Quando 172 pessoas foram solicitadas a separar vozes reais de vozes geradas por IA, acertaram apenas 53,95% das vezes, pouco acima de um cara ou coroa, enquanto os mesmos participantes classificaram rostos corretamente em 65,48% das vezes (Ivory et al., Scientific Reports 2026, no prelo). Clones de pessoas reais enganam os ouvintes até na identidade: a precisão de correspondência caiu de 86,98% para vozes naturais para 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024). Entre 1.212 participantes e três conjuntos de dados de deepfakes amplamente usados, a precisão humana teve média de 73% (Warren et al., ACM CCS 2024), e mesmo assim o clássico vale da estranheza, a queda de conforto quando algo é quase, mas não totalmente humano, mal aparece na fala sintética isolada. Reunimos dados de PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception e duas pesquisas do setor de 2026. Para os parâmetros de testes de escuta por trás da síntese de fala moderna, veja nossas estatísticas de naturalidade e MOS da fala sintética e, para os erros de entonação e acento que ainda denunciam as vozes sintéticas, nossas estatísticas de erros de prosódia em TTS neural.
TL;DR
- Os ouvintes classificaram corretamente vozes reais versus sintéticas em 53,95% das vezes, contra 65,48% para rostos (Ivory et al., Scientific Reports 2026).
- A confiança não acompanhou a precisão nas vozes: AUROC 0,48, em que 0,5 significa nenhuma percepção (Ivory et al., Scientific Reports 2026).
- Clones de voz foram classificados como humanos em 0,70, gravações reais em 0,72 e vozes de IA genéricas em 0,39 (Lavan et al., PLOS One 2025).
- A precisão humana média em três conjuntos de dados de deepfakes foi de 73% para 1.212 participantes (Warren et al., ACM CCS 2024).
- A correspondência de identidade caiu de 86,98% para vozes naturais para 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024).
- Quanto mais humana a voz de TTS, mais agradável ela foi avaliada: r(203) = 0,48; p < 0,001 (Ross, Corley e Lai, Speech Prosody 2024).
- Combinações incompatíveis de rosto e voz foram avaliadas como mais estranhas do que as compatíveis, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011).
- Uma voz humana elevou a simpatia de um personagem virtual para 3,75 contra 2,99 para uma voz robótica (Choi et al., IEEE ISMAR-Adjunct 2023).
- Depois de saber que a locução que ouviram era de IA, 25% dos ouvintes de rádio ficaram mais favoráveis e 20% menos favoráveis (Crowd React Media 2026).
- A familiarização baseada em exemplos elevou a detecção de deepfakes em apenas 3,84% em média (Mai et al., PLOS ONE 2023).
- 67% dos adultos nos EUA, no Reino Unido e na região DACH se preocupam com a clonagem de sua voz (Malwarebytes 2026, pesquisa de fornecedor).
1. Detecção: Com Que Frequência os Ouvintes Distinguem Vozes de IA de Vozes Humanas
A manchete não é que as pessoas falham, e sim que a falha é específica da audição. Os mesmos participantes que superaram o acaso com folga nos rostos acertaram 53,95% nas vozes (IC de 95% = [52,64; 55,27]) em um estudo pré-registrado da Lancaster University que testou os dois sentidos lado a lado (Ivory et al., Scientific Reports, no prelo). Ser bom em identificar rostos falsos não dizia nada sobre ser bom em identificar vozes falsas: os autores não encontraram nenhuma capacidade geral de detecção que valesse para ambos os sentidos.
