Question 1

Por que algumas vozes soam robóticas e outras não?

Accepted Answer

Porque são tecnologias de épocas diferentes. As vozes marcadas como "Básica" são sintetizadores concatenativos ou formantes que o sistema operacional carrega desde os anos 2000: elas montam a fala colando pedaços gravados, e é daí que vem o som metálico. As marcadas como "Natural" já são redes neurais do próprio sistema (as vozes "Natural" da Microsoft, as do Google no Android e no Chrome). As marcadas como "Neural" e "Premium" são modelos que esta ferramenta baixa e roda no seu navegador, e são as que soam melhor. Se a voz atual está feia, o caminho é filtrar por "Neural" e escolher uma voz do seu idioma.

Question 2

Por que preciso baixar um arquivo grande para usar as vozes neurais?

Accepted Answer

Porque o modelo roda no seu dispositivo, não num servidor nosso. Um modelo Piper tem entre 20 MB e 110 MB, e o Kokoro cerca de 86 MB. O download acontece uma vez por voz e o arquivo fica guardado no armazenamento do navegador (OPFS), então da segunda vez em diante a voz carrega na hora, inclusive sem internet. É o preço de não mandar o seu texto para lugar nenhum. Você pode ver o que está guardado e apagar o que não usa mais no painel "Avançado".

Question 3

Por que não consigo baixar o MP3 com a voz do meu sistema?

Accepted Answer

Porque o navegador não entrega esse áudio para a página. A Web Speech API expõe apenas comandos de reprodução: a página pede para falar e o sistema fala, sem nunca passar as amostras de áudio de volta. Isso não é uma limitação desta ferramenta, é como o padrão foi desenhado, e vale para qualquer site. Para gerar arquivo, escolha uma voz Neural ou Premium: essas rodam dentro da página, então o áudio existe aqui e pode ser exportado em MP3 ou WAV.

Question 4

Como faço a voz pausar, enfatizar ou falar mais devagar num trecho?

Accepted Answer

Use a barra de marcação acima do texto, ou escreva direto. Aceitamos duas grafias: colchetes, como [pausa 800ms], [devagar]texto[/devagar] e [sussurro]texto[/sussurro]; e tags no estilo SSML, como , texto e texto. Nenhum navegador implementa SSML de verdade, então quem interpreta a marcação é a própria ferramenta, e por isso ela funciona igual nos três motores. Tag desconhecida vira aviso e é descartada, nunca é lida em voz alta.

Question 5

A ferramenta lê números, datas e valores em dinheiro corretamente?

Accepted Answer

Sim, e essa é uma das partes que mais muda o resultado. Antes de sintetizar, o texto passa por uma normalização que escreve por extenso o que se fala por extenso: "R$ 1.234,56" vira "mil duzentos e trinta e quatro reais e cinquenta e seis centavos", "12/03/2026" vira a data completa, "120 km/h" vira "cento e vinte quilômetros por hora", "3ª" vira "terceira" e "século XXI" vira "século vinte e um". Cada regra pode ser desligada individualmente no painel "Avançado", caso o seu texto precise ser lido literalmente.

Question 6

Dá para fazer um diálogo com vozes diferentes para cada personagem?

Accepted Answer

Dá. Escreva o texto no formato "Nome: fala", uma linha por turno, e a ferramenta detecta os personagens sozinha. No painel "Avançado" aparece um seletor de voz para cada um. O nome do personagem não é falado: quem indica a troca de turno é a mudança de voz. O detector é conservador de propósito, então rótulos como "Atenção:" ou "Observação:" no meio de um texto comum não viram personagem.

Question 7

As legendas SRT batem com o áudio de verdade?

Accepted Answer

Batem, porque os tempos são medidos e não estimados. Como a síntese acontece aqui, sabemos a duração exata de cada trecho de fala no arquivo gerado, e a legenda usa esses números. É diferente das ferramentas que estimam por "palavras por minuto", que acumulam erro e desandam alguns segundos depois de alguns minutos de áudio. Dentro de uma frase muito longa, quebrada em mais de um bloco, o tempo é repartido em proporção ao número de caracteres, mas o início e o fim de cada frase são exatos.

