Como funciona a API de TTS e quais são os preços?

Por Equipe editorial ClarezaVoz · Atualizado 2026-11-19

Esta página explica o funcionamento da API ClarezaVoz para desenvolvedores que integram áudio em e-commerce e SaaS. Você verá como enviar texto e receber arquivos de áudio via REST, os 8 modelos vocais disponíveis e a estrutura de preços por caractere, sem surpresas em contratos complexos.

Entenda os limites técnicos, como o tratamento de textos longos e os formatos de saída. Além disso, descubra como criar sua conta, obter a chave de API e realizar sua primeira requisição com exemplos práticos, garantindo controle preciso sobre custos e integração sem dependência de assinaturas mensais.

Como funciona a API de TTS e quais são os preços?

Perguntas frequentes

O que é a API de TTS?

É uma API em nuvem que recebe texto e retorna um arquivo de áudio. Basta enviar uma requisição POST para o endpoint /v1/audio/speech com o texto e as configurações desejadas, como voz e idioma, para gerar o áudio.

Quais idiomas são suportados?

Suportamos 23 idiomas, incluindo português, inglês, espanhol, alemão, francês, japonês, coreano, chinês, árabe, hindi, russo e turco. Qualquer voz pode falar qualquer um desses idiomas. Idiomas como vietnamita e tailandês ainda não são suportados.

Quantas vozes estão disponíveis?

Oferecemos 8 vozes predefinidas: quatro femininas (Aria, Nova, Luna, Sage) e quatro masculinas (Felix, Milo, Atlas, Orion). Cada uma tem um tom distinto, de narrador claro a narrador de documentário, baseado em gravações licenciadas.

Quanto custa a API?

O custo é de US$ 10 por 1 milhão de caracteres, ou US$ 0,01 por mil caracteres. Espaços e pontuação contam como caracteres. Solicitações falhas são gratuitas e o crédito é devolvido integralmente em caso de erro.

Como faço o pagamento?

Aceitamos apenas USDT na rede TRON (TRC-20), com depósito mínimo de US$ 5. O crédito é creditado automaticamente em minutos. Não há cartões, PayPal, assinaturas ou faturas com VAT. O saldo não expira.

O texto enviado é armazenado?

O texto de entrada é usado apenas para produzir o áudio e não é usado para treinamento. O áudio gerado é retornado na resposta e não é armazenado. Apenas metadados de solicitação são mantidos para faturamento.

Posso usar a API para e-commerce?

Sim. A ClarezaVoz é pensada para integrar áudio em plataformas de comércio eletrônico e aplicações SaaS. Oferecemos controle técnico preciso sobre vozes, idiomas e custos por uso, sem surpresas em contratos complexos ou planos mensais.

Qual o limite de caracteres por requisição?

Cada requisição aceita até 4096 caracteres. Para textos mais longos, você deve dividi-los em partes dentro desse limite e juntar os arquivos de áudio gerados. Recomendamos ajustar o tamanho do lote para otimizar o fluxo.

A API suporta SSML?

Não. A API não suporta marcação SSML, dicionários de fonemas ou lexicons de pronúncia personalizados. O controle é feito apenas através dos parâmetros de voz, idioma e velocidade fornecidos na requisição JSON padrão.

Existe streaming de áudio?

Não. Não há streaming, WebSocket ou áudio parcial em tempo real. O áudio é gerado completo e retornado como um arquivo na resposta da requisição HTTP após o processamento da síntese.

Como funciona o crédito de teste?

Novos usuários que fazem login com Google recebem US$ 0,50 de crédito, válido por 7 dias. Contas criadas com e-mail e senha começam sem crédito. O saldo não expira após o período de teste.

Quais formatos de áudio posso solicitar?

Você pode solicitar os formatos mp3, wav, opus, flac e pcm. Basta definir o campo 'response_format' na requisição JSON. O modelo escolhido (tts-1 ou tts-1-hd) não altera o preço ou a qualidade base.

A API é compatível com OpenAI SDK?

Sim. A forma de requisição é idêntica ao endpoint de fala da OpenAI. Você pode usar os SDKs oficiais da OpenAI alterando o 'base_url' para https://api.778bet.info/v1 e usando sua chave de API.

O áudio gerado tem marca d'água?

Sim. Cada arquivo de áudio gerado contém uma marca d'água inaudível que marca o conteúdo como fala sintética. Isso ajuda na identificação da origem do áudio gerado pela nossa API.

Quanto tempo leva para gerar o áudio?

O tempo é aproximadamente em tempo real para textos longos (25 caracteres por segundo). Frases curtas levam alguns segundos. As solicitações são processadas em fila, então sob carga, pode haver um pequeno atraso.

