Como usar a API TTS para ler notícias em voz alta?

Por Equipe editorial VoicePublisher · Atualizado 2026-11-18

Esta página explica como integrar a API de Text-to-Speech da VoicePublisher em sites de notícias e plataformas de conteúdo. Você aprenderá o fluxo técnico para converter artigos em áudio, desde a configuração inicial até a exibição do player, sem necessidade de infraestrutura complexa.

O guia é direcionado a editores e desenvolvedores que buscam aumentar o tempo de permanência e a acessibilidade do site. Abordamos limitações técnicas, custos por caractere, formatos de áudio e a lógica de integração via JavaScript ou backend, com exemplos práticos para publicações jornalísticas.

Como usar a API TTS para ler notícias em voz alta?

Perguntas frequentes

O que significa TTS em sites de notícias?

TTS (Text-to-Speech) converte texto digitado em áudio sintetizado. Nossa API recebe texto via POST e retorna um arquivo de áudio. Isso permite que leitores ouçam artigos em vez de ler, aumentando o tempo de permanência na página e a acessibilidade do conteúdo jornalístico.

A API lê textos em português do Brasil?

Sim. O português está entre os 23 idiomas suportados. Você pode definir o idioma explicitamente no campo language ou permitir que a API detecte automaticamente. Qualquer uma das 8 vozes (como nova e luna) pode gerar áudio em português, garantindo flexibilidade para seus conteúdos.

É necessário converter o HTML para texto puro?

Sim. O campo input aceita texto puro, limitado a 4096 caracteres por solicitação. Você deve extrair o texto do HTML do seu artigo antes de enviar para a API. Tags HTML não são processadas automaticamente.

A API suporta acentos e caracteres especiais?

Sim. A API processa texto UTF-8 completo, incluindo acentos, cedilha e caracteres especiais comuns no português. Basta enviar o texto codificado corretamente no corpo da requisição JSON para o endpoint de síntese.

Qual a diferença entre tts-1 e tts-1-hd?

Ambos usam o mesmo motor de síntese e têm o mesmo preço. A diferença está apenas no nome do modelo enviado na requisição. Ambos retornam áudio de alta qualidade sem custo adicional diferenciado entre as duas opções.

Posso pausar ou parar o áudio gerado?

Não há streaming ou WebSocket. A API retorna o arquivo de áudio completo após o processamento. O player do seu site controla a pausa e parada, mas a API não interrompe a geração parcial durante o envio.

A API funciona em dispositivos móveis?

Sim. A API funciona em qualquer dispositivo com conexão à internet via HTTP. Os SDKs da OpenAI são compatíveis, bastando ajustar o base_url para https://api.playvc88.com/v1. Não há SDK nativo exclusivo, mas a mesma estrutura de requisição permite integração direta em aplicativos móveis e navegadores sem dependências específicas.

O áudio gerado é idêntico para todos os usuários?

Sim, para o mesmo texto e voz. Cada arquivo gerado contém uma marca d'água inaudível que indica ser fala sintética. O conteúdo auditivo é consistente para entradas idênticas, garantindo que o mesmo input produza o mesmo resultado de áudio, facilitando a integração técnica em plataformas de notícias.

Existe limite de uso diário?

Não há limite diário fixo. O limite é de 60 requisições por minuto por chave (10 antes da primeira recarga). Como cada requisição aceita até 4096 caracteres, textos longos são divididos automaticamente. O volume total processado depende da sua velocidade de geração e da fila de processamento, sem restrição de tempo ou quantidade diária.

A API pode ser usada para audiobooks?

Sim. As vozes Luna e Orion são adequadas. O texto é dividido em partes de até 4096 caracteres e unido. O custo é $0,01 por 1.000 caracteres, tornando viável para conteúdo extenso. Lembre-se: cada solicitação tem limite de 4096 caracteres e o processamento é sequencial, podendo haver filas sob carga.

Como garantir a privacidade do texto do leitor?

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 requisição são mantidos para faturamento.

O que acontece se o servidor estiver lento?

As requisições são processadas em fila. Se houver carga, uma solicitação pode aguardar. O tempo típico é cerca de 25 caracteres por segundo. Se a síntese falhar, a cobrança é devolvida integralmente.

Posso usar a API para legendas automáticas?