O formato da tarefa move os números mais do que a habilidade do ouvinte. Quando pesquisadores da UCL tocaram um trecho por vez, 529 ouvintes acertaram 70,35% das vezes, mas quando um trecho genuíno e um deepfake foram ouvidos juntos, o falso foi reconhecido em 85,59% das tentativas (Mai et al., PLOS ONE 2023). A vida real raramente oferece o trecho de comparação. A idade do conjunto de dados também importa: no estudo da University of Florida com 1.212 participantes, a precisão variou de 65% no conjunto Wavefake a 81% no FakeAVCeleb.
| Métrica | Valor | Fonte |
|---|---|---|
| Vozes reais versus sintéticas classificadas corretamente (172 participantes, 40 vozes reais e 40 sintéticas) | 53,95% (IC de 95% = [52,64; 55,27]) | Ivory et al., Scientific Reports 2026 (no prelo) |
| Rostos reais versus gerados por IA classificados corretamente pelos mesmos participantes | 65,48% (IC de 95% = [63,75; 67,21]) | Ivory et al., Scientific Reports 2026 (no prelo) |
| Classificações corretas ao julgar um trecho por vez (n = 529, inglês e mandarim) | 70,35% | Mai et al., PLOS ONE 2023 |
| Deepfake reconhecido quando ouvido junto com um trecho genuíno (tarefa de dois trechos) | 85,59% das tentativas | Mai et al., PLOS ONE 2023 |
| Precisão humana média em três conjuntos de dados de deepfakes (1.212 participantes) | 73% | Warren et al., ACM CCS 2024 |
| Precisão média no conjunto mais difícil (Wavefake) versus o mais fácil (FakeAVCeleb) | 65% versus 81% | Warren et al., ACM CCS 2024 |
| Clones de voz de IA identificados corretamente como IA (amostra do Prolific com 604 participantes em dois estudos) | cerca de 60% | Barrington, Cooper e Farid, Scientific Reports 2025 |
| Sensibilidade do ouvinte (d linha) ao separar vozes de IA genéricas de vozes humanas versus clones de voz de vozes humanas (n = 50) | 2,93 versus 0,13 | Lavan et al., PLOS One 2025 |
Nota de contexto: d linha (d’) é uma pontuação de sensibilidade da teoria de detecção de sinais em que 0 significa que o ouvinte não consegue separar as duas categorias de forma alguma. Os deepfakes de Mai et al. vieram de algoritmos relativamente antigos, como os próprios autores apontam; dados mais recentes disponíveis para a comparação de um trecho versus dois trechos: Mai et al., PLOS ONE 2023.
2. Clones de Voz: Quando a Cópia Passa pela Pessoa
Uma voz de IA genérica ainda soa como um produto. Um clone de uma pessoa específica, não, e é aí que a audição humana desiste. Pesquisadores da Queen Mary University of London construíram seus clones a partir de cerca de 4 minutos de gravações por falante com uma ferramenta comercial de clonagem, e os ouvintes classificaram esses clones como humanos a uma taxa de 0,70, contra 0,72 para as gravações reais (Lavan et al., PLOS One 2025). O veredito dos autores é preciso: os clones soam reais, mas ainda não “hiper-reais”, do modo como rostos de IA podem parecer mais reais do que os reais. O quão pouco áudio um clone precisa hoje é acompanhado em nossas estatísticas de áudio de referência para clonagem de voz zero-shot.
