Railwail
Iniciar sessão

Conversão de Texto em Fala

Converta texto em fala com som natural, alguns modelos com clonagem de voz.

Disponível
14de 27
Fornecedores
6
Faixa de preço
US$ 0,00030 – US$ 0,0972por execução padrão

Seleções rápidas

14 modelos

  • Qwen3 TTS

    Alibaba (Qwen)

    Novo

    A unified Text-to-Speech demo featuring three powerful modes: Voice, Clone and Design

    text-to-speech

    Modalidades: Texto, Áudio

    US$ 0,024/1.000 caracteres

  • AudioLDM 2

    Haohe Liu

    Latent-diffusion model for general-purpose text-to-audio. Generates speech, music, and sound effects with a unified prior.

    audioldmmusic-generationdiffusion

    Modalidades: Texto, Áudio

    ≈ US$ 0,0157/execução

  • Chatterbox

    Resemble AI

    Resemble AI's open Chatterbox TTS. Zero-shot voice cloning from a short audio prompt with an exaggeration control for emotion intensity, plus CFG weight to balance pacing and fidelity.

    ttsvoice-cloningexpressive

    Modalidades: Texto, Áudio

    US$ 0,030/1.000 caracteres

  • Kokoro TTS 82M

    Community

    Open-weights 82M-parameter TTS. Punches above its size class on naturalness benchmarks at a fraction of the inference cost of larger models.

    kokorottsopen-weights

    Modalidades: Texto, Áudio

    ≈ US$ 0,00030/execução

  • OpenAI TTS-1

    OpenAI

    OpenAI's text-to-speech model. Six built-in voices with natural intonation.

    fastaffordable

    Modalidades: Texto, Áudio

    US$ 0,018/1.000 caracteres

  • OpenAI TTS-1 HD

    OpenAI

    OpenAI's high-definition TTS model. Better quality for production use cases.

    high-quality

    Modalidades: Texto, Áudio

    US$ 0,036/1.000 caracteres

  • OpenVoice v2

    Community

    MyShell OpenVoice v2. Multilingual zero-shot voice cloning with accurate tone-color reproduction and style/emotion control.

    myshellttsvoice-cloning

    Modalidades: Texto, Áudio

    ≈ US$ 0,0673/execução

  • Parler-TTS

    Community

    Hugging Face Parler-TTS Mini. Lightweight TTS conditioned on a natural-language style description for fine-grained control over voice characteristics.

    parlerttsopen-source

    Modalidades: Texto, Áudio

    ≈ US$ 0,0024/execução

  • Riffusion

    Riffusion

    Stable-Diffusion-based real-time music generator. Operates on spectrogram images then resynthesizes audio, enables seamless transitions and looping.

    music-generationopen-weightsspectrogram

    Modalidades: Texto, Áudio

    ≈ US$ 0,0576/execução

  • RVC Voice Conversion

    Community

    Retrieval-based Voice Conversion. Converts a source recording into a target speaker's voice, preserving pitch, prosody and rhythm.

    rvcvoice-conversionvoice-cloning

    Modalidades: Texto, Áudio

    ≈ US$ 0,0505/execução

  • Spark TTS

    Community

    Spark efficient TTS with disentangled control over speaker, content and style. Strong cross-lingual zero-shot performance.

    sparkttsvoice-cloning

    Modalidades: Texto, Áudio

    ≈ US$ 0,0035/execução

  • StyleTTS 2

    Community

    Style-based TTS using diffusion and adversarial training. Human-level naturalness in zero-shot voice synthesis from a 3-5s reference clip.

    stylettsttsvoice-cloning

    Modalidades: Texto, Áudio

    ≈ US$ 0,00040/execução

  • Suno Bark

    Suno

    Suno's text-prompted generative audio model. Speech, music, ambient sound and effects with non-verbal cues like laughter or sighs.

    barkmusic-generationtts

    Modalidades: Texto, Áudio

    ≈ US$ 0,0972/execução

  • Tortoise TTS

    Community

    Multi-voice expressive TTS. Slow but high-quality with strong prosody and natural intonation. Trained for long-form narration use cases.

    tortoisettsexpressive

    Modalidades: Texto, Áudio

    ≈ US$ 0,0816/execução

13 modelos indisponíveis no momento

As páginas permanecem online, mas os modelos não podem ser executados no momento.

Modelos text-to-speech para apps de voz, audiolivros e IVR

Os modelos text-to-speech (TTS) transformam texto escrito em áudio falado de som natural. A categoria cobre desde um voiceover plano de IVR a narração expressiva para audiolivros e agentes conversacionais em tempo real capazes de aguentar uma chamada telefónica. Recorra a um modelo TTS quando precisar de dar voz ao software — para acessibilidade, produção de conteúdo em escala ou IA conversacional.