O que é a API de TTS

Ilustração de onda sonora para: O que é a API de TTS

A ClarezaVoz oferece uma API de conversão de texto em fala (TTS) projetada para integrar áudio em plataformas de comércio eletrônico e aplicações SaaS. Ao enviar texto para nossa API, você recebe um arquivo de áudio pronto para uso, com controle técnico preciso sobre vozes, idiomas e custos por uso, sem surpresas em contratos complexos.

Conversão de texto para áudio

O serviço funciona como um endpoint RESTful simples: você envia um texto (até 4096 caracteres) e recebe um arquivo de áudio sintetizado. O processo é direto, ideal para integrar narrativas automatizadas em lojas online ou aplicativos.

Endpoint RESTful simples

A integração utiliza o método POST em https://api.778bet.info/v1/audio/speech, seguindo a mesma estrutura de requição da OpenAI. Isso facilita a adoção técnica, mantendo a simplicidade que desenvolvedores buscam para integrações rápidas e estáveis.

Integração com SDKs existentes

Como a forma das requisições é compatível com a API da OpenAI, você pode utilizar os SDKs oficiais dela, bastando alterar o base_url para o nosso domínio e usar sua chave de API. Isso elimina a necessidade de aprender uma biblioteca nova ou manter código específico para nosso endpoint.

Vozes e Idiomas Disponíveis

Ilustração de onda sonora para: Vozes e Idiomas Disponíveis

Nossa API oferece oito vozes predefinidas, gravadas a partir de audiobooks licenciados e de domínio público. Cada voz possui uma característica única, permitindo que você escolha a mais adequada para o tom da sua plataforma de comércio eletrônico ou aplicação SaaS, sem a necessidade de clonagem personalizada.

As vozes cobrem diferentes registros e estilos, garantindo flexibilidade técnica para diversos tipos de conteúdo, desde narrações até promoções dinâmicas.

8 vozes predefinidas

Escolha entre vozes femininas e masculinas, cada uma otimizada para diferentes contextos de uso. Todas as vozes são baseadas em gravações licenciadas (LibriTTS-R, CC BY 4.0) e de domínio público (LibriVox), garantindo clareza e qualidade técnica.

A lista inclui: Aria (narradora clara), Nova (energia alta), Luna (histórias), Sage (instrucional), Felix (promocional), Milo (conversacional), Atlas (neutro) e Orion (documentário).

  • Aria: tom quente e claro para narrativas
  • Nova: tom brilhante e enérgico
  • Luna: suave, ideal para storytelling
  • Sage: calma e instrucional
  • Felix: energético, focado em promoções
  • Milo: amigável e conversacional
  • Atlas: neutro, estilo noticiário
  • Orion: grave, estilo documentário

23 idiomas suportados

O sistema suporta 23 idiomas, permitindo que qualquer uma das oito vozes fale qualquer um deles. Isso inclui árabe, chinês, dinamarquês, holandês, inglês, finlandês, francês, alemão, grego, hebraico, hindi, italiano, japonês, coreano, malaio, norueguês, polonês, português, russo, espanhol, suaili, sueco e turco.

Idiomas não listados, como vietnamita ou tailandês, não são suportados atualmente.

  • Árabe, Chinês, Dinamarquês, Holandês, Inglês
  • Finlandês, Francês, Alemão, Grego, Hebraico
  • Hindi, Italiano, Japonês, Coreano, Malaio
  • Norueguês, Polonês, Português, Russo, Espanhol
  • Suaili, Sueco, Turco

Detecção automática de idioma

Se o parâmetro language não for definido, o sistema tenta adivinhar o idioma com base no script do texto. Textos em caracteres latinos são padrão para inglês. Para textos em outros idiomas latinos, é recomendável definir o language explicitamente para evitar erros de pronúncia.

Essa flexibilidade facilita a integração inicial, embora a especificação explícita garanta a precisão desejada para mercados específicos.

image":

Formatos de Áudio

Ilustração de onda sonora para: Formatos de Áudio

A API aceita cinco formatos de saída: mp3, wav, opus, flac e pcm. Essa variedade permite que desenvolvedores otimizem o armazenamento e a largura de banda, escolhendo entre compressão eficiente ou qualidade sem perdas, conforme a necessidade da aplicação de comércio eletrônico ou SaaS.

MP3, WAV, Opus, FLAC, PCM

Cada formato atende a diferentes casos de uso. O MP3 e o Opus oferecem boa relação qualidade-tamanho, ideais para transmissão web. O WAV e o FLAC preservam a integridade original, úteis para arquivamento ou edição posterior. O PCM fornece dados brutos para processamento em tempo real (raw data).

