Converter texto em voz com IA: passo a passo

Você usa isso sem pensar quando o GPS manda virar na próxima rotatória. Texto para voz, ou TTS (do inglês text to speech), é qualquer sistema que lê um texto em voz alta e devolve o som.

As vozes antigas eram feitas colando pedaços de gravação ou calculando o som com regras fixas. Daí o tom monótono e os cortes entre as sílabas: o sistema não entendia a frase, só a soletrava.

As vozes neurais aprendem a falar ouvindo milhares de horas de pessoas reais e geram a onda sonora do zero. O salto foi medido em 2016 com o WaveNet. Nos testes do Google, as pessoas deram nota 4,1 de 5 para as vozes dele, mais de 20% acima das vozes padrão, e a distância até a fala humana caiu mais de 70%. Desde então o modelo decide onde respirar e qual palavra destacar.

Por isso, escolher uma ferramenta hoje não é mais uma questão de “soar humana”, e sim de coisas mais práticas: quanto texto ela aceita, se deixa baixar o MP3, se dá para usar comercialmente e quanto custa cada minuto.

Antes de colar seu texto no primeiro site que aparecer, confira estes seis pontos. Os quatro últimos costumam ser descobertos tarde: quando o vídeo já está editado e você percebe que o áudio não pode ser baixado ou monetizado.

Comparamos por minuto de áudio, com o plano mais barato que dá para contratar em cada serviço. Onde o preço é publicado em caracteres, convertemos para minutos com a nossa média medida de 1.000 caracteres por minuto.

Olhe a última coluna. Em uma assinatura, o que você não gasta no mês costuma se perder. Em um pagamento único, fica com você.

Assim você transforma um texto em áudio MP3 sem instalar nada:

1. 1Entre no gerador. Cole o texto ou envie um documento (.txt, .md, .srt, .pdf, .docx). Um único áudio aceita até 600.000 caracteres, cerca de 10 horas de voz.
2. 2Escolha uma voz entre as mais de 300 da biblioteca, filtrando por idioma, sotaque, gênero ou estilo. Ouça a amostra antes de decidir e, se ficar em dúvida entre duas, gere um parágrafo com cada uma.
3. 3O idioma é detectado automaticamente a partir do texto, em qualquer um dos 7 disponíveis: português, inglês, espanhol, alemão, francês, italiano e russo.
4. 4Ajuste a velocidade (de 0.5× a 2×), a pausa entre as frases (até 800 ms) e o volume. Dá para ouvir como os ajustes ficam antes de gerar.
5. 5Clique em Gerar. Antes, você vê quantos créditos vai custar: 60 créditos a cada 1.000 caracteres (cerca de 60 por minuto de áudio), com um mínimo de 100 por áudio.
6. 6Ouça o resultado e baixe o MP3. Salve no seu computador: o arquivo fica 4 dias no seu histórico.

A voz lê o que está escrito, sinais de pontuação incluídos. A pontuação é a sua forma de dirigi-la, e o que no papel é ambíguo, como uma data ou uma sigla, pode sair de um jeito que você não esperava.

A voz pesa mais no resultado do que qualquer ajuste. Escolha pensando em quem ouve e por quanto tempo: uma voz cheia de energia funciona em um anúncio de 30 segundos e cansa em um audiolivro de seis horas.

Em média, um minuto de áudio tem cerca de 1.000 caracteres com espaços. Mas a voz manda mais que o texto: o mesmo roteiro dura quase 50% mais com a voz mais pausada do que com a mais ágil entre as que medimos.

A Voizum entrega MP3 mono a 96 kbps, que abre em qualquer player ou editor de vídeo. Uma voz ocupa um único canal e, nessa taxa, não se ouve perda na fala. Cada minuto pesa cerca de 0,72 MB; uma hora, cerca de 43 MB.

Se uma plataforma pedir mais, exportar a 192 kbps cumpre o requisito, mas o som continua sendo o do MP3 de partida.

Na Voizum, o áudio que você gera é seu para usar também com fins comerciais: vídeos monetizados, anúncios, cursos ou podcasts, sem citar a ferramenta. Há dois limites: não é permitido usá-lo para se passar por outra pessoa nem para conteúdo ilegal. Também não é permitido clonar a voz de alguém sem a permissão da pessoa.

E o que as plataformas pedem:

• O YouTube não exige avisar que a narração é de IA quando é uma voz em off ou uma dublagem. Mas exige rotular o conteúdo realista que faça parecer que uma pessoa real disse algo que não disse.
• Para monetizar, o YouTube exclui o conteúdo “não autêntico”: vídeos produzidos em massa, repetitivos ou sem contribuição própria. A voz de IA não é o problema; o que deixa um canal de fora é o roteiro copiado ou o modelo repetido mil vezes.
• A Audible, por meio da ACX, exige que os audiolivros sejam narrados por uma pessoa, exceto em seus programas autorizados de voz sintética. Se o seu destino é a Audible, confira isso antes de produzir o livro inteiro.

Para ouvir um texto uma vez, você não precisa de nenhum site. O Microsoft Edge tem uma leitura em voz alta gratuita com vozes naturais, e o sistema operacional traz seu próprio leitor. Eles leem ao vivo, só que não entregam um arquivo.

Se você precisa do MP3, entrando com a sua conta do Google você recebe 600 créditos grátis todo mês, cerca de 10 minutos de áudio, para gerar com qualquer voz da biblioteca. Eles se renovam sozinhos, não acumulam e não pedem cartão.

Se precisa de mais, os créditos são vendidos sem assinatura e não vencem. Os créditos grátis valem para gerar áudios no site; clonar a sua voz, a API e encadear áudios usam créditos comprados.

Os que primeiro se notam ao ouvir:

• Colar o texto sem revisar: quebras de linha estranhas, números de página ou restos de formatação criam pausas onde não deveria ou são lidos em voz alta.
• Escolher a voz pela amostra de 10 segundos, sem testar com um parágrafo real do roteiro.
• Deixar siglas, abreviaturas e datas ambíguas (10/2/2026) como em um documento, em vez de como se falam.
• Frases de quatro linhas: no papel se entendem, no áudio o ouvinte perde o sujeito.
• Gerar um roteiro longo inteiro sem ouvir antes um minuto: se a voz ou a velocidade não combinarem, você paga por tudo.
• Não baixar o MP3: o arquivo é apagado do histórico depois de 4 dias.