Modelos de fala e voz

O que observar

As perguntas que separam as opções, em ordem de importância.

1. 01

   Fala para texto: taxa de erro de palavras em um conjunto de teste declarado

   A taxa de erro de palavras (WER) é a parcela de palavras que um modelo erra, então quanto menor, melhor, mas ela só significa algo com o conjunto de teste identificado. O AA-WER v2 da Artificial Analysis faz a média de cerca de 8 horas de áudio: conversas no estilo de agentes (50%), discursos do Parlamento Europeu (25%) e teleconferências de resultados (25%), com transcrições de referência revisadas. Em outubro de 2026, os líderes ficam em torno de 2%, enquanto o Whisper large-v3-turbo marca 4,6%. As alegações de WER dos fornecedores com os próprios dados não são comparáveis; teste com áudio parecido com o seu, com os seus sotaques, jargões e ruídos.

2. 02

   Fala para texto: velocidade, streaming e recursos

   A transcrição em lote é avaliada pelo fator de velocidade, segundos de áudio por segundo de processamento; o Deepgram Nova-3 roda a mais de 600 vezes o tempo real, o Scribe v2 a cerca de 63. Legendas ao vivo e agentes de voz precisam de um modelo de streaming de verdade com baixa latência, que muitas vezes é um modelo e um preço separados (Scribe v2 Realtime, Gemini 3.5 Transcribe Live, gpt-live-transcribe). Depois, verifique diarização (quem falou), timestamps por palavra, vocabulário personalizado e detecção de idioma, e observe que alguns recursos não podem ser combinados em uma mesma requisição.

3. 03

   Texto para fala: qualidade por votação cega, lida com cuidado

   A Speech Arena da Artificial Analysis ordena as vozes por Elo a partir das preferências dos ouvintes, com cada modelo usando as próprias vozes integradas; um ranking separado usa vozes controladas. O Eleven v4 e o v4 Turbo lideram perto de 1330, com o Cartesia Sonic 3.6 e o Gemini 3.8 Flash TTS logo atrás. Ela também informa caracteres por segundo e uma nota de robustez de pronúncia para nomes, códigos, números e datas, que importa mais do que o Elo para linhas de atendimento e agentes. Os votos da arena favorecem clipes curtos e agradáveis; teste você mesmo a narração longa.

4. 04

   Texto para fala: tempo até o primeiro áudio para agentes

   Para agentes de voz, o que conta é a rapidez com que o primeiro som chega depois que o texto é enviado, não o tempo total de geração. Os fornecedores citam os próprios números (a ElevenLabs informa cerca de 150 ms até a primeira fala no v4 Turbo), medidos nas próprias redes; teste a partir da sua região por um WebSocket de streaming. Procure snapshots de modelo fixos, como a Cartesia oferece, para que uma voz não mude sem você saber.

5. 05

   Clonagem de voz e salvaguardas de consentimento

   Clonar uma voz a partir de uma amostra curta agora é comum, então verifique o que o provedor faz para evitar uso indevido: verificação de consentimento, marca d'água (o SynthID do Google, a marca d'água Perth da Resemble no Chatterbox) e limites regionais (a replicação de voz do Gemini não está disponível no EEE e no Reino Unido). Os modelos abertos geralmente dependem da conduta do usuário; o Chatterbox não tem verificação de consentimento. Se você clonar pessoas reais, obtenha consentimento por escrito, seja qual for a ferramenta.

6. 06

   Idiomas, e quão bem cada um é coberto

   Uma longa lista de idiomas não é o mesmo que boa qualidade em cada idioma. O Parakeet v3 cobre 25 idiomas europeus e nada mais; o Whisper aceita 99, mas o seu model card afirma resultados fortes em apenas cerca de 10. Confira os resultados por idioma no model card ou teste os seus idiomas-alvo, especialmente para alternância de idiomas, como o Hinglish.

7. 07

   Unidades de preço e pesos abertos

   Fala para texto é cobrada por minuto ou hora de áudio, texto para fala por caractere ou por token de áudio, o que dificulta a comparação; a Artificial Analysis normaliza STT para dólares a cada 1.000 minutos e TTS para dólares por 1M de caracteres. Fique atento a aumentos programados (o Gemini 3.8 Flash TTS dobra de preço em janeiro de 2027) e a tarifas de streaming separadas. Pesos abertos (Whisper MIT, Parakeet CC BY 4.0, Kokoro Apache 2.0, Chatterbox MIT) são os mais baratos em volume e mantêm o áudio nos seus servidores, com alguma perda de precisão ou naturalidade.