A identidade é o segundo teste, e os clones o passam na maior parte das vezes. Em um estudo da UC Berkeley, os participantes julgaram que uma voz de IA tinha a mesma identidade que sua contraparte real em aproximadamente 80% das vezes (Barrington, Cooper e Farid, arXiv v2, publicado na Scientific Reports 2025). Em um estudo de neuroimagem da University of Zurich que usou frases alemãs de duas palavras (o estímulo do estudo incluía ‘Er fällt’, que em alemão significa ‘Ele cai’), a correspondência de identidade caiu de 86,98% para vozes naturais para 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| Parcela de vozes classificadas como ‘humanas’: clones de voz versus gravações humanas reais versus vozes de IA genéricas (Experimento 2, n = 50 adultos do Reino Unido) | 0,70 versus 0,72 versus 0,39 | Lavan et al., PLOS One 2025 |
| Nota média de realismo: vozes de IA genéricas versus clones de voz versus gravações humanas reais | 47,4 versus 63,0 versus 63,8 | Lavan et al., PLOS One 2025 |
| Clone de IA julgado como tendo a mesma identidade do falante real | aproximadamente 80% das vezes | Barrington, Cooper e Farid, Scientific Reports 2025 |
| Correlação entre a duração do trecho e a precisão dos julgamentos de naturalidade | ρ de Spearman = 0,245 | Barrington, Cooper e Farid, Scientific Reports 2025 |
| Precisão na correspondência de identidade: pares de vozes naturais versus um deepfake pareado com uma voz natural (n = 25) | 86,98% versus 68,94% | Roswandowitz et al., Communications Biology 2024 |
| Tentativas com deepfake: omissões versus falsos alarmes | 28,64% versus 29,86% | Roswandowitz et al., Communications Biology 2024 |
Nota de contexto: a equipe da Queen Mary realizou três experimentos com 50 participantes do Reino Unido cada, com idades de 18 a 65 anos e recrutados no Prolific. No estudo de Zurique, uma omissão significa que um deepfake foi aceito como o falante real, e um falso alarme significa que uma identidade correta foi rejeitada; as taxas quase iguais mostram que os ouvintes estavam chutando nas duas direções, em vez de pender para um lado só.
3. Existe um Vale da Estranheza para Vozes?
O vale da estranheza visual prevê que o conforto despenca pouco antes de um rosto artificial se tornar plenamente humano. Para a fala sintética, a maioria dos dados aponta no sentido oposto: quanto mais próxima do humano, melhor. Em um estudo da Frontiers in Neurorobotics, 95 adultos avaliaram duas vozes sintéticas (IBM Watson e o robô Sophia) e uma voz humana, e uma semelhança humana maior previu menor estranheza para as duas vozes sintéticas. Uma equipe de Edimburgo constatou que a semelhança humana e a agradabilidade estavam positivamente correlacionadas, r(203) = 0,48; p < 0,001, mas nenhuma voz de TTS atingiu 50% de semelhança humana, de modo que o topo da curva, onde ficaria um vale, nunca foi testado (Ross, Corley e Lai, Speech Prosody 2024).
Quando um vale de fato aparece, ele vem do desvio e não da artificialidade. Diel e Lewis encontraram um vale da estranheza vocal causado por vozes distorcidas e patológicas, e concluíram que “as vozes sintéticas escapam dele com sucesso” (Computers in Human Behavior Reports 2024). Para quem escolhe uma voz com um gerador de voz com IA, a regra prática é esta: uma entrega incomum, forçada ou com falhas é mais arriscada do que uma claramente sintética.
| Métrica | Valor | Fonte |
|---|---|---|
| Nota de semelhança humana: voz de TTS mais humana (faixa de tom exagerada) versus gravação humana (205 ouvintes) | 46,1 versus 71,5 | Ross, Corley e Lai, Speech Prosody 2024 |
| Nota de estranheza: a mesma voz de TTS versus gravação humana | 40,4 versus 28,9 | Ross, Corley e Lai, Speech Prosody 2024 |
| Correlação entre semelhança humana e agradabilidade | r(203) = 0,48; p < 0,001 | Ross, Corley e Lai, Speech Prosody 2024 |
| Semelhança humana como preditora da estranheza em duas vozes sintéticas (95 adultos) | β = −0,64 e β = −0,66, p < 0,001 | Kühne, Fischer e Zhou, Frontiers in Neurorobotics 2020 |
| Vozes em um estudo de simpatia versus semelhança humana (25 ouvintes): vozes masculinas em alemão de 5 abordagens de síntese mais um controle humano | 13 | Baird et al., Interspeech 2018 |
| Participantes em dois experimentos que localizaram um vale da estranheza vocal em vozes desviantes | n = 50 e n = 35 | Diel e Lewis, Computers in Human Behavior Reports 2024 |
| Participantes em um estudo com assistente de voz em que a aparência humana aumentou a estranheza | 34 | Zhao, Chen e Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Exposições até o gosto por uma voz humana desconhecida aumentar (frases faladas, 238 estudantes universitários) | 8 | Mavromati, Erdinch e Paterson, preprint no PsyArXiv 2025 |
Nota de contexto: Baird et al. constataram que a simpatia aumentava com a semelhança humana, o oposto do vale da estranheza visual (Interspeech 2018); dados mais recentes disponíveis para essa comparação entre gerações de síntese, e o estudo de Kühne et al. é de 2020. No estudo com assistente de voz, a estranheza vinha da aparência humana, não da voz. O preprint de Mavromati e colegas testou vozes humanas reais: as ouvidas 2 ou 5 vezes agradaram menos do que as nunca ouvidas, um ‘U’ invertido que os autores chamam de vale da estranheza das vozes ‘familiarmente desconhecidas’.
