> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # Text to Speech ## Visão geral A API de [Text to Speech (TTS)](/docs/pt/api-reference/text-to-speech/convert) da ElevenLabs transforma texto em áudio natural, com entonação, ritmo e percepção emocional detalhados. [Nossos modelos](/docs/pt/overview/models) 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](https://elevenlabs.io/app/voice-library) para encontrar a voz ideal para seu projeto. > **Warning** > > A Voice Library não está disponível via API para usuários do plano gratuito. #### [Produtos](/docs/pt/eleven-creative/playground/text-to-speech) Guia passo a passo para usar Text to Speech na ElevenLabs. #### [Desenvolvedores](/docs/pt/eleven-api/quickstart) Saiba como integrar Text to Speech ao seu aplicativo. #### [Referência da API](/docs/pt/api-reference/text-to-speech/convert) Referência completa da API para o endpoint de Text to Speech. #### [MCP](/docs/pt/eleven-agents/operate/hosted-mcp) Gere fala a partir do Claude ou de qualquer cliente MCP com o servidor MCP hospedado. #### [Eleven v4](/docs/pt/overview/capabilities/text-to-speech/eleven-v4) O que mudou no Eleven v4, com comparações de clonagem de voz. ### 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. #### [Eleven v4](/docs/pt/overview/models#eleven-v4) Nosso modelo de síntese de fala mais expressivo e de maior qualidade Recursos excepcionais de clonagem de voz Suporte a mais de 90 idiomas Limite de 10.000 caracteres Suporte para diálogo natural com vários locutores #### [Eleven v4 Turbo](/docs/pt/overview/models#eleven-v4-turbo) Nosso modelo de síntese de fala em tempo real mais expressivo Latência ultrabaixa (latência mediana de inferência de \~100ms†) Recursos excepcionais de clonagem de voz Suporte a mais de 90 idiomas Tags de áudio para controle detalhado #### [Eleven v3](/docs/pt/overview/models#eleven-v3) Nosso modelo de síntese de fala expressivo e rico em emoção Interpretação e performance dramáticas Suporte a mais de 70 idiomas Limite de 5.000 caracteres Suporte para diálogo natural com vários locutores #### [Eleven v3 Conversational](/docs/pt/overview/models#eleven-v3-conversational) Nosso modelo expressivo de síntese de fala em tempo real Baixa latência (\~280ms) Interpretação e performance dramáticas Suporte a mais de 70 idiomas Tags de áudio para controle detalhado #### [Eleven Multilingual v2](/docs/pt/overview/models#multilingual-v2) Modelo de síntese de fala realista e com qualidade consistente Resultado com som natural Suporte a 29 idiomas Limite de 10.000 caracteres Maior estabilidade em gerações longas #### [Eleven Flash v2.5](/docs/pt/overview/models#flash-v25) Nosso modelo de síntese de fala rápido e acessível Latência ultrabaixa (\~75ms†) Suporte a 32 idiomas Limite de 40.000 caracteres Modelo mais rápido, preço por caractere 50% menor para gerações pela API [Explorar todos](/docs/pt/overview/models) ### Opções de voz A ElevenLabs oferece milhares de vozes em 32 idiomas por meio de diversos métodos de criação: * [Voice Library](/docs/pt/overview/capabilities/voices) com mais de 3.000 vozes compartilhadas pela comunidade * [Clonagem de voz profissional](/docs/pt/overview/capabilities/voices#cloned) para réplicas de máxima fidelidade * [Clonagem instantânea de voz](/docs/pt/overview/capabilities/voices#cloned) para replicar vozes rapidamente * [Design de voz](/docs/pt/overview/capabilities/voices#voice-design) para gerar vozes personalizadas a partir de descrições em texto Saiba mais sobre nossas [opções de voz](/docs/pt/overview/capabilities/voices). ### 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`](/docs/pt/api-reference/text-to-speech/convert#request.body.audio_effects). Liste as predefinições de filtro, ambientes e ruídos de fundo disponíveis com o [catálogo de efeitos de áudio](/docs/pt/api-reference/audio-effects/get-catalog). Os agentes também podem aplicar um filtro de voz; consulte [Ambiente de áudio](/docs/pt/eleven-agents/customization/voice/audio-environment). No app, adicione efeitos pelo [playground de Text to Speech](/docs/pt/eleven-creative/playground/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 > **Success** > > Opções de áudio de maior qualidade estão disponíveis apenas nos planos pagos — consulte nossa [página de preços](https://elevenlabs.io/pricing/api) 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](https://elevenlabs.io/app/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](/docs/pt/overview/capabilities/text-to-speech/best-practices) para mais detalhes. > **Note** > > 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](/docs/pt/overview/capabilities/voices#cloned) da sua própria voz a partir de clipes curtos de áudio. Para clones de alta fidelidade, confira o recurso de [clonagem de voz profissional](/docs/pt/overview/capabilities/voices#cloned). #### 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](/docs/pt/overview/models) 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](/docs/pt/eleven-api/guides/how-to/best-practices/latency-optimization) para mais detalhes. #### Por que meu resultado às vezes é inconsistente? Os modelos não são determinísticos. Para maior consistência, use o [parâmetro opcional seed](/docs/pt/api-reference/text-to-speech/convert#request.body.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](/docs/pt/api-reference/text-to-speech/convert#request.body.previous_text). ## Informações principais * **Determinismo**: o resultado não é determinístico — use o parâmetro `seed` para resultados mais consistentes * **Efeitos de áudio**: adicione uma predefinição de filtro, distância, reverberação, ruído de fundo ou panorama com `audio_effects` sem 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_v2` ou `eleven_flash_v2_5`) — consulte o [guia de otimização de latência](/docs/pt/eleven-api/guides/how-to/best-practices/latency-optimization) * **Textos longos**: divida textos longos em segmentos; use os parâmetros `previous_text` / `next_text` para manter a prosódia natural entre blocos