Em 30 de outubro de 2026, o blog da NVIDIA no Hugging Face apresentou o MonsterHouse, uma instalação de Halloween que transforma a porta de uma garagem em uma criatura falante. O projeto foi assinado por Rick Grandy e Maryam Motamedi e descrito como uma brincadeira de quem queria que as crianças que batem à porta interagissem de um jeito diferente: em vez de um susto, uma conversa com um prédio velho e rabugento.
A solução encontrada foi dar uma boca à porta da garagem e ensiná-la a reclamar.
A premissa é simples e bem-humorada. O MonsterHouse escuta quem chega pedindo doces, responde com a voz de um velho navio pirata mal-humorado e, segundo o relato, amolece quando o visitante lembra das boas maneiras e diz "por favor".
O sistema completo está publicado no blog da NVIDIA no Hugging Face e usa exclusivamente modelos abertos da família Nemotron, além de componentes de fala e animação da própria empresa.
Uma boca de madeira com personalidade
O ponto de partida foi visual. O autor imaginou as tábuas da porta da garagem se abrindo em lábios irregulares, com chamas iluminando a entrada sempre que a criatura abrisse a boca.
O objetivo declarado era fazer o personagem parecer antigo, expressivo e levemente ofendido com a simples existência de visitantes.
Para dar conta disso, a animação facial é feita com o NVIDIA Audio2Face-3D, que converte o áudio da fala em movimento de boca dentro do Unreal Engine 5. Ou seja, a voz sintetizada não é apenas reproduzida por um alto-falante: ela move a boca de madeira projetada na fachada, sincronizando o texto falado com a expressão da criatura.
Como o sistema ouve, pensa e fala
A base de conversação é o NVIDIA Nemotron Voice Agent, que coordena todas as etapas do fluxo em uma única estação de trabalho. O pipeline é dividido em quatro funções principais.
A escuta fica a cargo do Nemotron 3 ASR, na variante de streaming em inglês com 0,6 bilhão de parâmetros, publicada em formato GGUF quantizado. A compreensão e a geração das respostas usam o Nemotron 3.5 Bolt E4B 4GB, um modelo de linguagem aberto e pequeno voltado a agentes conversacionais, ajustado com um adaptador LoRA que entrega a personalidade resmungona do personagem.
A fala é sintetizada pelo NVIDIA Magpie TTS Zeroshot, que gera cada resposta a partir de uma amostra curta de referência da voz do personagem, sem necessidade de treinamento dedicado. Na camada de percepção, o Nemotron 3 Nano Omni descreve as fantasias dos visitantes, enquanto YOLO e ByteTrack contam e acompanham as pessoas que passam pela entrada.
Todo esse conjunto roda em um único computador, equipado com uma NVIDIA RTX PRO 6000 Blackwell Max-Q e uma RTX PRO 4000 Blackwell.
O que o experimento revela sobre agentes de voz
O aspecto mais interessante do MonsterHouse não é o efeito de Halloween em si, mas a demonstração de arquitetura. Um agente de voz completo — captura de áudio, reconhecimento de fala, raciocínio em linguagem natural, síntese de voz e animação facial, cabe em uma workstation local, sem depender de uma pilha de serviços em nuvem.
Isso importa para aplicações que exigem latência baixa, como atendimento presencial, quiosques e instalações interativas.
O uso de um adaptador LoRA para definir o temperamento do personagem também aponta um caminho prático: em vez de treinar um modelo novo para cada cliente ou cenário, basta ajustar um modelo pequeno já disponível. A combinação com um TTS zeroshot, que clona uma voz a partir de poucos segundos de referência, reduz o custo de criação de personagens falantes.
O projeto é uma exploração criativa, não um produto. O próprio post trata o MonsterHouse como uma brincadeira de fim de outubro, publicada com os modelos, o repositório do agente de voz e as instruções técnicas abertas.
Ainda assim, o conjunto de escolhas, modelos abertos, inferência local, hardware Blackwell e integração com motor gráfico, serve como referência para quem pretende montar instalações interativas sem sair do ecossistema da NVIDIA.
Fontes e links
- Hugging Face
- NVIDIA Nemotron Voice Agent
- Nemotron 3.5 Bolt E4B 4GB
- Nemotron Speech Streaming EN 0.6B