4. Incompatibilidade entre Rosto e Voz: Onde o Vale Realmente Aparece
Se as vozes sozinhas raramente caem no vale, as combinações caem. O teste fundador combinou uma figura robótica ou humana com uma voz compatível ou incompatível, e as duas combinações incompatíveis foram avaliadas como mais estranhas do que as duas compatíveis, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011). A figura humana com voz sintética foi a mais estranha das quatro condições. A lição de design tirada pelos autores continua valendo: combine o realismo humano do rosto com o da voz.
Trabalhos mais novos mostram que a voz costuma dominar a impressão. Em um estudo de realidade virtual, uma voz humana aumentou a simpatia e a segurança percebida de um personagem, enquanto a aparência em si não teve efeito significativo sobre a simpatia (Choi et al., IEEE ISMAR-Adjunct 2023). Com a cabeça robótica Furhat, a configuração de rosto e voz mudou o calor da primeira impressão, mas o efeito deixou de ser significativo depois que os participantes interagiram com o robô (Huang e Moore, Frontiers in Robotics and AI 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| Nota de estranheza: figura humana com voz sintética versus figura humana com voz humana (48 participantes nascidos nos EUA) | M = 0,19 versus M = −1,10 | Mitchell et al., i-Perception 2011 |
| Nota de estranheza: figura robótica com voz humana versus figura robótica com voz sintética | M = −0,10 versus M = −0,60 | Mitchell et al., i-Perception 2011 |
| Combinações incompatíveis versus compatíveis de rosto e voz (teste t pareado) | t(47) = 6,042; p < 0,001 | Mitchell et al., i-Perception 2011 |
| Simpatia de um personagem virtual: voz humana versus voz robótica (21 participantes) | 3,75 versus 2,99 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Semelhança humana percebida (antropomorfismo) de um personagem virtual: voz humana versus voz robótica | 3,18 versus 2,58 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Calor da primeira impressão: configurações de rosto e voz infantil versus adulta versus robótica (52 participantes, 156 amostras) | 3,37 versus 2,60 versus 2,06 | Huang e Moore, Frontiers in Robotics and AI 2024 |
| Efeito da configuração de rosto e voz sobre o calor antes da interação | F(2,147) = 16,75; p < 0,001 | Huang e Moore, Frontiers in Robotics and AI 2024 |
Nota de contexto: no estudo com o Furhat, alguns participantes descreveram a configuração infantil como incompatível (‘um som mais infantil, mas um visual menos infantil’). Um experimento 2x2 com agente virtual de Alimardani et al. (IVA 2024) constatou que uma incompatibilidade entre voz e aparência mudou o antropomorfismo percebido, mas não mudou a frequência com que as pessoas seguiam os conselhos do agente. O estudo de Mitchell et al. é de 2011; dados mais recentes disponíveis para esse desenho exato de rosto e voz.