Não. A API gera áudio, não texto. Não há suporte para legendas automáticas (SRT) ou sincronização temporal. Você deve usar um player de áudio externo para exibir o áudio gerado.

A voz muda dependendo do horário?

Não. As vozes são presets fixos (como 'aria', 'nova', 'felix'). Não há variação de tom ou emoção baseada em horário ou contexto. A voz escolhida no campo voice permanece constante.

O conceito de Text-to-Speech (TTS)

Ilustração de onda sonora para: O conceito de Text-to-Speech (TTS)

Text-to-Speech (TTS) é o processo de converter texto escrito em áudio sintetizado. Nossa API aceita texto e retorna um arquivo de áudio, sem necessidade de infraestrutura complexa de gravação.

O sistema utiliza vozes baseadas em gravações licenciadas, gerando arquivos estáticos que podem ser armazenados e reproduzidos conforme necessário.

Definição de síntese de fala

A síntese de fala transforma caracteres em ondas sonoras artificiais. Cada caractere, incluindo espaços e pontuação, é processado para gerar áudio natural.

Diferença entre streaming e arquivo

Nossa API não oferece streaming em tempo real nem WebSockets. Ela retorna um arquivo completo (mp3, wav, opus, flac ou pcm) após o processamento.

O arquivo é entregue via resposta HTTP, permitindo cache e reprodução offline.

  • Sem streaming de áudio parcial
  • Arquivo final entregue após síntese completa

Uso em plataformas web

Publicadores integram a API via HTTP POST ou SDKs compatíveis. O áudio gerado pode ser inserido em players HTML5 padrão.

Arquivos podem ser cacheados no servidor para evitar chamadas repetidas ao mesmo conteúdo.

Vantagens para publicações de notícias

Ilustração de onda sonora para: Vantagens para publicações de notícias

A API converte textos em arquivos de áudio reais, permitindo que leitores cegos ou com baixa visão acessem o conteúdo jornalístico de forma independente. A integração é técnica e direta, sem necessidade de plugins complexos.

Acessibilidade para deficientes visuais

Ao transformar artigos em áudio, o site oferece uma alternativa viável para usuários que utilizam leitores de tela ou têm dificuldade de leitura prolongada. A voz sintética lê o texto completo, garantindo que toda a informação jornalística seja entregue sem perda de contexto.

  • Compatível com leitores de tela padrão
  • Navegação linear pelo conteúdo do artigo
  • Suporte a múltiplos idiomas

Consumo de conteúdo em movimento

O formato de arquivo permite que o usuário escute as notícias enquanto realiza outras atividades, como dirigir ou fazer tarefas domésticas. O áudio é gerado sob demanda e pode ser reproduzido em qualquer dispositivo compatível com os formatos suportados, como MP3 ou WAV.

Aumento de tempo na página

Oferecer áudio nativo incentiva a permanência do usuário no site, pois ele pode consumir o conteúdo sem focar exclusivamente na tela. A tecnologia é projetada para ser leve e não bloquear a experiência de navegação principal.

Vantagens para publicações de notícias

Escolha de vozes para conteúdo informativo

Ilustração de onda sonora para: Escolha de vozes para conteúdo informativo

A API oferece oito vozes pré-definidas, projetadas para clareza e naturalidade. Elas são baseadas em gravações licenciadas do LibriTTS-R (CC BY 4.0) e leituras de domínio público do LibriVox. Cada arquivo de áudio gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética, garantindo transparência sem afetar a experiência do ouvinte.

Vozes neutras e claras

Para notícias, as vozes atlás (neutra) e aria (narradora clara e quente) são ideais. Elas entregam o texto com pronúncia precisa, sem distorções emocionais, mantendo o foco no conteúdo jornalístico.

  • Atlás: neutro, ideal para notícias
  • Aria: narradora clara e quente
  • Luna: suave, para storytelling
  • Sage: calmo, para instrução

Evitar emoções exageradas

As vozes não possuem tags de emoção ou clonagem personalizada. Isso evita que o áudio soe artificialmente dramático. O tom permanece consistente, adequado para leitura contínua de artigos longos.

Consistência de marca

Como as vozes são fixas, você pode escolher uma para todo o site. Isso cria uma identidade auditiva reconhecível. O usuário sabe imediatamente que está ouvindo conteúdo da sua plataforma, aumentando a familiaridade e a confiança.

