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.
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.
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.
Comparações de modelos lado a lado Mostre as capacidades e taxas de dois modelos de voz em conjunto.
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.
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
/v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtimePreço por caracteres de texto
| Modelo | Menor tarifa | Aplica-se a |
|---|---|---|
| TTS 2 Flash Inworld | $15.00$10.50 por 1M de caracteres | Síntese |
| StepAudio 3 TTS StepFun | $0.14 por 10.000 caracteres | Síntese |
| Qwen Audio 3.0 TTS Alibaba Cloud | $0.15 por 10.000 caracteres | Síntese em flash |
| SoulX Podcast Soul AI Lab | $0.015 por 1k caracteres, mínimo 700 caracteres por requisição | Base |
| TTS 1.5 Mini Inworld | $25.00$17.50 por 1M de caracteres | Síntese |
| TTS 2 Inworld | $25.00$22.00 por 1M de caracteres | Síntese |
| TTS 1.5 Max Inworld | $35.00$29.75 por 1M de caracteres | Síntese |
| Qwen Audio 3.1 TTS Plus Alibaba Cloud | $0.60 por 10.000 caracteres | Síntese |
| StepAudio 2.5 TTS StepFun | $0.85 por 10.000 caracteres | Síntese |
| GLM TTS Z.ai | $0.20 por 1k caracteres, mínimo 50 caracteres por solicitação | Rápido (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
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.
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.
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 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.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.