Como funciona a API TTS para agências e quais são seus recursos?

Por equ editorial VerbaVoz · Atualizado 2026-11-19

Esta página detalha o funcionamento técnico da API VerbaVoz, projetada especificamente para agências de localização e publicadores que necessitam integrar síntese de voz em seus pipelines de produção. Você encontrará explicações concretas sobre o fluxo de dados, desde o envio do JSON até o retorno do arquivo de áudio, com foco na estabilidade e na capacidade de processamento em massa.

Explore como a estrutura baseada no padrão OpenAI facilita a automação, a gestão de textos longos e a compatibilidade com suas ferramentas existentes. Entenda os limites técnicos, como a ausência de streaming ou SSML, e saiba exatamente o que esperar da integração, sem promessas infundadas, garantindo uma implementação previsível e controlada para seus projetos de dublagem.

Como funciona a API TTS para agências e quais são seus recursos?

Perguntas frequentes

O que é uma API de texto para fala?

É um serviço em nuvem que recebe texto e retorna um arquivo de áudio via endpoint POST. Utiliza o formato de requisição da API de speech da OpenAI, permitindo integração rápida com SDKs existentes apenas alterando a base URL para https://api.77at.info/v1.

Como as agências usam essa tecnologia?

Agências de localização e publicadores integram a API em pipelines de produção para geração em massa de áudio. O endpoint aceita texto e retorna o arquivo sintetizado, facilitando a automatização de processos de narração e criação de conteúdo audiovisual sem intervenção manual.

Qual o limite de texto por pedido?

Cada solicitação de API aceita até 4096 caracteres. Para textos maiores, o cliente deve dividir o conteúdo em partes dentro desse limite e juntar os arquivos de áudio resultantes. Espaços e pontuação contam como caracteres.

O idioma é detectado automaticamente?

O idioma pode ser detectado automaticamente com base no script do texto. No entanto, para textos em latinos não ingleses, recomenda-se definir o campo 'language' explicitamente para evitar erros de síntese, já que o padrão é inglês.

Posso controlar a velocidade da voz?

Sim. O parâmetro 'speed' permite ajustar a velocidade de fala entre 0.25 e 4.0. Isso permite adaptar o ritmo da narração às necessidades específicas do projeto de localização ou dublagem, mantendo a clareza da síntese.

Quais formatos de áudio são suportados?

A API suporta os formatos mp3, wav, opus, flac e pcm. O formato é especificado no campo 'response_format' da requisição JSON, permitindo a escolha do codec mais adequado para a infraestrutura de áudio da agência.

Há limite de caracteres por caractere?

Há limite de 4096 caracteres por solicitação. O custo é calculado por caractere, incluindo espaços e pontuação, a uma taxa de $0,01 por 1.000 caracteres. Para textos longos, é necessário dividir o conteúdo em partes de até 4096 caracteres e unir os arquivos de áudio gerados.

O áudio é armazenado na nuvem?

O áudio gerado é retornado na resposta da requisição e não é armazenado. Apenas os metadados da solicitação (tempo, caracteres, status) são mantidos para fins de faturamento e controle de uso da API.

Como funciona a detecção de idioma?

Se o campo 'language' não for definido, o sistema tenta adivinhar o idioma com base no script. Textos em latinos são assumidos como inglês por padrão. Para precisão, defina o código ISO do idioma desejado.

Existe suporte para SSML?

Não. A API não oferece suporte para marcação SSML, nem para dicionários de fonemas ou lexicons personalizados de pronúncia. A entrada é texto simples, e o controle de entonação e ritmo é feito via seleção de voz e velocidade.

O texto é usado para treinar modelos?

Não. O texto enviado é utilizado exclusivamente para produzir o arquivo de áudio correspondente e não é utilizado para treinar os modelos de síntese de voz da plataforma.

Como lidar com textos muito longos?

Divida o texto em partes de até 4096 caracteres. Envie cada parte separadamente para a API e junte os arquivos de áudio gerados. As requisições são processadas sequencialmente, o que pode introduzir latência em cargas elevadas.

Qual a latência média de geração?

A velocidade típica é de aproximadamente 25 caracteres por segundo de áudio gerado. Frases curtas levam alguns segundos. Sob carga, as requisições podem aguardar em fila, pois são processadas uma após a outra.

Posso usar a API para dublagem de vídeos?

A API gera áudio, mas não possui pipeline de dublagem, edição de vídeo ou sincronização automática. Você deve integrar o áudio gerado ao seu fluxo de produção de vídeo manualmente ou via outras ferramentas.

