Text to Speech
Saiba como transformar texto em áudio falado realista com a ElevenLabs.
Visão geral
A API de Text to Speech (TTS) da ElevenLabs transforma texto em áudio natural, com entonação, ritmo e percepção emocional detalhados. Nossos modelos se adaptam a pistas textuais em 32 idiomas e a diversos estilos de voz e podem ser usados para:
- Narrar campanhas e anúncios globais
- Produzir audiolivros em vários idiomas com interpretações emocionais complexas
- Transmitir áudio em tempo real a partir de texto
Ouça um exemplo:
Explore nossa Voice Library para encontrar a voz ideal para seu projeto.
Qualidade de voz
Para aplicações em tempo real, o Flash v2.5 oferece latência ultrabaixa de 75 ms, enquanto o Multilingual v2 entrega áudio da mais alta qualidade, com expressão mais detalhada.
Opções de voz
A ElevenLabs oferece milhares de vozes em 32 idiomas por meio de diversos métodos de criação:
- Voice Library com mais de 3.000 vozes compartilhadas pela comunidade
- Clonagem de voz profissional para réplicas de máxima fidelidade
- Clonagem instantânea de voz para replicar vozes rapidamente
- Design de voz para gerar vozes personalizadas a partir de descrições em texto
Saiba mais sobre nossas opções de voz.
Efeitos de áudio
Os efeitos de áudio fazem pós-processamento da fala gerada para que ela pareça ter sido gravada em um local específico, sem precisar editá-la depois. Defina qualquer combinação de:
- Predefinição de filtro: dá uma característica à voz, como uma linha telefônica, um rádio antigo ou um robô.
- Distância: afasta o locutor do microfone.
- Ambiente: coloca a voz em um espaço reverberante, como uma sala pequena ou um salão.
- Ruído de fundo: reproduz em loop uma ambiência, como um café ou digitação no teclado, por baixo da voz.
- Panorama: posiciona a voz entre os canais esquerdo e direito.
Os efeitos estão disponíveis nos endpoints Text to Speech e Text to Dialogue, incluindo solicitações de streaming e com marcações de tempo, pelo parâmetro audio_effects. Liste as predefinições de filtro, ambientes e ruídos de fundo disponíveis com o catálogo de efeitos de áudio. Os agentes também podem aplicar um filtro de voz; consulte Ambiente de áudio. No app, adicione efeitos pelo playground de Text to Speech.
Os efeitos não alteram o custo de uma solicitação. Reverberação e panorama produzem áudio estéreo, portanto não estão disponíveis nos formatos de saída mono pcm_*, ulaw_* e alaw_*.
Formatos de saída compatíveis
O formato de resposta padrão é mp3, mas outros formatos, como pcm e ulaw, estão disponíveis.
- MP3
- Taxas de amostragem: 22,05 kHz - 44,1 kHz
- Taxas de bits: 32 kbps - 192 kbps
- 22,05 kHz a 32 kbps
- 44,1 kHz a 32 kbps, 64 kbps, 96 kbps, 128 kbps, 192 kbps
- PCM (S16LE)
- Taxas de amostragem: 16 kHz - 44,1 kHz
- Taxas de bits: 8 kHz, 16 kHz, 22,05 kHz, 24 kHz, 44,1 kHz, 48 kHz
- Profundidade de 16 bits
- μ-law
- Taxa de amostragem de 8 kHz
- Otimizado para aplicações de telefonia
- A-law
- Taxa de amostragem de 8 kHz
- Otimizado para aplicações de telefonia
- Opus
- Taxa de amostragem: 48 kHz
- Taxas de bits: 32 kbps - 192 kbps
Opções de áudio de maior qualidade estão disponíveis apenas nos planos pagos — consulte nossa página de preços para mais detalhes.
