Grave, cantarole ou envie uma linha vocal no navegador, escolha um instrumento e receba uma faixa para baixar. O acesso usa créditos mensais, com cinco créditos por conversão.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
Serviço de áudio com IA que roda no navegador e reconstrói como execução instrumental uma gravação vocal cantada, cantarolada ou enviada. Segundo a descrição publicada, o modelo extrai da voz a melodia, a altura, o ritmo e as nuances e gera uma faixa inteiramente nova com o timbre e a textura do instrumento escolhido, de modo que o resultado segue a linha vocal nota a nota. Nada precisa ser instalado e a primeira conversão pode ser testada sem criar conta.
O conversor integra um conjunto de áudio com IA mais amplo no mesmo domínio: geração musical, escrita de canções e letras, criação de versões, separação de faixas, remoção de vocal, karaokê, efeitos sonoros, masterização e ferramentas de análise. Essa amplitude pesa na avaliação dos planos: um único saldo de créditos é consumido por todas essas ferramentas em vez de ficar reservado à conversão instrumental.
Uma ressalva estrutural merece vir logo no início: as páginas públicas do site se contradizem em dois números que influenciam diretamente a decisão de compra, quantos instrumentos existem e qual o tamanho máximo de envio. As duas contradições estão documentadas adiante e explicam por que vários dados aparecem aqui como faixa entre páginas, e não como valor único.
O comportamento declarado é substituição de timbre, não geração de acompanhamento: cada nota, ritmo e nuance da execução é preservada, e apenas o timbre vocal dá lugar ao de um instrumento. Os modelos são descritos como redes neurais treinadas com milhares de horas de execuções instrumentais reais, capazes de captar a ressonância, o ataque e a queda próprios de cada instrumento.
Os guias por instrumento aprofundam a correspondência expressiva. A página da guitarra descreve a extração de altura como o isolamento do sinal vocal em relação ao ruído de fundo e a identificação de cada nota cantada, incluindo bends, vibrato e glissandos: um deslize vocal vira um slide de guitarra ou um hammer-on, e o vibrato da voz passa a vibrato de corda. Esse modelo é descrito como treinado com gravações profissionais de guitarra de rock, blues, jazz e clássico.
A página inicial, o conversor e as perguntas frequentes anunciam mais de cem modelos de instrumentos e citam violão e guitarra elétrica, piano de cauda, violino, violoncelo, flauta, saxofone, trompete, clarinete, bateria, baixo, ukulele, harpa e sons de sintetizador, com a biblioteca crescendo a cada mês. A página de preços descreve o mesmo produto como acesso a mais de treze modelos de instrumentos com IA. O rodapé publica exatamente treze páginas de instrumentos — piano, guitarra, violino, saxofone, bateria, flauta, violoncelo, trompete, baixo, clarinete, piano elétrico, vibrafone e oboé — e a extensão de navegador associada lista esses mesmos treze.
A gravação é feita pelo microfone do navegador ou arrasta-se um arquivo existente para o conversor. A conversão termina, segundo consta, entre trinta e sessenta segundos na maioria dos trabalhos, com tempo dependente da duração do trecho e da carga dos servidores; trechos abaixo de trinta segundos são os mais rápidos, e outro texto anuncia conversão em lote sem espera entre tarefas. O áudio final é baixado em WAV sem perdas ou MP3 comprimido, e também constam OGG e FLAC como formatos de exportação.
As faixas geradas abrem automaticamente no Estúdio completo ao fim do trabalho, e é ali que ocorre o trabalho multipista. O acesso ao Estúdio está em todos os planos pagos, mas a exportação da mixagem multipista fica de fora do plano de entrada e aparece a partir do nível intermediário. O plano de entrada reúne ainda geração de música e versões com IA, download em alta definição e um assistente que o fornecedor chama de Lumi.
As orientações de gravação são incomumente concretas e constituem o mais próximo de um compromisso de qualidade neste site. Uma gravação nítida de uma só voz, sem ruído de fundo, produz a melhor conversão; convém cantarolar em volume constante e confortável, evitar sussurro e grito, porque nuances extremas reduzem a precisão, e trabalhar em sala silenciosa a cerca de quinze centímetros do microfone. Gravações de telefone e notas de voz são consideradas suficientes para a maioria dos instrumentos, e o envio deve ser de voz seca, sem música de acompanhamento nem reverberação.