Fluxo de processamento de texto

Ilustração de onda sonora para: Fluxo de processamento de texto

O fluxo de integração inicia com o envio de texto bruto via endpoint POST /v1/audio/speech. A API recebe a carga JSON, valida os parâmetros de modelo e voz, e processa a síntese em servidores cloud dedicados, garantindo conformidade com o padrão OpenAI para facilitar a adoção por agências de localização.

Envio de texto via JSON

O cliente envia o texto a ser sintetizado dentro de um objeto JSON, respeitando o limite de 4096 caracteres por requisição. O campo input aceita strings simples, enquanto os campos model, voice e response_format definem a configuração técnica da geração.

  • Endpoint: POST https://api.77at.info/v1/audio/speech
  • Cabeçalho de autenticação: Authorization: Bearer tts-...
  • Corpo da requisição em formato JSON

Síntese em servidor cloud

As requisições são processadas sequencialmente em servidores cloud. Para textos longos, a divisão em blocos de 4096 caracteres é necessária, resultando em múltiplas chamadas à API. O tempo de geração varia conforme o volume de texto e a fila de processamento, mantendo uma velocidade média próxima ao tempo real.

Retorno do arquivo de áudio

Após o processamento, o servidor retorna o arquivo de áudio binário no formato solicitado (mp3, wav, opus, flac ou pcm). O arquivo é entregue diretamente na resposta HTTP, permitindo que pipelines de automação o saltem localmente ou o enviem para sistemas de dublagem sem armazenamento intermediário.

Detecção e controle de idioma

Ilustração de onda sonora para: Detecção e controle de idioma

A API detecta automaticamente o idioma com base no script do texto enviado. Para textos em alfabeto latino, o padrão é o inglês, o que pode gerar resultados inesperados se o conteúdo for em outra língua.

Para garantir precisão, utilize o parâmetro language com o código ISO correspondente. Isso é essencial para agências de localização que processam múltiplos idiomas simultaneamente.

Reconhecimento baseado no script

O sistema analisa os caracteres para inferir o idioma. Se o texto estiver em latim e o idioma não for especificado, a síntese ocorrerá em inglês.

Uso do parâmetro language ISO

Defina explicitamente o idioma no corpo da requisição JSON. O suporte abrange 23 idiomas, incluindo português, espanhol, japonês e árabe, entre outros.

  • Códigos ISO recomendados para controle preciso de síntese
  • Suporte a idiomas não latinos (ex: árabe, japonês)
  • Evita erros de pronúncia em textos multilíngues

Padrão inglês para texto latino

A falta do parâmetro language em textos latinos resulta em voz em inglês. Configure este campo para cada projeto de localização.

Gestão de textos longos

Ilustração de onda sonora para: Gestão de textos longos

O limite máximo de caracteres por solicitação é de 4096. Para projetos de localização com roteiros extensos, o cliente deve implementar a lógica de particionamento no lado do aplicativo, enviando múltiplas requisições sequenciais ou em paralelo para o endpoint de síntese.

Divisão em blocos de 4096 caracteres

Cada chamada à API processa apenas até 4096 caracteres, incluindo espaços e pontuação. Textos que excedam esse limite devem ser divididos manualmente ou via script cliente antes do envio. Essa restrição técnica garante a estabilidade do motor de síntese em cloud.

  • Limite rígido de 4096 caracteres por payload JSON
  • Cálculo inclui todos os caracteres Unicode e espaços
  • Recomenda-se validação de tamanho antes da requisição

Concatenação dos arquivos de áudio

A API retorna arquivos de áudio individuais para cada bloco processado. A responsabilidade pela junção (concatenação) desses arquivos em um único arquivo final cabe ao pipeline de produção da agência. O formato de saída (MP3, WAV, OPUS, FLAC ou PCM) deve ser consistente entre as chamadas para facilitar essa etapa.

  • Retorno de arquivos independentes por requisição
  • Compatibilidade com ferramentas de edição de áudio padrão
  • Mantém a mesma linguagem e voz em todos os blocos

Transparência no custo total

O custo é calculado com base no número total de caracteres enviados, independentemente do número de requisições realizadas. A tarifa é de US$ 10 por milhão de caracteres.

  • Cobrança por caractere processado com sucesso
  • Tarifa: US$ 0,01 por 1.000 caracteres
  • Requisições falhas não geram custo

Qualidade e marca d'água

Ilustração de onda sonora para: Qualidade e marca d'água

Cada arquivo de áudio gerado pela API VerbaVoz contém uma marca d'água inaudível que identifica o arquivo como síntese computacional. Essa marca é inserida automaticamente durante o processamento do texto e não requer ação adicional da parte do desenvolvedor na pipeline de geração.