5. Traços Sociais e o Efeito da Revelação
Os ouvintes não julgam apenas se uma voz é real; eles leem caráter nela, e as vozes sintéticas são lidas de modo diferente. Nos experimentos de traços da Queen Mary, as vozes de IA genéricas foram avaliadas como mais dominantes e ligeiramente mais confiáveis do que as vozes humanas. A equipe de Zurique encontrou o inverso para seus deepfakes, que os participantes avaliaram como “significativamente menos naturais, simpáticos e confiáveis” do que as vozes naturais (Roswandowitz et al., Communications Biology 2024). A qualidade do estímulo decide para que lado os traços caem.
Em um teste cego mais próximo da mídia real, a qualidade deixou de ser o problema e a revelação assumiu o papel principal. Após a revelação, 48% dos ouvintes que haviam escutado a locução humana ficaram mais favoráveis, contra 25% dos que haviam escutado a voz de IA (Crowd React Media AI Voiceover Study 2026). Antes de alguém ser informado de qualquer coisa, as duas vozes tiveram pontuações quase iguais. A entrega monótona é o outro ponto fraco: aproximadamente 68% dos usuários em uma condição sem emoção criticaram o tom de voz de um agente conversacional (Cihodaru-Ștefanache e Podina, Frontiers in Psychology 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Nota de dominância: vozes de IA genéricas versus vozes humanas (n = 50) | 58,1 versus 40,4 (p < 0,001) | Lavan et al., PLOS One 2025 |
| Nota de confiabilidade: vozes de IA genéricas versus vozes humanas | 57,9 versus 53,8 (p = 0,002) | Lavan et al., PLOS One 2025 |
| Apreciação geral do primeiro trecho: locução de IA versus locução humana (1.326 ouvintes de rádio dos EUA de 18 a 45 anos) | 61% versus 60% | Crowd React Media AI Voiceover Study 2026 |
| Locução avaliada como ‘engraçada’: voz humana versus voz de IA (a única diferença significativa) | 33% versus 26% | Crowd React Media AI Voiceover Study 2026 |
| Após a revelação, ouvintes da voz de IA: mais favoráveis versus menos favoráveis | 25% versus 20% | Crowd React Media AI Voiceover Study 2026 |
| Após a revelação, ouvintes da voz humana: mais favoráveis versus menos favoráveis | 48% versus 4% | Crowd React Media AI Voiceover Study 2026 |
| Usuários em uma condição sem emoção que criticaram o tom de voz de um agente conversacional | aproximadamente 68% | Cihodaru-Ștefanache e Podina, Frontiers in Psychology 2025 |
Nota de contexto: a revisão da Frontiers in Psychology chegou, por triagem, a 29 estudos sobre agentes conversacionais incorporados (personagens animados na tela que conversam com os usuários) e avaliou a maioria deles com qualidade metodológica fraca ou moderada. O teste de rádio foi conduzido por uma divisão de pesquisa de mercado do Harker Bos Group e verificou a significância com um teste z de duas proporções a 95% de confiança; os ouvintes só foram informados de qual voz haviam escutado depois de avaliá-la.
6. Treinamento, Confiança e o Cérebro que Escuta
Um treinamento curto quase não ajuda, e os ouvintes não sabem quando estão errados. Para as vozes, o insight metacognitivo medido como AUROC foi de 0,48, logo abaixo dos 0,5 que significam que a confiança não carrega nenhuma informação sobre a precisão, contra 0,59 para rostos no mesmo estudo de Lancaster (veja a seção 1). A familiarização com exemplos de deepfakes mal move a precisão (veja a tabela). Quando os ouvintes estavam em dúvida, constatou a equipe da University of Florida, tendiam a acreditar que o áudio era humano (Warren et al., ACM CCS 2024), que é exatamente o viés em que as fraudes com clonagem de voz se apoiam; veja nossas estatísticas de fraude familiar com clonagem de voz.