Uma gravação é enviada uma só vez e depois convertida quantas vezes se quiser contra instrumentos diferentes. O procedimento documentado consiste em cantarolar cada parte separadamente, converter essas tomadas em faixas de guitarra, piano, baixo e bateria e sobrepô-las até obter um arranjo completo. Como cada conversão custa cinco créditos, o gasto cresce com o número de partes e de testes de timbre, não com a duração da sessão.
O uso documentado com mais detalhe é a escuta comparada em pré-produção: uma faixa vocal de trabalho vira versões de piano, cordas, metais e sintetizador lado a lado, para escolher uma direção antes de fechar o arranjo. Na publicação de vídeo, o argumento é que faixas instrumentais construídas com a própria voz evitam avisos de direitos autorais, reivindicações de identificação de conteúdo e custos de licenciamento.
A produção de podcasts gira em torno de vinhetas, transições entre blocos e camadas de ambiente: algumas melodias cantaroladas viram piano quente ou violão suave. No ensino, o aluno canta ao microfone e ouve de imediato a mesma melodia como violino, flauta ou piano, o que transforma a comparação de timbres em exercício ao vivo. A quem desenvolve jogos e aplicativos sugere-se cantarolar um tema e convertê-lo em instrumentos orquestrais ou sintetizadores, sem contratar quem componha.
O produto se dirige a quem consegue sustentar uma melodia com a voz sem necessariamente tocar um instrumento. O único requisito declarado é saber cantarolar ou cantar; conhecimentos de teoria musical e de produção não são tidos como necessários, e entre os usuários citam-se compositores, criadores de conteúdo e amadores sem formação musical formal. Os grupos nomeados são compositores e autores, criadores do YouTube e do TikTok, produtores musicais, criadores de podcast, docentes de música e desenvolvedores de jogos.
O encaixe é mais fraco em três situações, decorrentes do comportamento documentado. Quem precisa de notas editáveis em vez de áudio finalizado ficará mal servido: a saída é áudio renderizado e não há exportação para MIDI publicada. Quem parte de uma mixagem polifônica completa trabalha contra as orientações de entrada, que pedem uma voz seca e única. E qualquer fluxo que exija fixar por escrito as condições de propriedade esbarra na lacuna de licenciamento descrita nas limitações: uma ficha de diretório de terceiros chega à mesma conclusão e aponta os usos sensíveis a direitos como o caso em que condições de copyright, propriedade e tratamento de dados precisam estar claras de antemão; é uma ficha promocional, não uma verificação independente.
O serviço funciona apenas no navegador. Segundo o fornecedor, ele roda inteiramente em um navegador web em qualquer dispositivo, sem software a instalar nem plugins necessários, e conversor, Estúdio e histórico de criações são páginas web. Nenhum aplicativo de desktop, aplicativo móvel, plugin para estações de áudio ou interface de programação pública está publicado no site.
Uma extensão do Chrome complementar é distribuída na Chrome Web Store sob o nome de editor voicetoinstrument.com. É um lançador, não uma ferramenta de processamento: entrada de menu de contexto sobre qualquer áudio ou vídeo, janela na barra de ferramentas com as páginas de instrumentos e o atalho Alt+Shift+V, no macOS Option+Shift+V, enquanto a conversão continua ocorrendo no site. A ficha informa que ela solicita apenas a permissão contextMenus e que não lê o conteúdo das páginas, não injeta scripts, não rastreia a navegação, não faz requisições de rede em segundo plano nem coleta dados, e que o código-fonte é publicado sob licença MIT. A adoção é pequena — cinquenta e nove usuários e duas avaliações — de modo que a nota de cinco estrelas se apoia em uma amostra muito abaixo do que a tornaria um sinal de qualidade.