Question 8

Qual é o limite de caracteres?

Accepted Answer

Não há um limite fixo. O texto é fatiado em frases e cada frase é falada como uma unidade, o que resolve o travamento clássico do Chrome com textos longos numa única chamada. Com a voz do sistema, o custo de um texto grande é só tempo. Com uma voz neural, cada frase é sintetizada enquanto a anterior toca, então o áudio começa em segundos mesmo num texto de várias páginas, e a exportação só espera o texto inteiro terminar de ser gerado.

Question 9

Meu texto é enviado para algum servidor?

Accepted Answer

Não. O texto, o áudio gerado, o dicionário de pronúncia e as preferências ficam no seu dispositivo. As únicas requisições de rede que a ferramenta faz são para baixar os arquivos de modelo das vozes neurais, hospedados nos repositórios públicos do Hugging Face, e essas requisições carregam apenas o pedido do arquivo, nunca o seu texto. Se você usar só a voz do sistema, nenhuma requisição é feita.

Question 10

O que faz o dicionário de pronúncia?

Accepted Answer

Ele troca termos antes de o texto chegar ao sintetizador, o que resolve nomes próprios, siglas e estrangeirismos que a voz erra. Escrever que "SQL" deve ser lido como "esse quê ele" ou que "Xanxerê" deve virar "Chan-che-rê" corrige a leitura em qualquer motor. A substituição é por palavra inteira, então "SQL" não altera "SQLite", e termos maiores são aplicados antes dos menores, então "SQL Server" não é fragmentado pela regra de "SQL".

Question 11

Funciona no celular e sem internet?

Accepted Answer

A voz do sistema funciona em qualquer celular moderno e não precisa de internet. As vozes neurais precisam de internet só no primeiro uso, para baixar o modelo; depois disso funcionam offline, desde que o navegador não tenha limpado o armazenamento. Em celulares mais antigos, um modelo grande pode não caber na memória: se isso acontecer, a ferramenta avisa e você pode escolher uma voz de qualidade "low" ou "x_low", que são bem menores, ou voltar para a voz do sistema.

Question 12

Posso usar o áudio gerado comercialmente?

Accepted Answer

Do lado desta ferramenta, sim: não cobramos nada e não reivindicamos direito sobre o que você gera. O que você precisa conferir é a licença da voz específica. Os modelos Piper vêm de conjuntos de dados variados, cada voz com a sua licença no repositório rhasspy/piper-voices no Hugging Face, e algumas são restritas a uso não comercial. O Kokoro é distribuído sob Apache 2.0. As vozes do sistema seguem os termos do seu sistema operacional. Verifique a licença da voz que você escolheu antes de publicar.

Conversor de Texto para Fala

Texto para Fala

Três motores de voz, todos rodando dentro do seu navegador

Cole o texto, escolha a voz e ajuste antes de dar o play.

Use esta ferramenta no seu site

Fontes e referências desta ferramenta

Perguntas frequentes

Ferramentas relacionadas

Conversor de Texto para Fala

Voz

Controles

Leitura

Exportar

Texto para Fala

Três motores de voz, todos rodando dentro do seu navegador

Cole o texto, escolha a voz e ajuste antes de dar o play.

Use esta ferramenta no seu site

Fontes e referências desta ferramenta

Perguntas frequentes

Ferramentas relacionadas

Voz

Controles

Leitura

Exportar

Texto para Fala

Três motores de voz, todos rodando dentro do seu navegador

Cole o texto, escolha a voz e ajuste antes de dar o play.

Use esta ferramenta no seu site

Fontes e referências desta ferramenta

Perguntas frequentes

Continue daqui

Ferramentas relacionadas

Voz

Controles

Leitura

Exportar

Texto para Fala

Três motores de voz, todos rodando dentro do seu navegador

Cole o texto, escolha a voz e ajuste antes de dar o play.

Use esta ferramenta no seu site

Fontes e referências desta ferramenta

Perguntas frequentes

Continue daqui

Ferramentas relacionadas

Voz

Controles

Leitura

Exportar