Preços, compensações e armadilhas

O pricing é normalmente por carácter ou por milhar de caracteres. No Railwail, o OpenAI TTS-1 custa 0,018 USD e o TTS-1 HD 0,036 USD por 1.000 caracteres, o Chatterbox 0,03 USD; vozes open-weights como Kokoro ou OpenVoice v2 são faturadas por tempo de GPU. Um capítulo curto de audiolivro típico (3.000 palavras, cerca de 18.000 caracteres) custa assim cerca de 0,32 USD com o TTS-1 ou 0,65 USD com o TTS-1 HD. Alguns fornecedores cobram ainda pela clonagem de voz — uma taxa única para configurar uma voz personalizada mais a tarifa padrão por carácter na altura da síntese.

O triângulo de compromissos é naturalidade, latência e custo. As vozes flagship são quase indistinguíveis da narração humana, mas têm tipicamente latência ao primeiro byte de 200-600ms, o que dá para síntese em batch mas parece lento em chat em tempo real. O TTS em streaming (Cartesia, OpenAI Realtime, ElevenLabs Turbo) mantém a latência ao primeiro byte abaixo dos 100ms emitindo áudio assim que o primeiro fonema é descodificado. Os tiers económicos correm à velocidade do flagship mas com artefactos robóticos audíveis nas frases longas.

Atenção ao controlo da prosódia: mesmo os melhores modelos por vezes erram na sílaba tónica de um nome próprio, pronunciam mal um acrónimo ou perdem a intenção emocional em frases longas. Use tags SSML (onde suportadas) ou parta passagens longas em pedaços mais curtos com fronteiras de frase explícitas. Para conteúdo multilingue, verifique a pronúncia em cada par de línguas antes de lançar — algumas vozes falam inglês na perfeição e alemão com sotaque pesado.

As top picks acima cobrem a voz com som mais natural, o cavalo de batalha mais barato, o modelo que suporta o input mais longo e a opção de streaming mais rápida.

Tarefas típicas

  • Narração de audiolivros e podcasts
  • IVR e agentes telefónicos
  • Acessibilidade (leitores de ecrã, legendas)
  • Agentes de IA conversacional
  • E-learning e vídeos explainer
  • Voiceover para anúncios e trailers

Guias por caso de uso

Comparações de modelos

Perguntas frequentes

Que modelo TTS soa mais humano?

O ElevenLabs V3 e o Cartesia Sonic lideram hoje os testes A/B cegos de naturalidade, com o OpenAI TTS-HD logo a seguir. A diferença estreita-se em enunciados curtos — abaixo de 30 segundos, mesmo tiers económicos soam muito próximos do humano. A narração longform é onde os flagships destacam.

Qual é o mais barato?

No Railwail, o OpenAI TTS-1 custa 0,018 USD por 1.000 caracteres; modelos open-weights como Kokoro, StyleTTS 2 ou OpenVoice v2 são faturados por tempo de GPU, com o preço de uma execução típica em cada página de modelo. Ordene a grelha de modelos por preço para ver a classificação atual.

Posso clonar uma voz específica?

Sim — a maior parte das plataformas flagship aceita um clip de referência de 30 segundos a 3 minutos e produz uma voz personalizada. As taxas de clonagem variam consoante o fornecedor; a síntese corre depois na tarifa padrão.

O streaming é suportado?

De momento não através do Railwail: o endpoint de voz devolve o ficheiro de áudio pronto. Fornecedores como Cartesia, ElevenLabs e OpenAI (API Realtime) oferecem streaming nas suas próprias APIs; para agentes interativos, use um serviço com streaming.

Que línguas são suportadas?

As plataformas flagship cobrem 30-100 línguas com vozes nativas. O ElevenLabs V3 oferece 70+, o OpenAI TTS cerca de 50. A qualidade varia — inglês, espanhol, alemão, francês e mandarim são universalmente excelentes; línguas de menor cobertura podem soar robóticas ou trazer artefactos de sotaque.

Posso controlar emoção e ênfase?

Os flagships modernos inferem a emoção automaticamente a partir da pontuação e do contexto. Para controlo explícito, use tags SSML (onde suportadas) para ênfase, pausas e velocidade; algumas plataformas aceitam tags de emoção como 'entusiasmado' ou 'calmo' diretamente no prompt.

Que formatos de áudio são entregues?

MP3 e WAV são universais. PCM, Opus e µ-law são comuns em telefonia. As taxas de amostragem vão de 16 kHz (telefonia) até 48 kHz (estúdio). Escolha o formato que corresponde ao seu canal de entrega.

É permitido uso comercial?

Quase sempre sim nos tiers comerciais — o output TTS é tratado como um voiceover pago. As vozes clonadas têm termos mais estritos: tipicamente tem de ser proprietário ou licenciado da voz de origem. Leia o cartão do modelo para os termos por fornecedor antes de lançar em anúncios ou conteúdo pago.

Criar com uma API

Todos os modelos disponíveis através de uma API compatível com OpenAI. Créditos pré-pagos em USD, sem assinatura.

Criar contaDocumentação da API