Essa mesma ficha revela a tecnologia subjacente: o aplicativo web oferece geração musical baseada em MiniMax e conversão de voz para instrumento da Kits AI. O dado importa para calibrar expectativas, porque os limites de um motor licenciado não coincidem necessariamente com o discurso comercial do site que o integra.
O acesso é baseado em créditos. São publicados três níveis de assinatura, cada um com preço mensal e uma mensalidade efetiva menor na cobrança anual; o seletor anual traz a marcação de quinze por cento de economia. Ao lado das opções mensal e anual há o pagamento por uso.
| Plano | Mensal | Anual (por mês) | Créditos por mês | Itens em destaque |
|---|---|---|---|---|
| Starter | US$ 19,9 | US$ 14,9 | 100 | Estúdio multipista, mais de 13 modelos de instrumentos, geração de música e versões, download HD, assistente Lumi |
| Creator | US$ 49,9 | US$ 39,9 | 350 | Tudo do Starter, mais exportação de mixagem multipista e suporte por e-mail; crédito anunciado 28 % mais barato |
| Pro | US$ 99,9 | US$ 79,9 | 1.000 | Tudo do Creator, mais suporte prioritário e acesso antecipado a novidades; crédito anunciado 50 % mais barato |
Dois detalhes decidem se esses números atendem a uma carga concreta. Os créditos se renovam a cada mês e a assinatura pode ser cancelada a qualquer momento, mas a página de preços nunca informa quanto custa uma conversão: esse número aparece apenas no conversor, onde um trabalho é tarifado em cinco créditos. Nessa base, o plano de entrada cobre cerca de vinte conversões por mês e, como os mesmos créditos abastecem as demais ferramentas, o número real cai assim que mais de uma é usada. Uma ficha de diretório de terceiros apontou a mesma lacuna, observando que o site não explica publicamente o consumo exato de créditos por conversão; havendo relação promocional, serve de indício, não de confirmação.
A Kits AI ocupa posição singular: a ficha da extensão a aponta como o motor de conversão por trás deste produto e ela também pode ser comprada diretamente. Sua página de instrumentos documenta o mesmo percurso — escolher um modelo, enviar áudio ou gravar por microfone, receber faixas instrumentais — e pede explicitamente um arquivo vocal monofônico e nítido. Sua formulação de licença é mais direta que a publicada aqui: desde que o áudio convertido seja seu, os resultados ficam livres de royalties. Lá os planos pagos começam em US$ 14,99 por mês.
O Basic Pitch, do Spotify, responde a outra pergunta. É um conversor de áudio para MIDI gratuito e de código aberto, com detecção de variações de altura, que permite gravar uma frase cantarolada ou soltar a gravação de um instrumento sozinho e baixar o MIDI para corrigir em uma estação de áudio. Onde este produto devolve áudio pronto, o Basic Pitch devolve notas editáveis sem timbre: a escolha adequada quando a melodia ainda precisa de ajustes.
O número de instrumentos aparece como mais de cem na página inicial, no conversor e nas perguntas frequentes, e como mais de treze na página de preços; as treze páginas de instrumentos e os treze citados pela extensão coincidem com o número menor. O limite de envio está igualmente dividido: o conversor aceita WAV, MP3, OGG, WebM e FLAC até cinquenta megabytes, as perguntas frequentes indicam MP3, WAV, FLAC, OGG e M4A até vinte, e algumas ferramentas do mesmo site publicam um teto de dez. Uma ficha de diretório de terceiros chega à mesma conclusão sobre o número de instrumentos. Acrescenta que faltam declarações públicas sobre formatos, duração de entrada e qualidade de áudio, o que já não corresponde às páginas acima: observação anterior, e o diretório avisa que seu conteúdo vem de páginas públicas e pode estar desatualizado. Enquanto as páginas não coincidirem, adotar o número menor de cada par é a hipótese de planejamento mais segura.
