Text-to-speech
Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.
Também chamado: TTS, speech synthesis, AI voice generator
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
O TTS é a voz dos leitores de tela, dos apps de navegação, dos audiolivros e dos voice agents. Sistemas mais antigos colavam fragmentos gravados de fala. O TTS neural, em vez disso, aprende com horas de voz gravada como o texto deve soar.
Como funciona
O Tacotron 2, do Google, mostra o design clássico em duas etapas. Uma rede associa caracteres a um espectrograma mel, uma imagem de como a energia sonora muda ao longo do tempo. Uma segunda rede, o vocoder, transforma essa imagem em áudio. Muitos modelos mais novos pulam o espectrograma e preveem tokens de áudio diretamente, do mesmo jeito que um modelo de linguagem prevê palavras.
Como escolher um modelo de TTS
O que importa para quem constrói é naturalidade, latência até o primeiro áudio, cobertura de idiomas, controle de ritmo e emoção, e preço por caractere. Serviços hospedados como o ElevenLabs concorrem com pequenos modelos abertos como o Kokoro 82M, que roda em um notebook.
Termos relacionados
O TTS é o inverso do speech-to-text. Fazer o TTS soar como uma pessoa específica é clonagem de voz. Um modelo speech-to-speech pode substituir totalmente a etapa de texto em uma conversa ao vivo.
Limites
O TTS pode pronunciar errado nomes, números e abreviações, e trechos longos podem variar de tom. Uma saída que soa humana pode ser usada indevidamente para se passar por outras pessoas.
Termos relacionados
- Speech-to-text
- Speech-to-text (fala para texto), também chamado de reconhecimento automático de fala (ASR), é um software que converte áudio falado em texto escrito. Ele está por trás de transcrições, legendas, comandos de voz e da parte que escuta nos voice agents.
- Clonagem de voz
- A clonagem de voz (voice cloning) é o uso de IA para fazer um sistema de text-to-speech falar com a voz de uma pessoa específica, aprendida a partir de uma gravação dela. Alguns sistemas precisam só de uma amostra curta.
- Modelo speech-to-speech
- Um modelo speech-to-speech (de fala para fala) recebe áudio falado e produz áudio falado diretamente, sem converter primeiro a fala em texto e de volta. Ele é usado em conversas por voz ao vivo e em tradução.
- Voice agent
- Um voice agent (agente de voz) é um agente de IA que mantém uma conversa falada em tempo real, ouvindo uma pessoa, decidindo o que dizer ou fazer e respondendo com uma voz sintética, muitas vezes por uma linha telefônica ou em um app.
- Text-to-music
- Text-to-music (texto para música) é a tarefa de gerar áudio musical a partir de uma descrição escrita, como gênero, clima, instrumentos e andamento. Alguns sistemas também escrevem e cantam letras.