O que é uma API text-to-speech?

Uma API text-to-speech (TTS) converte texto escrito em áudio falado. Você envia o texto, uma voz e configurações como idioma e velocidade, e a API retorna um arquivo de áudio ou transmite o áudio para que a reprodução possa começar antes que a passagem inteira esteja pronta.

Tipos de modelos

O que uma API text-to-speech faz

Uma API text-to-speech (TTS) lê texto em voz alta em voz sintética. Você envia as palavras para serem faladas e escolhe uma voz, e o modelo retorna áudio em formato como MP3 ou WAV. Dependendo do modelo, você também pode direcionar a entrega em linguagem simples, por exemplo Fale lentamente em um tom quente e calmo, adicione tags em linha para efeitos como risada ou suspiro, escreva um diálogo para dois ou mais alto-falantes ou clone uma voz de uma gravação curta do alto-falante.

A maioria dos modelos também aceita configurações como idioma, velocidade de fala e taxa de amostragem. Alguns adicionam sobreposições de pronúncia para nomes e siglas, ou carimbos de tempo em nível de palavra que você pode usar para legendas e realce.

Como funciona uma solicitação

Para um arquivo finalizado, envie PÓS-/v1/audio/speech com o ID do modelo, o texto em Entrada e a Voz. A resposta mantém uma URL para o arquivo de áudio por padrão. Também pode retornar o áudio como dados base64, ou como os próprios bytes de áudio quando a solicitação Aceitar o cabeçalho pede áudio. Em modelos que oferecem uma lista de vozes, VÁ /v1/voices com o ID do modelo retorna as vozes que você pode usar.

Para uso interativo, modelos que suportam streaming respondem em PÓS-/v1/audio/speech:stream. O áudio chega como Eventos Enviados pelo Servidor enquanto o modelo o sintetiza, para que a reprodução possa começar antes que toda a passagem esteja pronta. Alguns modelos também aceitam texto sobre o voz em tempo real WebSocket e fale enquanto o texto ainda está chegando, por exemplo, enquanto um modelo de linguagem escreve sua resposta.

Para que text-to-speech é usado

  • Agentes de voz e assistentes. Respostas faladas com um pequeno atraso, usando saída de streaming.
  • Narração. Narrações para vídeos, explicações, visitas guiadas por produtos e e-learning.
  • Áudio de formato longo. Audiolivros, artigos lidos em voz alta e diálogos no estilo podcast entre várias vozes.
  • Acessibilidade. Texto e documentos da interface lidos em voz alta para quem prefere ouvir.
  • Localização. O mesmo script em muitos idiomas, em modelos que mantêm uma voz única entre os idiomas.

O que comparar entre modelos de voz

  • Naturalidade. Ouça o mesmo roteiro em cada candidato, incluindo números, nomes e perguntas.
  • Vozes e idiomas. O tamanho da biblioteca de vozes, os idiomas e sotaques, e se você pode clonar uma voz.
  • Latência. Para conversar, verifique o suporte ao streaming e a rapidez com que o primeiro áudio chega.
  • Controle. Instruções de entrega, etiquetas de emoção, velocidade e tom, sobreposições de pronúncia e diálogo com múltiplos alto-falantes.
  • Saída. Formatos de áudio, taxas de amostragem e carimbos de data para legendas.
  • Price. Modelos TTS cobram pela quantidade de texto: por caractere em alguns modelos, e por token em outros, onde o texto de entrada e o áudio gerado têm taxas separadas. Alguns definem um número mínimo de caracteres por requisição. Scripts mais longos custam mais.

Comparações de modelos lado a lado Mostre as capacidades e taxas de dois modelos de voz em conjunto.

Tente chamar um modelo TTS no EmpirioLabs AI

Navegar pelo Modelos de áudio e ouvir vozes no Playground antes de escrever código. Para chamar um modelo, crie uma chave de API no painel e envie texto para https://api.empiriolabs.ai/v1/audio/speech, ou para o endpoint de streaming para reprodução ao vivo. O Referência de fala e o Referência de fala em streaming Descreva cada área.

Pague conforme você utilize, ou escolha um plano com alocações semanais. As tarifas atuais para cada modelo de voz estão no página de preços.

Os modelos no EmpirioLabs AI

17 modelos, do mais barato para o mais caro quando compartilham uma unidade de cobrança. A página de cada modelo traz a tabela de preços completa, os parâmetros e código.

Endpoints

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

Preço por caracteres de texto

ModeloMenor tarifaAplica-se a
TTS 2 Flash Inworld$15.00$10.50 por 1M de caracteresSíntese
StepAudio 3 TTS StepFun$0.14 por 10.000 caracteresSíntese
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 por 10.000 caracteresSíntese em flash
SoulX Podcast Soul AI Lab$0.015 por 1k caracteres, mínimo 700 caracteres por requisiçãoBase
TTS 1.5 Mini Inworld$25.00$17.50 por 1M de caracteresSíntese
TTS 2 Inworld$25.00$22.00 por 1M de caracteresSíntese
TTS 1.5 Max Inworld$35.00$29.75 por 1M de caracteresSíntese
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 por 10.000 caracteresSíntese
StepAudio 2.5 TTS StepFun$0.85 por 10.000 caracteresSíntese
GLM TTS Z.ai$0.20 por 1k caracteres, mínimo 50 caracteres por solicitaçãoRápido (INT8)

Também disponíveis: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next

Perguntas frequentes

Qual é a diferença entre text-to-speech e speech-to-text?

A versão de texto para fala transforma texto escrito em áudio falado. A versão de voz para texto faz o oposto: transcreve áudio falado em texto escrito.

Uma API text-to-speech pode clonar uma voz?

Alguns modelos podem. Você fornece uma gravação curta e limpa da voz e, em alguns modelos, uma gravação do falante dando consentimento, e o modelo fala um texto novo nessa voz.

Como text-to-speech é precificado?

Pela quantidade de texto: por personagem em alguns modelos e por token em outros, então scripts mais longos custam mais. Em EmpirioLabs AI você pode pagar conforme vai ou escolher um plano com diárias semanais.

O que é streaming text-to-speech?

O streaming retorna o áudio em pequenos blocos enquanto o modelo sintetiza, de modo que a reprodução começa antes que a passagem completa esteja pronta. É adequado para agentes de voz e outras conversas ao vivo.

Pronto para usar endpoints melhores?

Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.