As perguntas frequentes respondem afirmativamente ao uso comercial: as faixas geradas a partir de gravações vocais próprias são qualificadas como livres de royalties e utilizáveis em canções, vídeos, podcasts, publicidade e trilhas de cinema sem licença adicional, e a página inicial exibe um selo nesse sentido. Os termos de serviço, de 24 de outubro de 2025, não contêm cessão equivalente: a seção de propriedade intelectual cobre modelos, código, infraestrutura e documentação da plataforma e observa que os usuários mantêm a propriedade de suas próprias implementações, mas nenhuma cláusula atribui direitos sobre o áudio gerado. Para qualquer uso com implicações contratuais, a resposta comercial e o documento vinculante não dizem a mesma coisa.
Os termos estabelecem que todas as compras são definitivas e não reembolsáveis, salvo exigência legal em contrário, que os preços podem mudar mediante aviso e que o acesso pode ser encerrado ou suspenso a critério exclusivo do fornecedor, sem aviso prévio. O serviço é prestado "no estado em que se encontra" e "conforme disponibilidade", sem garantia de exatidão, confiabilidade ou disponibilidade, e as disputas vão para arbitragem vinculante. Com a renovação mensal dos créditos, um saldo não usado não tem via de reembolso.
As perguntas frequentes afirmam que as gravações vocais são processadas nos servidores do fornecedor e apagadas em definitivo ao término da conversão, que o áudio enviado não é armazenado, compartilhado nem reutilizado, e que as faixas geradas permanecem baixáveis por vinte e quatro horas. A política de privacidade, também de 24 de outubro de 2025, não repete nada disso. Ela enumera cinco grupos de dados coletados — informações de conta, detalhes de uso, informações do dispositivo, cookies e dados de pagamento e cobrança — e descreve criptografia e controles de acesso, admitindo que nenhum método de armazenamento é completamente seguro. Não traz prazo de retenção, procedimento de exclusão nem seção sobre direitos dos usuários quanto ao áudio enviado, de modo que o compromisso de exclusão vive em uma resposta de perguntas frequentes, e não no documento vinculante. O compartilhamento é permitido com parceiros de confiança sujeitos a acordos de confidencialidade e por motivos legais ou de segurança.
As orientações de gravação funcionam na prática como limitação: declara-se que nuances vocais extremas reduzem a precisão, e a entrada solicitada é uma voz seca e única, sem música de acompanhamento, reverberação ou ruído de sala. Uma mixagem completa, uma tomada em ambiente ruidoso ou uma execução sussurrada ficam fora daquilo para que o processo documentado está ajustado. Sem exportação para MIDI publicada, corrigir significa regravar e reconverter, e cada tentativa gasta créditos.
As páginas divergem. As superfícies de marketing anunciam mais de cem modelos enquanto a de preços oferece mais de treze, e tanto as treze páginas de instrumentos quanto os treze listados pela extensão coincidem com o número menor. Planeje com os instrumentos que você consegue ver listados.
O conversor aceita WAV, MP3, OGG, WebM e FLAC até cinquenta megabytes; as perguntas frequentes indicam MP3, WAV, FLAC, OGG e M4A até vinte. Manter-se abaixo de vinte em um formato presente nas duas listas evita a divergência.
O conversor mostra cinco créditos por trabalho de voz para instrumento e o saldo restante antes de executá-lo. A página de preços não publica esse número: calcule o orçamento pela tela do conversor, não pelos cartões de planos.
As perguntas frequentes respondem que sim e descrevem resultados livres de royalties para canções, vídeos, podcasts, publicidade e trilhas de cinema sem licença adicional. Os termos de serviço não contêm cláusula que conceda direitos sobre o áudio gerado, então um fluxo que exija condições escritas deve resolver isso antes com o fornecedor.
As perguntas frequentes indicam que as gravações são apagadas em definitivo ao término da conversão e que as faixas seguem disponíveis por vinte e quatro horas. A política de privacidade não publica prazo de retenção, procedimento de exclusão nem seção sobre o ciclo de vida do áudio, de modo que esse compromisso não se reflete no documento vinculante.
Uma sala silenciosa, uma única voz, cerca de quinze centímetros do microfone e volume constante e confortável. Tanto o sussurro quanto o grito são apontados como fatores que reduzem a precisão, e o envio deve ser seco: sem acompanhamento, reverberação ou ruído de sala.