Limitações técnicas a considerar

Ilustração de onda sonora para: Limitações técnicas a considerar

A API TTS para leitura de notícias opera com limites técnicos específicos que impactam diretamente a arquitetura da integração. Entender essas restrições é essencial para garantir uma experiência de áudio fluida e consistente nos seus publicações.

Limite de 4096 caracteres

Cada requisição aceita no máximo 4096 caracteres. Para artigos longos, é necessário dividir o texto em partes menores e concatenar os arquivos de áudio gerados no lado do cliente ou do servidor.

Sem suporte a SSML

A sintaxe de marcação de fala (SSML) não é suportada. Isso significa que não há controle granular sobre pausas, ênfase ou pronúncia customizada de termos específicos, como siglas de cidades ou nomes próprios.

Processamento síncrono

As solicitações são processadas em série, uma após a outra. Sob carga, as requisições podem entrar em fila, aumentando o tempo de resposta. Não há streaming de áudio parcial; o arquivo completo é retornado apenas após a síntese terminar.

Idiomas e detecção automática

Ilustração de onda sonora para: Idiomas e detecção automática

A API suporta 23 idiomas, incluindo inglês, árabe, chinês, dinamarquês, holandês, finlandês, francês, alemão, grego, hebraico, hindi, italiano, japonês, coreano, malaio, norueguês, polonês, português, russo, espanhol, sueco e turco. Qualquer voz pode falar qualquer um desses idiomas, permitindo consistência acústica independentemente do idioma do artigo.

O sistema detecta o idioma automaticamente pelo script. Textos em latim assumem inglês por padrão. Para textos em outros idiomas com alfabeto latino (como holandês ou polonês), defina o parâmetro language manualmente para evitar erros de pronúncia.

Suporte a 23 idiomas

O conjunto de idiomas cobre a maioria dos mercados editoriais globais. Voces como 'atlas' ou 'sage' mantêm neutralidade e clareza em todos os idiomas suportados, ideais para leitura de notícias.

Idiomas não suportados incluem vietnamita, indonésio, tailandês, ucraniano, romeno, checo, bengali e outros não listados.

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

Detecção por script latin

Se o campo language não for enviado, o sistema inferirá o idioma. Textos em caracteres latinos são tratados como inglês por padrão. Isso simplifica integrações rápidas, mas requer atenção para línguas românicas ou germânicas não inglesas.

Configuração manual de idioma

Para garantir a pronúncia correta em textos latinos não ingleses, envie o código ISO do idioma no corpo da requisição. Isso sobrepõe a detecção automática e garante a emissão fonética adequada para o conteúdo jornalístico.

Integração com CMS e sites

Ilustração de onda sonora para: Integração com CMS e sites

A integração é feita via HTTP simples, sem necessidade de SDK proprietário. O endpoint aceita o mesmo formato JSON usado por clientes OpenAI, permitindo reutilizar bibliotecas existentes com a configuração de base_url para https://api.playvc88.com/v1.

Chamada via JavaScript

Ideal para protótipos, mas expõe a chave Bearer no navegador. Como o limite é de 60 requisições por minuto por chave, o tráfego moderado de um portal de notícias pode saturar a cota rapidamente se não houver controle de frequência no frontend.

Backend server-side

Recomendado para produção. O servidor proxy guarda a chave e gerencia a fila de requisições, evitando o gargalo de 60 req/min no frontend. Permite adicionar lógica de negócio, como verificar saldo ou formatar respostas antes de enviá-las ao cliente.

Cache de áudio gerado

Como o texto do artigo não muda frequentemente, armazene o arquivo de áudio gerado no seu CDN ou storage. Isso elimina chamadas repetidas à API para o mesmo conteúdo, reduzindo custos e latência para o leitor.

Custo-benefício para publishers

Ilustração de onda sonora para: Custo-benefício para publishers

O modelo de precificação é estritamente baseado no consumo, cobrando $10 por 1 milhão de caracteres ($0,01 por 1.000 caracteres). Espaços e pontuação contam como caracteres. Requisições falhas não geram cobrança.

O custo escala linearmente com o volume de áudio gerado, sem necessidade de adivinhar o tamanho da infraestrutura. Ideal para publishers que querem converter apenas o conteúdo relevante em áudio.