A presença dessa marca garante que o conteúdo seja claramente reconhecido como voz sintética, atendendo a requisitos de transparência em projetos de localização e publicação de massa sem comprometer a experiência auditiva do ouvinte final.

Marca d'água inaudível em todos os arquivos

A marca d'água é aplicada a todos os formatos suportados (mp3, wav, opus, flac, pcm). Ela é invisível ao ouvido humano, mantendo a qualidade percebida do áudio gerado.

Identificação como voz sintética

A marcação técnica permite a identificação precisa de que o áudio foi gerado por algoritmo de TTS e não por gravação humana tradicional. Isso é crucial para conformidade em publicações comerciais.

Baseado em gravações licenciadas

As vozes utilizadas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) são baseadas em gravações licenciadas de LibriTTS-R (CC BY 4.0) e leituras de domínio público do LibriVox. Isso garante a base legal para o uso comercial das vozes geradas.

  • Licença CC BY 4.0 para o corpus base
  • Origem em audiobooks de domínio público

Integração com pipelines de dublagem

Ilustração de onda sonora para: Integração com pipelines de dublagem

A API segue o padrão OpenAI, permitindo integração direta com SDKs existentes. Basta alterar o base_url para https://api.77at.info/v1 e utilizar a chave da API, sem necessidade de adaptações complexas.

Essa compatibilidade facilita a incorporação em pipelines de localização, onde a geração de áudio pode ser automatizada junto com a transcrição e tradução.

Uso de SDKs padrão da indústria

Utilize SDKs oficiais da OpenAI ou HTTP direto. A estrutura do JSON é idêntica, simplificando a implementação em Python, Node.js ou Go.

  • Compatível com SDKs oficiais OpenAI

Automação de geração em lote

Envie múltiplas requisições para processar arquivos de dublagem em sequência. O limite de 60 requisições por minuto (10 antes da primeira recarga) permite alta produtividade.

Compatibilidade com ferramentas existentes

Integre com softwares de edição e tradução já utilizados. A saída em formatos padrão facilita a importação direta nas estações de trabalho.

Limitações técnicas conhecidas

Ilustração de onda sonora para: Limitações técnicas conhecidas

A API oferece precisão técnica sem funcionalidades avançadas de marcação ou personalização de voz. Entenda o que está incluído e o que deve ser gerenciado externamente na sua pipeline de produção.

As limitações listadas abaixo são determinantes para o design da integração, especialmente em fluxos de localização em massa.

Sem suporte a SSML

O endpoint não interpreta marcadores de fala (SSML). Elementos como pausas, ênfase ou mudança de voz em tempo real devem ser tratados antes do envio ou na pós-produção.

A formatação depende exclusivamente da estrutura do texto enviado no campo input.

Sem clonagem personalizada de voz

Não é possível enviar amostras de áudio para criar vozes personalizadas ou imitar vozes específicas de clientes. Utilizam-se apenas os 8 presets disponíveis (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion).

Cada arquivo gerado contém uma marca d'água inaudível identificando-o como síntese artificial.

Sem streaming em tempo real

A resposta é o arquivo de áudio completo, não um fluxo contínuo. O cliente deve aguardar o término da síntese no servidor para receber o binário.

Não há suporte a WebSocket ou áudio parcial para sincronização lipsync ao vivo.

Formatos de saída e compatibilidade

Ilustração de onda sonora para: Formatos de saída e compatibilidade

O endpoint retorna áudio nos formatos MP3, WAV, OPUS, FLAC ou PCM, especificados no campo response_format do JSON. Cada formato atende a diferentes estágios da cadeia de produção, desde a compressão para distribuição até a preservação de qualidade para edições posteriores.

Suporte a MP3, WAV, OPUS, FLAC, PCM

A API aceita solicitações para cinco formatos de áudio distintos. MP3 e OPUS oferecem compressão eficiente para arquivos finais. WAV e FLAC preservam a integridade dos dados sem perdas, ideais para masterização. PCM fornece áudio cru, sem cabeçalhos de container.

  • MP3: compressão com perdas, ideal para web
  • WAV: áudio sem perdas, padrão da indústria
  • OPUS: alta eficiência de compressão
  • FLAC: compressão sem perdas
  • PCM: áudio cru, não comprimido

Escolha de formato por projeto

A seleção deve considerar o fluxo de trabalho da agência. Formatos sem perdas facilitam a edição posterior, enquanto formatos comprimidos reduzem o armazenamento. A escolha é feita no corpo da requisição, permitindo flexibilidade entre diferentes projetos de localização.