19 ferramentas comparadas

Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.

Ferramentas de Modelos de fala e voz comparadas

Ferramenta	Nota	Nosso veredito	Ideal para	Preço
Eleven v4 and v4 Turbomodelo	4.7/5	Nada nos rankings públicos soa melhor, mas o Gemini 3.8 Flash TTS do Google fica a menos de 60 pontos Elo por cerca de um quinto do preço do v4.	Produtores de audiolivros, jogos e dublagem que precisam das vozes mais expressivas, e equipes de agentes de voz que querem qualidade de topo do ranking pela tarifa menor do Turbo.	API: v4 US$ 0,08 e v4 Turbo US$ 0,04 por 1.000 caracteres. Assinaturas do Starter a US$ 6/mês ao Business a US$ 990/mês incluem cotas de caracteres.
Gemini 3.8 Flash TTSmodelo	4.5/5	Quinto em votações às cegas por menos da metade do preço do Eleven v4 Turbo, o Gemini 3.8 Flash TTS é uma pechincha com data de validade: 1º de janeiro.	Desenvolvedores que produzem narração longa ou dublagem multilíngue, querem qualidade quase de ponta e conseguem absorver o aumento de preço de janeiro.	Flash TTS: $0,50 por 1M de tokens de texto de entrada, $9 por 1M de tokens de áudio de saída (cerca de $0,81 por hora de áudio) até 31 de dezembro de 2026, dobrando em 1º de janeiro de 2027. Flash-Lite: $6 por 1M de tokens de áudio de saída. Batch pela metade do preço; nível gratuito no AI Studio.
Cartesia Sonic 3.6modelo	4.4/5	O Sonic 3.6 fechou boa parte da distância para o ElevenLabs em uma única versão e custa menos por caractere que o Eleven v4, mas treina com o conteúdo dos clientes a menos que você peça exclusão.	Equipes que constroem agentes de voz em produção e querem vozes estáveis e versionadas a um preço moderado.	Plano Free com 20K créditos/mês (sem licença comercial); Pro $5 (100K), Startup $49 (1.25M), Scale $299 (8M); excedente de $38 a $65 por 1M de créditos. Um crédito é um caractere, cerca de 750 a 800 por minuto de áudio.
ElevenLabs Scribe v2modelo	4.4/5	O Scribe v2 transcreve com precisão e faz por você o trabalho de redação de dados e de falantes, mas a Microsoft agora vende precisão melhor por menos da metade do preço.	Produtos de reuniões, mídia e saúde que precisam de identificação de falantes e redação de dados, além de uma transcrição precisa.	API: Scribe v2 e v2 Medical US$ 0,22 por hora de áudio; Scribe v2 Realtime US$ 0,39 por hora; keyterm prompting acrescenta US$ 0,05 por hora. Planos a partir de US$ 6/mês incluem horas.
AssemblyAIferramenta	4.4/5	A AssemblyAI é barata, precisa e fácil de contratar, mas leia antes os termos de dados: contas gratuitas ajudam a treinar os modelos dela e não podem recusar.	Desenvolvedores que adicionam transcrição ou legendas ao vivo a um app e querem preços baixos publicados, um BAA gratuito e uma opção na UE.	Áudio gravado: Universal-3.5 Pro US$ 0,21/h, Universal-2 US$ 0,15/h. Streaming: Universal-3.6 Pro Realtime US$ 0,45/h, Universal-Streaming US$ 0,15/h. Voice Agent API US$ 4,50/h. Complementos a partir de US$ 0,01/h; Medical Mode +US$ 0,15/h. US$ 50 de crédito gratuito.
Retell AIferramenta	4.4/5	O Retell é a plataforma de agentes telefônicos com a conta mais clara e menos obstáculos de conformidade, desde que você aceite construir o agente por conta própria.	Desenvolvedores e equipes de operações que constroem os próprios agentes telefônicos receptivos ou ativos e querem custos previsíveis por minuto e um BAA grátis.	Pagamento por uso de US$ 0,07 a US$ 0,31 por minuto de voz (US$ 0,055 de infraestrutura de voz mais voz e LLM); US$ 10 de crédito grátis; 20 chamadas simultâneas grátis, depois US$ 8 por chamada ao mês; números de telefone US$ 2/mês. Enterprise sob consulta.