Preço por caractere

O custo é calculado exatamente pela quantidade de texto enviada. Cada caractere, incluindo espaços, conta para o total. O preço fixo de $0,01 por 1.000 caracteres facilita o cálculo exato do custo por artigo, sem taxas ocultas de processamento.

  • Cobrança por milhão de caracteres: $10
  • Custo unitário: $0,01 por 1.000 caracteres
  • Espaços e pontuação entram no cálculo

Escalabilidade sem planos

A infraestrutura acompanha o tráfego sem exigir mudanças de tier. Se o volume de artigos publicados aumentar, o custo aumenta proporcionalmente. Não há limites rígidos que impeçam o crescimento, embora o limite técnico de 60 requisições por minuto por chave possa exigir gestão de fila em picos de publicação simultânea.

  • Sem limites de tier ou capacidade máxima
  • Crescimento proporcional ao volume de texto
  • Gestão de fila necessária em picos de alta concorrência

Sem custo fixo mensal

Não há mensalidades, planos de assinatura ou custos de manutenção de servidor fixos. O investimento ocorre apenas quando há geração de áudio. Isso elimina o risco de pagar por capacidade ociosa em dias de baixa publicação.

  • Zero mensalidades ou assinaturas
  • Pagamento apenas pelo uso efetivo
  • Sem custo de retenção de capacidade
Custo-benefício para publishers

Qualidade de áudio e formatos

Ilustração de onda sonora para: Qualidade de áudio e formatos

A API oferece cinco formatos de áudio: mp3, wav, opus, flac e pcm. A seleção é feita via campo response_format na requisição JSON. O MP3 é padrão para web, WAV para alta fidelidade e OPUS para eficiência de banda.

Opções MP3, WAV, Opus

Cada formato atende a diferentes necessidades de armazenamento e latência. O FLAC oferece compressão sem perda, ideal para arquivamento. O PCM fornece áudio bruto, útil para processamento posterior. O Opus reduz significativamente o tamanho do arquivo mantendo qualidade audível.

Tamanho de arquivo

O tamanho varia conforme o formato e a duração. Em média, gera-se cerca de 1 segundo de áudio por 25 caracteres de texto. Formatos comprimidos como MP3 e Opus resultam em arquivos menores que WAV ou FLAC para a mesma duração.

Compatibilidade de player

MP3 e WAV têm suporte universal em navegadores modernos. O Opus é suportado pela maioria dos browsers atuais, embora versões antigas do Safari possam exigir polyfills. PCM é amplamente compatível em ambientes de desenvolvimento e ferramentas de edição.

Privacidade e uso de dados

Ilustração de onda sonora para: Privacidade e uso de dados

O texto enviado é processado exclusivamente para gerar o arquivo de áudio correspondente. Não utilizamos o conteúdo dos artigos para treinar ou ajustar o modelo de síntese de fala, garantindo que a inteligência artificial não aprenda com seu acervo jornalístico.

O arquivo de áudio gerado é retornado na resposta HTTP e não é armazenado em nossos servidores após o envio. Cada requisição é tratada como um evento isolado, sem retenção do conteúdo gerado para uso futuro.

Texto não treinado em modelo

O input enviado pela sua API permanece isolado do ciclo de treinamento. Isso preserva a exclusividade do seu conteúdo editorial, pois ele não entra na base de dados usada para evoluir o motor de voz.

Não armazenamento de áudio

Não mantemos cópias dos arquivos de áudio gerados. O áudio existe apenas no momento da transferência para o seu cliente ou servidor. Isso reduz o risco de vazamento ou uso indevido do conteúdo gerado para seus leitores.

Dados de meta para faturamento

Retemos apenas metadados essenciais: timestamp, número de caracteres processados e status da solicitação. Esses dados são usados exclusivamente para calcular o custo por caractere e gerar o histórico de consumo na sua conta.

Exemplo de fluxo de trabalho

Ilustração de onda sonora para: Exemplo de fluxo de trabalho

O fluxo de trabalho para integrar TTS em plataformas de notícias começa com o recebimento do artigo no CMS. O sistema detecta o texto bruto e o prepara para o processamento, garantindo que o conteúdo esteja limpo e pronto para a síntese.