Compatibilidade com players padrão

Todos os formatos retornados são amplamente suportados por software de edição de áudio e reprodutores padrão. A compatibilidade garante que os arquivos gerados possam ser integrados diretamente em pipelines de dublagem sem necessidade de conversão adicional complexa.

Formatos de saída e compatibilidade

Monitoramento de uso

Ilustração de onda sonora para: Monitoramento de uso

O acompanhamento preciso do consumo de caracteres é essencial para a gestão de custos em pipelines de localização. O painel da conta exibe o saldo atual, o crédito de teste restante e o histórico de uso. Cada caractere, incluindo espaços e pontuação, é contabilizado para o cálculo do custo de $0,01 por mil caracteres.

O painel da conta exibe o saldo atual, o crédito de teste restante e o histórico de uso. Isso permite que as equipes de produção monitorem o orçamento em tempo real e evitem interrupções no serviço.

Acompanhamento de caracteres gastos

O sistema registra cada requisição bem-sucedida ou falha, garantindo transparência total. Caracteres excedentes ou pedidos duplicados são claramente identificados no histórico.

O custo é calculado automaticamente com base no volume processado. Não há taxas ocultas ou taxas mínimas mensais.

  • Contagem exata de caracteres incluídos espaços e pontuação
  • Cálculo automático baseado em $0,01 por 1.000 caracteres
  • Cobrança apenas em requisições bem-sucedidas

Histórico de requisições

Cada entrada no registro de uso inclui carimbo de data/hora, modelo utilizado e status final. O histórico permite identificar picos de uso ou gargalos na geração de áudio em larga escala. Isso facilita a auditoria interna e a reconciliação financeira.

As informações são mantidas apenas para fins de faturamento e não incluem o conteúdo do texto processado.

O histórico permite identificar picos de uso ou gargalos na geração de áudio em larga escala.

Controle de limites por chave

Cada chave de API possui um limite de 60 requisições por minuto. Esse limite é aplicado por conta e ajuda a prevenir o consumo excessivo acidental.

Antes da primeira recarga, o limite é de 10 requisições por minuto. Isso permite testes controlados sem impacto no fluxo principal de produção.

  • Limite padrão de 60 requisições por minuto
  • Limite inicial de 10 requisições antes da recarga
  • Limites aplicados por chave de API ativa

Segurança de dados

Ilustração de onda sonora para: Segurança de dados

O texto enviado para síntese é processado em tempo real e não persiste nos servidores após a geração do arquivo de áudio. Isso garante que o conteúdo original da sua produção não fique armazenado indefinidamente, reduzindo o risco de exposição acidental de roteiros ou materiais confidenciais durante o pipeline de localização.

Os metadados da requisição (horário, quantidade de caracteres e status) são mantidos exclusivamente para fins de faturamento e controle de uso. Não há retenção de dados para treinamento de modelos ou análise de conteúdo, garantindo que a privacidade dos seus textos seja respeitada em todo o ciclo de vida da API.

Texto não armazenado após geração

A síntese ocorre de forma efêmera. Assim que o arquivo de áudio é gerado e retornado na resposta, o texto original não é persistido no armazenamento do sistema.

Metadados mantidos apenas para faturamento

Mantemos apenas o tempo de processamento, a quantidade de caracteres consumidos e o status da requisição. Esses dados servem estritamente para a cobrança precisa e para o controle de limites da chave API, sem retenção de conteúdo semântico.

Uso exclusivo para síntese

O texto fornecido é utilizado exclusivamente para a geração do áudio solicitado. Não utilizamos seu input para treinar nossos modelos nem para análise de dados de terceiros, mantendo o processo isolado e focado na entrega do arquivo de áudio.

Configuração de velocidade

Ilustração de onda sonora para: Configuração de velocidade

A API permite ajustar a velocidade de fala entre 0,25x e 4,0x, oferecendo controle preciso sobre a cadência da narração. Esse parâmetro é aplicado diretamente no corpo JSON da requisição, facilitando a integração em pipelines de automação de localização.

O ajuste não altera o tom emocional da voz, pois os modelos não suportam tags de emoção ou SSML. A variação afeta apenas a taxa de articulação, mantendo a consistência acústica da voz selecionada.