  • MP3 e Opus para eficiência de banda
  • WAV e FLAC para alta fidelidade
  • PCM para processamento direto

Qualidade ajustável por modelo

A qualidade não varia pelo formato, mas pela escolha do modelo. Os modelos tts-1 e tts-1-hd utilizam o mesmo motor de síntese e têm preço idêntico. A diferença está na arquitetura do modelo de IA, que pode influenciar a naturalidade em certos contextos, embora o custo por caractere permaneça constante.

Transparência sobre marca d'água

Cada arquivo de áudio gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso garante transparência sobre a origem do áudio, sem impactar a experiência do ouvinte final, sendo útil para conformidade e rastreamento de conteúdo gerado automaticamente.

Preços e Pagamento

Ilustração de onda sonora para: Preços e Pagamento

A API de TTS ClarezaVoz opera com um modelo de custo direto e previsível: $0,01 por mil caracteres processados. O cálculo inclui espaços e pontuação, garantindo transparência total na fatura. Não há taxas de infraestrutura ocultas ou custos de armazenamento para os arquivos gerados.

Para testes iniciais, contas criadas com login Google recebem $0,50 de crédito (aproximadamente 50.000 caracteres) por 7 dias. Contas criadas via e-mail e senha iniciam sem esse crédito. Requisições falhas são gratuitas e o valor é estornado integralmente.

$0,01 por mil caracteres

O preço é fixo e independente da complexidade do texto ou do modelo escolhido. Cada caractere, incluindo espaços, é cobrado individualmente ao final da conversão.

Crédito de teste gratuito

O crédito de $0,50 permite validar a integração antes de investir. Ele expira em 7 dias, ideal para validar o fluxo da API.

Pagamento via USDT (TRC-20)

O topo de saldo é feito exclusivamente com USDT na rede TRON (TRC-20), com depósito mínimo de $5. O crédito é aplicado automaticamente em minutos após a confirmação da transferência. Não há assinaturas mensais, faturas com VAT ou processamento de cartão de crédito.

  • Rede: TRON (TRC-20)
  • Mínimo: $5
  • Sem cartões ou PayPal

Limitações Técnicas

Ilustração de onda sonora para: Limitações Técnicas

A API impõe um limite rígido de 4.096 caracteres por chamada. Para textos maiores, o texto deve ser dividido manualmente em partes menores e os arquivos de áudio resultantes unidos posteriormente. Isso garante previsibilidade no processamento, mas exige lógica adicional no seu código para gerenciar a concatenação.

O formato de entrada é texto simples. Não há suporte a SSML, o que significa que não é possível ajustar entonação, pausas específicas ou pronúncia através de marcações XML. O processamento é direto, exigindo que o texto seja preparado sem elementos de formatação complexos antes do envio.

4096 caracteres por requisição

Cada solicitação POST aceita no máximo 4.096 caracteres, incluindo espaços e pontuação. Se o seu conteúdo excede esse limite, é necessário fragmentar o texto em múltiplas requisições sequenciais e concatenar os arquivos de áudio retornados. Essa limitação é técnica e não reflete capacidade do motor de síntese.

As requisições são processadas uma após a outra. Em momentos de alta demanda, sua solicitação pode entrar em uma fila de espera antes da síntese começar, especialmente se você estiver próximo do limite de velocidade ou se a fila estiver longa.

  • Limite de 4.096 caracteres por payload JSON.
  • Textos longos requerem lógica de split e concatenação no lado do cliente.
  • Espaços e pontuação contam para o limite de caracteres.

Sem suporte a SSML

A API não interpreta marcações complexas, exigindo processamento de texto simples antes do envio. Não há suporte para tags de pausa, ênfase ou pronúncia fonética customizada. Isso simplifica a integração, mas reduz o controle fino sobre a entonação da voz gerada.

Sem streaming em tempo real

Não há envio de áudio parcial via WebSocket ou streaming. A API retorna o arquivo de áudio completo apenas após a síntese terminar. Para aplicações que exigem latência extremamente baixa (como chatbots em tempo real), considere armazenar os áudios previamente ou aceitar o tempo de espera da requisição síncrona.

Privacidade e Dados

Ilustração de onda sonora para: Privacidade e Dados

Seu texto entra e sai sem deixar rastro. Utilizamos sua entrada exclusivamente para gerar o arquivo de áudio solicitado, sem utilizá-lo para treinar ou aprimorar nossos modelos de inteligência artificial.

