Texto para voz com IA

Texto para voz, ou TTS, transforma texto escrito em áudio falado. Os TTS antigos liam as palavras uma após a outra, com voz monótona. O texto para voz com IA de hoje lê o trecho inteiro primeiro, então entende qual palavra enfatizar, onde a frase vira uma pergunta e quando uma pausa faz diferença, e fala com a respiração e o ritmo de uma pessoa.

No Mage, o texto para voz roda no Eleven Speech, o modelo mais recente da ElevenLabs, o Eleven v4. Você cola até 5.000 caracteres, escolhe uma de 16 vozes e recebe um MP3 com exatamente a duração da leitura. Tags de áudio entre colchetes, como [whispers], [laughs] ou [excited], dirigem a entonação sem serem lidas em voz alta.

Ele fica na mesma conta dos modelos de imagem e vídeo do Mage. Uma narração pode ir direto para um vídeo, virar a voz de um personagem ou ir para o app Lipsync para fazer um retrato falar.

O texto para fala lê exatamente o que você escreve, então escreva para o ouvido. Escreva por extenso o que deve ser dito, do jeito que deve soar: "doze horas" em vez de "12h", "dois mil e vinte e seis" se o número deve ser lido como ano e palavras completas para abreviações que não devem ser soletradas. Divida frases longas em frases mais curtas: quem ouve não pode voltar o áudio como quem rola um texto.

A pontuação é a forma mais simples de controlar o ritmo. A vírgula é uma respiração curta, o ponto final é uma pausa mais longa, as reticências indicam hesitação e o travessão, uma quebra repentina. O ponto de interrogação muda a melodia da frase inteira, então confira se as perguntas realmente terminam com ele.

• Escreva os números por extenso quando a leitura importar
• Use frases curtas e faladas
• Use reticências para pausas e travessões para quebras
• Leia o roteiro em voz alta uma vez antes de gerar
• Divida textos muito longos em capítulos

As 16 vozes cobrem os usos mais comuns. Para narrações longas e audiolivros, escolha um contador de histórias firme, como Darian, Florence ou Sawyer. Para notícias, treinamentos e vídeos explicativos, um apresentador claro, como Alicia ou Eldrin. Para anúncios e vídeos de redes sociais, uma voz animada e moderna, como Elowen, Jade ou Lawrence. Para jogos, uma voz de personagem, como Kaelen.

Todas as vozes falam todos os idiomas compatíveis, então um roteiro em espanhol ou japonês funciona com qualquer uma. Gere as duas ou três primeiras frases em algumas vozes, compare e depois rode o roteiro inteiro na que combinar mais.

O Eleven v4 interpreta as tags entre colchetes como direção. [excited], [nervous], [sarcastic] e [softly] mudam a emoção; [whispers] e [shouting] mudam o volume; [sighs], [laughs] e [gulps] adicionam uma reação; [door creaks] ou [applause] colocam um som dentro da leitura. Coloque a tag logo antes da frase que ela deve alterar e use uma ou duas por frase.

As tags dão vida a diálogos e falas de personagens, enquanto uma narração simples muitas vezes não precisa de nenhuma. Para vozes de personagem que precisam ser iguais em todos os vídeos, veja o guia de gerador de voz com IA, e para músicas e trilhas de fundo, o guia de gerador de música com IA.

As mesmas vozes funcionam pela API do Mage: envie o texto e uma voz para POST /v1/eleven_speech/generate e receba um MP3, com preço por blocos de 250 caracteres. O página da API do Mage explica as chaves e os preços. Com o servidor MCP do Mage conectado, o Claude, o ChatGPT e outros assistentes podem ler um roteiro em voz alta para você no chat, depois de informar quantos Gems isso custa.