Vapiferramenta	4.3/5	A Vapi dá aos desenvolvedores a maior liberdade para combinar provedores de voz, e cobra por isso assim que seu agente lida com algo sensível.	Desenvolvedores que integram agentes de voz ao próprio produto e querem escolher e trocar cada provedor de fala, modelo e voz.	$0.05/min de hospedagem mais custos dos provedores a preço de custo; $5 de crédito gratuito. Core $29/mês (10 chamadas simultâneas, retenção de 30 dias); Pro com taxa de hospedagem de 10% e mínimo de $999/mês; Premier sob consulta. Complemento HIPAA $2.000/mês; concorrência extra $10/linha/mês.
Gemini 3.5 Transcribemodelo	4.2/5	Preciso e barato o bastante para a maior parte das transcrições, mas já não é a compra óbvia em nenhum dos dois quesitos.	Equipes que já usam a Gemini API e querem transcrição de arquivos e em streaming de um só fornecedor, a cerca de meio centavo por minuto.	Transcribe cerca de $0,005 por minuto ($2 de entrada / $12 de saída por 1M de tokens); Transcribe Live cerca de $0,009 por minuto ($3,50 / $21). Nível gratuito no AI Studio e na API.
Parakeet TDT 0.6B v3modelo	4.1/5	O Parakeet v3 é o recorde de velocidade em transcrição, com acurácia de nível Whisper e uma fronteira rígida em torno da Europa.	Desenvolvedores que transcrevem grandes volumes de áudio em idiomas europeus e valorizam velocidade e baixo custo.	Gratuito sob CC BY 4.0. A versão hospedada da Together AI custa US$ 0,0015 por minuto (US$ 1,50 por 1.000 minutos).
pyannote speaker-diarization-community-1modelo	4.1/5	Continua sendo o padrão aberto para distinguir locutores, e um avanço claro em relação ao 3.1, mas o modelo pago dos próprios criadores comete cerca de um terço menos erros em áudio difícil.	Engenheiros que constroem transcrição auto-hospedada de reuniões, ligações ou podcasts e precisam de rótulos de locutor sob uma licença permissiva.	Gratuito sob CC BY 4.0. Hospedado na pyannoteAI a € 0,035 por hora de áudio; o modelo pago Precision-3 custa € 0,112 por hora (Developer, € 19/mês) ou € 0,096 (Starter, € 99/mês).
Deepgram Nova-3modelo	4.0/5	O Nova-3 é rápido e barato o bastante para áudio de chamadas ao vivo, mas em um teste neutro comete mais que o dobro dos erros dos líderes em precisão.	Equipes de contact center e de legendagem ao vivo que precisam de transcrição rápida e de alta concorrência de áudio telefônico, inclusive nos próprios servidores.	Áudio gravado US$ 0,0043/min (monolíngue) ou US$ 0,0052/min (multilíngue) no pay-as-you-go; streaming US$ 0,0048/min em promoção, US$ 0,0077 no preço normal. O plano Growth, a partir de US$ 4.000/ano, é mais barato. US$ 200 de crédito gratuito.
OmniVoicemodelo	4.0/5	O OmniVoice é o modelo aberto de TTS a escolher quando o idioma não está na lista de mais ninguém, desde que o seu advogado leia a licença do tokenizer.	Desenvolvedores que precisam de fala aberta e hospedada por conta própria em idiomas que os líderes comerciais e abertos não cobrem.	Pesos gratuitos; código sob Apache 2.0, tokenizer de áudio sob a Boson Higgs Audio 2 Community License (licença ampliada necessária acima de 100.000 usuários ativos anuais).
Maya 2 Nativemodelo	4.0/5	Para agentes de voz em idiomas indianos, o Maya 2 Native é o modelo aberto por onde começar: perto dos líderes pagos em hindi e barato de rodar em escala, com pontuações automáticas fazendo as vezes de prova em todo o resto.	Desenvolvedores que constroem agentes de voz, URAs ou narração em idiomas indianos e querem auto-hospedar sob uma licença permissiva.	Gratuito sob Apache 2.0 (codec Mimi CC BY 4.0); auto-hospedado nas suas próprias GPUs. Nenhum preço hospedado próprio publicado.