O áudio gerado é entregue diretamente na resposta da API e não fica armazenado em nossos servidores após o envio. Isso garante que não retenhamos cópias do conteúdo que você processou.

Texto não usado para treinamento

O texto enviado é processado apenas para a síntese imediata da fala. Não o utilizamos para melhorar os motores de TTS da ClarezaVoz nem para alimentar bases de dados de treinamento de modelos de linguagem.

Áudio não armazenado

Os arquivos de áudio gerados são retornados na resposta HTTP e não são persistidos em nossos sistemas de armazenamento de longo prazo. Isso significa que não mantemos cópias do áudio que você solicitou.

Metadados de uso conservados

Conservamos apenas os metadados necessários para a faturamento e controle de conta. Isso inclui o timestamp da solicitação, a quantidade de caracteres processados e o status (sucesso ou falha) da requisição.

Privacidade e Dados

Como Começar

Ilustração de onda sonora para: Como Começar

Para utilizar a ClarezaVoz, acesse a página /get-api-key/ e crie sua conta. Você pode registrar-se usando o Google ou um e-mail com senha. Cada conta é independente e específica deste site, garantindo que você tenha controle total sobre suas credenciais desde o início.

Criação de conta

O processo é imediato. Ao se registrar, você obtém acesso à sua área de gestão. Se usar o login com Google, recebe US$ 0,50 de crédito de teste, válido por 7 dias. Contas criadas com e-mail e senha começam sem esse crédito inicial, mas o saldo não expira.

Obtenção da chave de API

Sua chave de API aparece automaticamente na página de gestão. Ela começa com "tts-" e é usada no cabeçalho de autorização. Você possui apenas uma chave ativa por conta. Se precisar revogá-la, pode emitir uma nova a qualquer momento, invalidando a anterior instantaneamente.

Primeira requisição com cURL

Utilize o endpoint POST para https://api.778bet.info/v1/audio/speech. Substitua <SUA_CHAVE> por sua credencial e defina o texto e a voz desejados. O sistema retorna o arquivo de áudio diretamente na resposta, pronto para ser integrado ao seu fluxo de trabalho sem configurações complexas.

  • Endpoint: POST https://api.778bet.info/v1/audio/speech
  • Autenticação: Authorization: Bearer tts-...
  • Formato: JSON com campo 'input' e 'voice'

Modelos de Áudio

Ilustração de onda sonora para: Modelos de Áudio

A API oferece dois identificadores de modelo: "tts-1" e "tts-1-hd". Ambos utilizam exatamente o mesmo motor de síntese subjacente, garantindo consistência acústica na geração de áudio.

O diferencial não está na qualidade do som, mas na forma como o sistema é referenciado nas requisições. Isso permite que você mantenha o código compatível com o formato padrão da indústria sem precisar ajustar a lógica de negócios.

Utilizar "tts-1-hd" ou "tts-1" não altera o custo nem a performance. Ambos são processados pela mesma engine licenciada, oferecendo a mesma clareza e naturalidade descritas nas especificações técnicas do produto.

tts-1 e tts-1-hd

Os modelos são simplesmente rótulos para o mesmo serviço de síntese. Você pode alternar entre eles sem impacto na qualidade percebida ou no tempo de processamento.

Essa estrutura simplifica a integração, pois permite o uso de SDKs padrão sem a necessidade de camadas complexas de abstração para gerenciar diferentes tipos de áudio.

  • Identificadores válidos: tts-1 e tts-1-hd
  • Útil para compatibilidade com bibliotecas existentes

Mesmo motor de síntese

Tanto o modelo básico quanto o 'hd' geram áudio usando a mesma base de dados de vozes e o mesmo algoritmo de processamento.

Isso significa que as 8 vozes predefinidas têm exatamente as mesmas características vocais, independentemente do modelo selecionado na requisição JSON.

Preço idêntico para ambos

O custo é calculado por caractere processado, não pelo nome do modelo. Portanto, você paga $0,01 por mil caracteres, seja qual for a escolha.

Não há surpresas na fatura ao migrar de um modelo para o outro, facilitando o controle de custos em plataformas de e-commerce e SaaS.

  • Custo: $0,01 por 1.000 caracteres
  • Sem taxa adicional por "HD"

Limites e Performance

Ilustração de onda sonora para: Limites e Performance

A API opera com um limite claro de 60 requisições por minuto por chave, sendo que as primeiras 10 requisições (antes do primeiro depósito) têm um limite reduzido de 10 por minuto. Isso exige que aplicações em escala ajustem suas chamadas para evitar gargalos.