O cérebro, porém, registra mais do que o ouvinte relata. Após uma sessão de treinamento de 12 minutos, 30 falantes nativos de mandarim mostraram diferenças neurais entre a fala humana e a de IA em cerca de 55, 210 e 455 milissegundos, mas sua discriminação comportamental não melhorou de forma significativa (Yang et al., eNeuro 2026). No estudo de fMRI de Zurique, o córtex auditivo acompanhou as diferenças acústicas entre vozes deepfake e naturais, enquanto o núcleo accumbens, parte do sistema de recompensa, ficou menos ativo quando um deepfake foi comparado a uma voz natural (Roswandowitz et al., Communications Biology 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| Insight metacognitivo (AUROC) para vozes versus rostos, em que 0,5 significa nenhuma percepção | 0,48 versus 0,59 | Ivory et al., Scientific Reports 2026 (no prelo) |
| Ganho de detecção com a familiarização com exemplos de deepfakes | 3,84% em média | Mai et al., PLOS ONE 2023 |
| Sensibilidade (d linha) para fala humana antes versus depois de uma sessão de treinamento de 12 minutos (30 participantes) | 0,383 versus 0,536 | Yang et al., eNeuro 2026 |
| Sensibilidade (d linha) para clones de IA ajustados (fine-tuned) antes versus depois do mesmo treinamento | 0,266 versus 0,341 | Yang et al., eNeuro 2026 |
| Efeito principal da sessão de treinamento sobre a sensibilidade | F(1,29) = 3,918; p = 0,057 | Yang et al., eNeuro 2026 |
| Latências da diferenciação neural entre fala humana e de IA após o treinamento | cerca de 55 ms, 210 ms e 455 ms | Yang et al., eNeuro 2026 |
| Adultos preocupados com a clonagem de sua voz (1.500 adultos nos EUA, Reino Unido, Áustria, Alemanha e Suíça) | 67% | Malwarebytes AI Scams Report 2026 (pesquisa de fornecedor) |
| Adultos que receberam uma ligação com voz clonada de alguém que conheciam nos últimos 12 meses | 16% | Malwarebytes AI Scams Report 2026 (pesquisa de fornecedor) |
Nota de contexto: AUROC (área sob a curva característica de operação do receptor) mede aqui se a confiança de um ouvinte é maior nas respostas corretas do que nas erradas. As frases do eNeuro vieram de um teste de percepção de fala em mandarim, e as vozes de IA foram feitas com um modelo de clonagem de código aberto. A pesquisa da Malwarebytes foi aplicada online de 1º a 17 de março de 2026 por um consultor de pesquisa independente; é uma pesquisa do próprio fornecedor de segurança, portanto trate-a como contexto, não como uma medição de percepção.
Resumo: Vale da Estranheza em Vozes Sintéticas em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Vozes reais versus sintéticas classificadas corretamente | 53,95% | Ivory et al., Scientific Reports 2026 (no prelo) |
| Precisão humana média em três conjuntos de dados de deepfakes (1.212 participantes) | 73% | Warren et al., ACM CCS 2024 |
| Precisão média no conjunto de deepfakes mais difícil versus o mais fácil | 65% versus 81% | Warren et al., ACM CCS 2024 |
| Detecção de deepfakes: um trecho por vez versus junto com um trecho genuíno | 70,35% versus 85,59% | Mai et al., PLOS ONE 2023 |
| Clone de IA julgado como tendo a mesma identidade do falante real | aproximadamente 80% | Barrington, Cooper e Farid, Scientific Reports 2025 |
| Parcela classificada como ‘humana’: clones de voz versus gravações reais versus vozes de IA genéricas | 0,70 versus 0,72 versus 0,39 | Lavan et al., PLOS One 2025 |
| Correspondência de identidade: vozes naturais versus deepfakes | 86,98% versus 68,94% | Roswandowitz et al., Communications Biology 2024 |
| Correlação entre semelhança humana e agradabilidade em vozes de TTS | r(203) = 0,48; p < 0,001 | Ross, Corley e Lai, Speech Prosody 2024 |
| Semelhança humana: voz de TTS mais humana versus gravação humana | 46,1 versus 71,5 | Ross, Corley e Lai, Speech Prosody 2024 |
| Estranheza: voz de TTS mais humana versus gravação humana | 40,4 versus 28,9 | Ross, Corley e Lai, Speech Prosody 2024 |
| Semelhança humana como preditora da estranheza em duas vozes sintéticas | β = −0,64 e β = −0,66 | Kühne, Fischer e Zhou, Frontiers in Neurorobotics 2020 |
