Voz sintética IA (texto para fala, TTS)

O que é voz sintética e o que quer dizer TTS?

Em uma frase. Voz sintética é a fala produzida por um modelo de IA, sem uma pessoa gravando aquele trecho.

TTS vem do inglês text-to-speech, "texto para fala". O sistema recebe um texto e produz uma representação acústica, que depois é convertida em áudio.

Na prática, o termo cobre três usos diferentes:

• Síntese de fala a partir de texto: você escreve e a ferramenta lê em voz alta. Serve para narração.
• Conversa e tradução em tempo real: o modelo ouve e responde por voz durante a conversa.
• Dublagem: a ferramenta pega um áudio ou vídeo e gera a fala em outro idioma.

Para quem quer mais. As empresas ainda não publicam detalhes técnicos suficientes para explicar a arquitetura de cada modelo. Também faltam detalhes públicos sobre o treinamento e o funcionamento da marca d'água. A ElevenLabs mantém uma página de documentação sobre clonagem de voz. Ela traz guias de clonagem instantânea e profissional e uma seção sobre proveniência do conteúdo.

Quais ferramentas de voz sintética IA existem e quanto custam?

Em uma frase. ElevenLabs, Google e OpenAI vendem voz sintética. Cada empresa cobra numa unidade diferente, por isso os preços não se comparam diretamente.

Os preços de API por milhão de tokens mudam com frequência: veja a comparação de preços de API.

Token é o pedaço de texto ou de áudio que o modelo processa. As empresas não publicam uma conversão oficial de caracteres ou tokens para minuto de áudio, então não fazemos essa conta. A única referência em minutos é a da ElevenLabs para o plano gratuito. Os planos pagos da ElevenLabs começam em US$ 6 por mês, com 30.000 créditos, segundo a página oficial.

O que cada empresa diz de si. Os pontos abaixo são descrições das próprias empresas, não testes independentes.

• Segundo o Google, o Gemini 3.8 Flash TTS gera fala de um ou vários locutores e aceita orientação de estilo linha a linha.
• Segundo a ElevenLabs, o Dubbing v2 faz dublagem de ponta a ponta preservando voz e emoção.
• Segundo a OpenAI, seus modelos Realtime servem para interação de voz em tempo real.

Não encontramos medição pública e comparável de naturalidade, latência ou pronúncia entre as três.

Atenção ao nome Gemini 3.8. As listas de modelos de texto do Google trazem a família Gemini 4 (Argon, Carbon e Hydrogen). O Gemini 3.8 Flash TTS é um modelo específico de fala, listado à parte na página de preços do Google Cloud. Os modelos Gemini TTS estão em Preview. O preço mostrado vale até 31 de dezembro de 2026. O Google informa aumentos programados para alguns modelos a partir de 1º de janeiro de 2027, mas não encontramos fonte oficial atual com o valor novo.

Outros usos com preço publicado:

• Dublagem. A ElevenLabs Dubbing começa em US$ 2,20 por minuto do áudio de origem (13/11/2026). A página de preços da API também lista US$ 0,33 por minuto para dublagem automática com marca d'água e US$ 0,50 por minuto sem marca d'água.
• Música. O Eleven Music custa US$ 0,15 por minuto na API (14/11/2026).
• Tradução por voz. A OpenAI cobra US$ 0,034 por minuto pelo GPT-Realtime-Translate, segundo anúncio de 7 de maio de 2026.

Não encontramos fonte oficial atual de um modelo de voz com pesos abertos (open weights) ou que rode no seu computador.

Quais são as confusões comuns sobre voz sintética?

Narração não é conversa. Um TTS de narração lê um texto pronto. Um modelo Realtime, como o gpt-realtime-2.1 da OpenAI, foi feito para conversar por voz enquanto você fala. São categorias diferentes, e comparar as duas pelo preço é desigual. Não encontramos fonte oficial atual de um modelo da OpenAI voltado só à narração.

Voz sintética não é o mesmo que clonagem de voz. A voz sintética pode usar uma voz pronta da ferramenta. A clonagem recria a voz de uma pessoa específica. Só use a voz de alguém com o consentimento dessa pessoa.

Preço de lista não é custo final. As unidades mudam de uma empresa para outra: caracteres, tokens ou minutos. Vários modelos estão em Preview, e os preços podem mudar. Confira a página oficial antes de contratar.

Gerar o áudio não garante o direito de usar. Não encontramos fonte oficial atual de órgãos dos EUA sobre voz sintética, como o U.S. Copyright Office, a FTC, a FCC ou as legislaturas estaduais do país. Por isso, não dá para resumir aqui as regras de copyright, de consentimento ou de aviso obrigatório. Para uso comercial em música, podcast ou dublagem, leia os termos de uso da ferramenta e procure um advogado.