Como as requisições são processadas sequencialmente, picos de demanda podem fazer com que uma solicitação aguarde na fila. Isso garante a estabilidade do serviço, mas implica que o tempo de resposta total varia conforme a carga do momento.

60 requisições por minuto

O limite padrão permite 60 chamadas por minuto. Antes do primeiro recarga, o limite é reduzido para 10 requisições por minuto, o que é suficiente para testes iniciais mas pode exigir otimização em produção.

Processamento em fila

O motor processa as solicitações uma após a outra. Durante picos de uso, sua requisição pode entrar em uma fila de espera antes de iniciar a síntese, garantindo que não haja falhas no serviço.

Velocidade próxima do tempo real

Para textos longos, a geração ocorre em ritmo aproximado de 25 caracteres por segundo de áudio gerado. Isso significa que um texto de 1.000 caracteres levará cerca de 40 segundos para ser processado, excluindo o tempo de espera na fila.

Para frases curtas, o overhead de inicialização faz com que o tempo total de resposta seja de alguns segundos, independente do tamanho mínimo do áudio.

Suporte e Conta

Ilustração de onda sonora para: Suporte e Conta

A gestão da sua conta é direta e transparente. Ao criar uma conta, você recebe uma única chave de API ativa, visível no painel de controle junto com o saldo e o histórico de uso.

Não há assinaturas complexas ou cobranças surpresa. Tudo o que você precisa saber sobre sua chave e limite de requisições está disponível na interface da plataforma.

Suporte por e-mail

Nossa equipe de suporte opera exclusivamente por e-mail. Não há número de telefone, chat ao vivo ou botas automatizadas. Cada mensagem é tratada com atenção técnica.

Chave única por conta

Cada conta mantém apenas uma chave de autenticação ativa por vez. Isso simplifica a segurança e a gestão de acesso para equipes pequenas ou startups que precisam de agilidade.

Renovação imediata de chave

Se necessário, você pode emitir uma nova chave a qualquer momento. A chave anterior deixa de funcionar imediatamente, garantindo controle total sobre quem tem acesso à sua API.

Comparação com Concorrentes

Ilustração de onda sonora para: Comparação com Concorrentes

A comparação com provedores estabelecidos revela diferenças estruturais claras. Enquanto alguns competidores cobram por minuto de áudio gerado, nosso modelo é baseado estritamente na entrada de texto, oferecendo previsibilidade imediata para projetos de e-commerce e SaaS que variam em volume.

A ausência de assinaturas mensais fixas elimina o custo de ociosidade. Você paga apenas pelo que sintetiza, com um custo marginal baixo e transparente, sem surpresas em faturas complexas ou taxas de infraestrutura ocultas.

Diferenças de preço

O custo é fixo em $0,01 por mil caracteres, independentemente da complexidade do texto. Diferente de modelos baseados em duração, isso garante que textos longos com pausas não encarecem a geração proporcionalmente.

A transparência permite calcular o orçamento exato antes da implementação, algo raro em plataformas que variam preços por qualidade de voz ou idioma.

Sem assinaturas mensais

Não há planos recorrentes obrigatórios. Cada conta opera no modelo pay-as-you-go, onde o saldo negativo simplesmente interrompe o serviço até o próximo depósito.

Isso remove o risco de pagar por um plano premium que não utiliza totalmente, ideal para startups com fluxo de caixa variável.

Pagamento por uso real

O pagamento é feito via USDT (TRC-20), com crédito automático em minutos. Não há faturas com IVA ou processos manuais de cobrança.

Requisições falhas são gratuitas, garantindo que você só pague pelo áudio entregue com sucesso.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Textos maiores que o limite precisam ser segmentados logicamente.

Avatar da voz aria
ariafeminino
Avatar da voz nova
novafeminino
Avatar da voz luna
lunafeminino
Avatar da voz sage
sagefeminino
Avatar da voz felix
felixmasculino
Avatar da voz milo
milomasculino
Avatar da voz atlas
atlasmasculino
Avatar da voz orion
orionmasculino

23 idiomas

Qualquer voz fala qualquer um desses idiomas.

Fontes e leituras adicionais

  1. Wikipedia
  2. ISO 639 language codes
  3. IETF RFC 7845: Ogg Opus
  4. Tether (USDT)
  5. openai-python on GitHub
  6. LibriTTS-R corpus (OpenSLR 141)
  7. FFmpeg documentation
  8. Node.js documentation
  9. curl documentation
  10. LibriTTS-R paper (arXiv 2305.18802)
  11. LibriVox public-domain audiobooks
  12. Creative Commons Attribution 4.0

Mais neste site