Idiomas compatíveis
Nossos modelos multilíngues v2 oferecem suporte a 29 idiomas:
Inglês (EUA, Reino Unido, Austrália, Canadá), Japonês, Chinês, Alemão, Hindi, Francês (França, Canadá), Coreano, Português (Brasil, Portugal), Italiano, Espanhol (Espanha, México), Indonésio, Holandês, Turco, Filipino, Polonês, Sueco, Búlgaro, Romeno, Árabe (Arábia Saudita, Emirados Árabes Unidos), Tcheco, Grego, Finlandês, Croata, Malaio, Eslovaco, Dinamarquês, Tâmil, Ucraniano e Russo.
O Flash v2.5 oferece suporte a 32 idiomas — todos os idiomas dos modelos v2, além de:
Húngaro, Norueguês e Vietnamita
Basta inserir texto em qualquer um dos idiomas compatíveis e selecionar uma voz correspondente na nossa Voice Library. Para obter resultados mais naturais, escolha uma voz com um sotaque que corresponda ao idioma e à região desejados.
Prompting
Os modelos interpretam o contexto emocional diretamente da entrada de texto. Por exemplo, adicionar texto descritivo como “ela disse animadamente” ou usar pontos de exclamação influenciará a emoção da fala. Configurações de voz como Estabilidade e Similaridade ajudam a controlar a consistência, enquanto a emoção subjacente vem das pistas textuais.
Leia o guia de prompting para mais detalhes.
O texto descritivo será falado pelo modelo e precisará ser cortado ou removido manualmente do áudio, se desejar.
Perguntas frequentes
Posso clonar minha própria voz?
Sim, você pode criar clones instantâneos de voz da sua própria voz a partir de clipes curtos de áudio. Para clones de alta fidelidade, confira o recurso de clonagem de voz profissional.
Sou proprietário do áudio gerado?
Sim. Você mantém a propriedade de qualquer áudio que gerar. No entanto, os direitos de uso comercial estão disponíveis apenas em planos pagos. Com uma assinatura paga, você pode usar o áudio gerado para fins comerciais e monetizar os resultados se tiver os direitos de propriedade intelectual sobre o conteúdo de entrada.
O que se qualifica como uma regeneração gratuita?
Uma regeneração gratuita permite gerar novamente o mesmo conteúdo de Text to Speech sem custo adicional, sujeita às seguintes condições:
- Você pode regenerar cada conteúdo até 2 vezes gratuitamente
- O conteúdo deve ser exatamente igual ao da geração anterior. Qualquer alteração no texto, nas configurações de voz ou em outros parâmetros exigirá uma nova geração paga
As regenerações gratuitas são úteis caso haja uma leve distorção no áudio gerado. De acordo com os benchmarks internos da ElevenLabs, as regenerações resolvem cerca de metade dos problemas de qualidade, e os problemas restantes geralmente são causados por dados de treinamento de baixa qualidade.
Como reduzo a latência em casos de uso em tempo real?
Use os modelos Flash de baixa latência (Flash v2 ou v2.5), otimizados para cenários conversacionais ou interativos quase em tempo real. Consulte nosso guia de otimização de latência para mais detalhes.
Por que meu resultado às vezes é inconsistente?
Os modelos não são determinísticos. Para maior consistência, use o parâmetro opcional seed, embora diferenças sutis ainda possam ocorrer.
Qual é a melhor prática para conversões de textos longos?
Divida textos longos em segmentos e use streaming para reprodução em tempo real e processamento eficiente. Para manter o fluxo natural da prosódia entre blocos, inclua parâmetros de texto anterior/próximo ou ID da solicitação anterior/próxima.
Informações principais
- Determinismo: o resultado não é determinístico — use o parâmetro
seedpara resultados mais consistentes - Efeitos de áudio: adicione uma predefinição de filtro, distância, reverberação, ruído de fundo ou panorama com
audio_effectssem custo adicional - Regenerações gratuitas: até 2 regenerações gratuitas por geração (apenas para o mesmo conteúdo e parâmetros)
- Propriedade: você mantém a propriedade do áudio gerado; o uso comercial exige um plano pago
- Casos de uso de baixa latência: use modelos Flash (
eleven_flash_v2oueleven_flash_v2_5) — consulte o guia de otimização de latência - Textos longos: divida textos longos em segmentos; use os parâmetros
previous_text/next_textpara manter a prosódia natural entre blocos