar sobre uma ferramenta de transcrição.
Mantenha o áudio nativo ligado. O Gaavala continua enviando o áudio original da reunião aos seus alto-falantes. Você deve continuar ouvindo e lendo o lado que chega. O Speak Mode é a metade de saída, não um substituto para entender o que está sendo dito a você.

Perguntas Frequentes

A reunião sabe que estou usando? Não diretamente. A voz sintetizada chega ao outro lado pelo mesmo canal de microfone que você usaria, então não há banner nem metadado. O outro lado ouve uma voz muito fluente e pode notar pequenas pausas antes de cada resposta. Recomendamos avisar quando isso importar — veja a nota de etiqueta acima.

Posso usar a minha própria voz clonada? Sim — nativamente, no Pro. Grave uma amostra de ~20 segundos nas configurações do Speak Mode, no painel lateral, e o Gaavala cria um clone com tecnologia Soniox que você pode selecionar como a sua voz do Speak Mode. Sem conta separada nem chave de API.

Qual é a latência? Tanto as vozes de estúdio quanto o seu próprio clone usam o mesmo caminho de síntese em streaming, direto do navegador para o Soniox. Espere que a voz comece a tocar em um ou dois segundos depois de uma frase se comprometer — você não espera a frase inteira ser renderizada antes de a reunião ouvir algo.

E se o meu idioma de destino não for o inglês? As duas opções de voz já falam todos os 60 idiomas que o Gaavala traduz — as vozes de estúdio Soniox e o seu próprio clone funcionam da mesma forma, seja qual for o idioma de destino, de imediato.

Funciona em reuniões do Teams Premium? Sim. O Speak Mode funciona em qualquer reunião que rode em uma aba do Chrome, incluindo Microsoft Teams, Zoom, Google Meet e Webex. Não importa se o organizador da reunião tem Teams Premium ou Copilot. O Speak Mode roda do seu lado da chamada, não na infraestrutura do anfitrião.

Experimente

O Speak Mode está disponível agora para assinantes Pro. Se o Gaavala é novidade para você, comece pelo teste grátis único — 5 minutos de transcrição, sem cartão de crédito — para avaliar primeiro a experiência de tradução do lado que chega. O Speak Mode não está incluído no teste grátis; faça upgrade para o Pro ($19.99/mês, sem período de teste) quando estiver pronto para liberá-lo no lado da saída.

Adicione o Gaavala ao Chrome →

Instale o Gaavala grátis pela Chrome Web Store e depois faça upgrade para o Pro para liberar o Speak Mode.