Range de 0.25 a 4.0 vezes

O campo speed aceita valores decimais dentro do intervalo especificado. Valores abaixo de 1.0 retardam a pronúncia, útil para legendagem sincronizada ou públicos não nativos. Valores acima de 1.0 aceleram o discurso, otimizando tempo em narrações rápidas.

  • Mínimo: 0.25x (meia velocidade)
  • Máximo: 4.0x (velocidade quadruplicada)
  • Padrão: 1.0x (velocidade normal)

Ajuste fino de entonação

A entonação é determinada exclusivamente pela voz base selecionada (ex: aria, nova, felix). A velocidade não modifica a inflexão natural da voz, apenas a duração dos fonemas. Para mudanças de entonação, é necessário alternar entre as 8 vozes disponíveis.

Impacto na duração do áudio

A velocidade altera diretamente a duração do arquivo gerado, mas não o custo. O preço é calculado por caractere enviado, independentemente da velocidade aplicada. Textos longos podem ser processados em tempo real aproximado.

  • Custo fixo por caractere
  • Duração variável conforme velocidade
  • Latência não afetada pelo preço

Erros comuns na integração

Ilustração de onda sonora para: Erros comuns na integração

Erros de integração são geralmente evitáveis com a verificação básica de limites e credenciais. A maioria das falhas ocorre por excesso de caracteres ou configurações de JSON inadequadas.

Excesso de caracteres por requisição

Cada requisição aceita no máximo 4096 caracteres. Textos maiores devem ser divididos manualmente antes do envio.

  • Máximo de 4096 caracteres por payload JSON.

Chave de API incorreta ou expirada

A chave deve iniciar com "tts-" e ser enviada no cabeçalho Authorization. Uma nova chave invalida a anterior imediatamente.

  • Formato: Bearer tts-... .
  • Validade imediata na emissão de nova chave.

Formato de JSON mal estruturado

O corpo da requisição deve seguir estritamente o schema da API. Campos obrigatórios incluem model, input e voice.

Suporte técnico para desenvolvedores

Ilustração de onda sonora para: Suporte técnico para desenvolvedores

O acesso à documentação completa e aos exemplos de código está disponível na seção de docs. A estrutura segue o padrão OpenAI, facilitando a integração imediata com SDKs existentes e pipelines de produção de agências de localização.

Para dúvidas específicas sobre implementação ou comportamento da API, o suporte técnico é realizado exclusivamente por e-mail. Não há atendimento telefônico ou chat ao vivo, garantindo um registro claro de cada solicitação técnica.

Documentação técnica detalhada

A documentação técnica está centralizada na página /docs/, descrevendo o endpoint POST para síntese e GET para consulta de vozes. A estrutura das requisições segue o padrão OpenAI, permitindo o uso de SDKs oficiais com alteração simples do base_url para https://api.77at.info/v1.

Todos os parâmetros, desde a seleção de modelo até a formatação de saída, são detalhados com exemplos de corpo JSON. Isso reduz o tempo de integração para desenvolvedores que já possuem familiaridade com a API de speech da OpenAI.

  • Documentação completa no endpoint /docs/
  • Compatibilidade nativa com SDKs oficiais da OpenAI

Exemplos de código disponíveis

Exemplos práticos de integração estão disponíveis na documentação, demonstrando o envio de texto e o recebimento do arquivo de áudio. Esses exemplos cobrem os casos de uso mais comuns, incluindo a gestão de caracteres e a seleção de voz.

A estrutura de código apresentada facilita a automação de pipelines de dublagem, permitindo que agências integrem a geração de áudio diretamente em seus sistemas de produção sem necessidade de adaptações complexas.

Contato via e-mail para dúvidas

O suporte técnico para desenvolvedores é realizado exclusivamente por e-mail. Não há número de telefone ou chat ao vivo disponível para a plataforma.

Esta abordagem garante que todas as dúvidas técnicas sejam registradas e respondidas de forma assíncrona, permitindo um acompanhamento detalhado das questões de integração enviadas pelos clientes.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. A seleção deve considerar a natureza do texto original para assegurar que a síntese respeite as expectativas de tom e ritmo do projeto final.

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. Node.js documentation
  3. OpenAI API reference: create speech
  4. LibriVox public-domain audiobooks
  5. LibriTTS-R corpus (OpenSLR 141)
  6. LibriTTS-R paper (arXiv 2305.18802)
  7. IETF RFC 7845: Ogg Opus
  8. Python documentation
  9. Tether (USDT)
  10. FFmpeg documentation
  11. ISO 639 language codes
  12. openai-node on GitHub

Mais neste site