KKokoro-82Mmodelo	3.9/5	Nada tão pequeno soa tão bem, mas ele não recebe atualizações desde agosto de 2025, então trate-o como software pronto, e não como um projeto que vai melhorar.	Desenvolvedores que precisam de fala barata e com licença permissiva para narração, acessibilidade ou protótipos.	Gratuito sob Apache 2.0. Hospedado a US$ 0,65 por milhão de caracteres na Replicate (via Artificial Analysis), o mais barato do seu leaderboard, e a US$ 0,99 na DeepInfra.
GPT Transcribemodelo	3.9/5	Uma atualização sensata para quem usa a OpenAI, embora a descontinuação que a acompanha leve embora a identificação de falantes e os timestamps que este modelo não devolve.	Equipes na API da OpenAI que precisam deixar o Whisper ou o GPT-4o Transcribe antes de fevereiro de 2027 e não precisam de identificação de falantes nem de timestamps.	$0,0045 por minuto de áudio ($4,50 por 1.000 minutos); sem suporte a Batch. O gpt-live-transcribe, em streaming, custa $0,017 por minuto.
MOSS-Transcribe-Diarize 0.9Bmodelo	3.9/5	O MOSS-Transcribe-Diarize troca um pipeline de reuniões de dois modelos por um único modelo pequeno, e suas vitórias em benchmarks são principalmente em mandarim.	Equipes que transcrevem gravações longas com vários falantes nas próprias GPUs, especialmente em chinês, e querem rótulos de falante sem um modelo de diarização separado.	Gratuito sob Apache 2.0. O modelo Pro maior é oferecido pelo playground online da MOSI; o preço da API não é publicado.
Breeze TTS 2modelo	3.8/5	O Breeze TTS 2 soa como um modelo de voz de ponta, mas sua licença o torna uma demo que você roda em casa, não um substituto do ElevenLabs que você pode colocar em produção.	Pesquisadores, amadores e equipes avaliando a qualidade de voz aberta que vão continuar no uso não comercial ou comprar o plano hospedado da BreezeBlue para produção.	Pesos gratuitos apenas para pesquisa e uso não comercial. Planos hospedados: Free (400 créditos diários, 10 caracteres cada), Starter $9/mês, Creator $19/mês, Pro $99/mês, Scale $299/mês, Business $999/mês; cerca de $30 por milhão de caracteres, ou uns $25 com cobrança anual. Enterprise sob cotação.
Whisper large-v3-turbomodelo	3.7/5	O Whisper turbo agora é a referência barata e sem restrições com que os modelos de fala mais novos são comparados, não o modelo que vence.	Equipes que precisam de transcrição barata e com licença permissiva, que possam hospedar por conta própria ou comprar por centavos a hora, e que aceitam precisão de segunda linha.	Grátis sob a licença MIT. As versões hospedadas são baratas: o Artificial Analysis lista o Groq a cerca de US$ 0,67 por 1.000 minutos.
Chatterboxmodelo	3.7/5	O Chatterbox é o clonador de voz aberto que uma equipe de compliance consegue aprovar, graças à marca d'água, embora não seja o que um ouvinte escolheria.	Equipes que precisam de clonagem de voz aberta com uso comercial e marcação de procedência e que aceitam uma qualidade de voz de meio de tabela.	Gratuito sob a licença MIT. A Artificial Analysis lista o Chatterbox hospedado a $25 e o Chatterbox HD da Resemble a $40 por milhão de caracteres.

Lado a lado

As especificações que importam nesta etapa. Verificadas em 19 de out. de 2026; confirme no site do fornecedor antes de decidir.

Comparativos diretos e rankings

• Melhores modelos de texto para fala
• Melhores modelos de fala para texto

Onde esta etapa se encaixa

• Produção de vídeo: começaríamos com Eleven v4 and v4 Turbo.
• Agente de voz: começaríamos com Parakeet TDT 0.6B v3, Cartesia Sonic 3.6.

Fontes deste guia

• Artificial Analysis: ranking de fala para texto
• Artificial Analysis: ranking de texto para fala
• Model card do Whisper large-v3-turbo