Recebimento do artigo

O sistema captura o texto do artigo no CMS. O conteúdo é validado e dividido em partes de até 4096 caracteres, respeitando os limites da API para garantir a integridade da síntese.

Envio para API

O backend envia uma requisição POST para https://api.playvc88.com/v1/audio/speech com o texto e a voz selecionada (ex: atlas para notícias). A API retorna o arquivo de áudio gerado, que é armazenado para cache, evitando recálculos desnecessários.

Exibição do player

O áudio cacheado é integrado ao artigo via player HTML5. O usuário pode reproduzir o conteúdo diretamente na página, aumentando o tempo de permanência sem sair do contexto de leitura.

Fatores de performance

Ilustração de onda sonora para: Fatores de performance

A velocidade de geração depende diretamente do volume de texto e da carga atual do sistema. Textos longos são processados em partes de até 4096 caracteres, gerando áudio em tempo aproximado de 25 caracteres por segundo. Frases curtas podem levar alguns segundos para finalizar a síntese.

Como as requisições são processadas sequencialmente, picos de tráfego podem fazer com que sua solicitação aguarde na fila antes de começar. Isso é normal sob carga e não indica falha no serviço, apenas a natureza síncrona do processamento atual.

Tempo de geração

O tempo de processamento é proporcional à duração do áudio gerado. Para textos extensos, o sistema divide o conteúdo em blocos manejáveis. O usuário final percebe isso como um atraso inicial antes do início da reprodução, especialmente em conexões lentas.

  • Aproximadamente 25 caracteres gerados por segundo de áudio.
  • Textos curtos levam alguns segundos para finalizar.
  • Limitado a 4096 caracteres por requisição.

Fila de processamento

As requisições são executadas uma após a outra. Sob alta demanda, novas solicitações podem aguardar na fila antes de serem processadas. Isso garante a integridade dos dados, mas pode aumentar o tempo total de resposta em horários de pico.

  • Processamento sequencial de requests.
  • Aguardar na fila sob alta carga.
  • Sem garantia de tempo de resposta imediato.

Velocidade de rede

A experiência final do usuário depende também da velocidade de download do arquivo de áudio gerado. Formatos como MP3 e Opus são mais leves, facilitando o carregamento em dispositivos móveis. A latência da rede do publisher também impacta a percepção de velocidade.

Recomenda-se implementar cache no servidor para evitar requisições redundantes ao API para o mesmo conteúdo estático, otimizando o tempo de resposta percebido.

  • Formatos leves (MP3, Opus) carregam mais rápido.
  • Cache no servidor reduz chamadas repetidas.
  • Latência da rede do publisher influencia a experiência final.
Fatores de performance

Conclusão sobre adoção de TTS

Ilustração de onda sonora para: Conclusão sobre adoção de TTS

A adoção da API VoicePublisher representa uma solução técnica viável para publishers que necessitam de leitura em voz alta sem complexidade de infraestrutura. A integração via API REST simplifica a implementação, permitindo que artigos sejam convertidos em áudio de forma automatizada e confiável.

Viabilidade técnica

A estrutura baseada em HTTP facilita a integração com qualquer CMS moderno. O limite de 4096 caracteres por requisição exige apenas lógica de segmentação simples no frontend ou backend, garantindo que o áudio seja gerado sem falhas de formato.

Custo operacional

O modelo pay-per-use elimina custos fixos. Com $0.01 por mil caracteres, o custo é diretamente proporcional ao volume de leitura. A ausência de planos mensais permite escalar o uso apenas quando há tráfego real, otimizando o orçamento editorial.

Impacto no usuário final

A acessibilidade é ampliada para leitores com deficiência visual ou dislexia. Além disso, o áudio permite o consumo de notícias em segundo plano, aumentando o tempo de permanência na página sem exigir atenção visual constante do usuário.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Os editores precisam adaptar suas estratégias para alcançar públicos cada vez mais exigentes e conectados globalmente.

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. openai-node on GitHub
  3. OpenAI API reference: create speech
  4. MDN: Web Speech API
  5. Python documentation
  6. ISO 639 language codes
  7. Node.js documentation
  8. Creative Commons Attribution 4.0
  9. Tether (USDT)
  10. FFmpeg documentation
  11. LibriTTS-R paper (arXiv 2305.18802)
  12. LibriTTS-R corpus (OpenSLR 141)

Mais neste site