| Combinações incompatíveis versus compatíveis de rosto e voz | t(47) = 6,042; p < 0,001 | Mitchell et al., i-Perception 2011 |
| Estranheza: figura humana com voz sintética versus figura humana com voz humana | M = 0,19 versus M = −1,10 | Mitchell et al., i-Perception 2011 |
| Simpatia de um personagem virtual: voz humana versus voz robótica | 3,75 versus 2,99 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Calor da primeira impressão: configurações infantil versus adulta versus robótica | 3,37 versus 2,60 versus 2,06 | Huang e Moore, Frontiers in Robotics and AI 2024 |
| Apreciação geral: locução de IA versus locução humana | 61% versus 60% | Crowd React Media AI Voiceover Study 2026 |
| Usuários que criticaram o tom de voz de um agente conversacional sem emoção | aproximadamente 68% | Cihodaru-Ștefanache e Podina, Frontiers in Psychology 2025 |
| Efeito de uma sessão de treinamento de 12 minutos sobre a sensibilidade à fala de IA | F(1,29) = 3,918; p = 0,057 | Yang et al., eNeuro 2026 |
Metodologia e Fontes
- Ivory, McGettigan, Nuttall e Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, no prelo, repositório da Lancaster University
- Lavan et al., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper e Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central e arXiv v2
- Mai, Bray, Davies e Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren et al., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF da University of Florida
- Roswandowitz et al., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni e Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley e Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer e Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird et al., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel e Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen e Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley via DOI
- Mavromati, Erdinch e Paterson, “The uncanny valley of familiarly unfamiliar voices”, preprint no PsyArXiv 2025, OSF
- Mitchell et al., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao e Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang e Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
- Alimardani, de Roode, Vaitonyte e Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM via DOI
- Cihodaru-Ștefanache e Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
- Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, também noticiado pela Radio Ink
- Malwarebytes, AI Scams Report 2026 (pesquisa de fornecedor com 1.500 adultos), Malwarebytes
- Nota sobre os dados: o estudo de Lancaster sobre rosto e voz é citado a partir da versão aceita no repositório da universidade, portanto os valores podem mudar levemente na versão final do periódico. O estudo de clones da UC Berkeley imprime seus percentuais principais como imagens na versão do periódico, de modo que os valores de aproximadamente 80% e cerca de 60% foram tirados do texto do arXiv v2, que coincide com o resumo publicado. A linha de base da Queen Mary variou entre experimentos (os ouvintes classificaram 81% das vozes humanas como ‘humanas’ no Experimento 1a, 62% no Experimento 1b e 72% no Experimento 2), portanto clones e vozes humanas devem ser comparados dentro de um mesmo experimento, nunca entre experimentos. Os dois valores de 73% dos estudos da UCL (2023) e da University of Florida (2024) medem tarefas e conjuntos de dados diferentes e não são uma replicação um do outro. O teste cego de rádio não encontrou diferença estatisticamente significativa na frequência com que as duas vozes foram identificadas, e suas parcelas exatas de identificação aparecem apenas em um gráfico. Nenhum teste publicado aqui chegou a vozes de TTS avaliadas como quase totalmente humanas, então o topo da curva do vale da estranheza vocal continua não testado. As pontuações de naturalidade de referência (MOS e CMOS) ficam deliberadamente para o nosso levantamento de MOS.
Última atualização: 8 de novembro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a versão final do estudo de detecção de rosto e voz de Lancaster for publicada na Scientific Reports.