Gerador online de texto para voz

1. 1

   Insira o texto

   Digite ou cole o que quer ouvir, ou importe um arquivo .txt ou .md.

2. 2

   Escolha um motor

   Instantâneo usa as vozes do sistema e toca de imediato. Estúdio executa uma voz neural no seu dispositivo e pode ser baixado.

3. 3

   Escolha uma voz

   Selecione entre 28 vozes do Estúdio ou entre as que o seu sistema operacional oferece.

4. 4

   Ajuste o ritmo

   Mude a velocidade de leitura se o padrão estiver rápido ou lento demais.

5. 5

   Gere

   O Estúdio sintetiza o áudio no seu dispositivo e mostra o progresso por seção.

6. 6

   Baixe

   Salve o resultado como WAV, MP3, M4A, OGG ou FLAC.

Há dois motores atrás de uma mesma caixa de texto, porque as duas coisas que as pessoas querem de texto para voz puxam em direções opostas.

• Instantâneo — usa as vozes já instaladas no seu computador ou celular. Começa a falar assim que você aperta reproduzir, não baixa nada e suporta os idiomas do seu sistema. Não pode ser salvo em arquivo.
• Estúdio — executa um modelo neural de voz no seu dispositivo. Demora um pouco mais e produz uma forma de onda real, o que significa que pode ser baixada e usada em um vídeo, podcast ou apresentação.
• Uma caixa de texto — o texto, a velocidade e a lista de vozes são compartilhados, então trocar de motor não obriga a recomeçar.
• Nada é enviado — os dois motores rodam localmente. O texto colado e o áudio gerado ficam no dispositivo, o que não vale para as ferramentas online que mandam o seu texto para um servidor.

Esta é a parte que a maioria das ferramentas gratuitas guarda para si, e a razão de existir do motor Estúdio.

• WAV — a saída exata do modelo, sem compressão, a 24 kHz. Escolha quando o áudio for para um editor de vídeo ou áudio e for processado de novo.
• MP3 — o menor arquivo amplamente compatível, e o padrão certo para compartilhar, enviar ou incorporar. Codificado no seu dispositivo.
• M4A — AAC em um contêiner MP4 — a escolha nativa da Apple, bem suportada em ferramentas de vídeo.
• OGG e FLAC — Opus em OGG para a web com tamanhos pequenos, e FLAC quando quiser um arquivo sem perdas bem menor que WAV.
• Por que o Instantâneo não pode ser salvo — as vozes do sistema tocam direto na saída de áudio e não expõem nenhum fluxo para gravar. É uma limitação do sistema operacional, não desta ferramenta, e é por isso que o motor neural existe.

O motor Estúdio traz 28 vozes. Elas diferem em mais que o tom: cada uma foi treinada separadamente e algumas são bem mais claras que outras.

• Inglês americano — 20 vozes, 11 femininas e 9 masculinas. São a correspondência exata do dicionário de pronúncia e a melhor escolha para a maioria dos textos.
• Inglês britânico — 8 vozes. Falam com sotaque britânico usando vogais americanas, porque o dicionário por trás delas é americano. A diferença se ouve em palavras como «bath» e «dance».
• Como escolher — as vozes estão listadas da melhor para a pior. Se uma voz soar fina ou instável no seu texto, suba na lista em vez de mexer na velocidade.
• Outros idiomas — mude para o motor Instantâneo, que oferece o que o seu sistema operacional tiver — normalmente um conjunto bem mais amplo.

É aqui que as ferramentas de texto para voz mais se entregam, então vale ser específico.

• Números inteiros — 1.234 é lido como «mil duzentos e trinta e quatro», não como quatro dígitos separados.
• Anos — em inglês, «in 1999» é lido «nineteen ninety nine», enquanto «1999 items» é lido como quantidade. O contexto decide.
• Dinheiro — US$ 1.234,56 vira dólares e centavos. Libras, pence e euros são tratados do mesmo jeito.
• Decimais e versões — 1,5 é «um vírgula cinco». 2.0 é «dois», porque é assim que se fala.
• Ordinais e faixas — 3º, 21º e 102º são lidos como ordinais, e uma faixa como 128-192 é lida como dois números em vez de ser pulada.
• Símbolos — 25% é «vinte e cinco por cento», & é «e», @ é «arroba». Siglas como ISO, PDF e UTF-8 são soletradas letra a letra em vez de pronunciadas como palavras.

Qualidade de fala é sobretudo um problema de dicionário, não de modelo. Uma voz perfeita dizendo os sons errados continua errada.

• Um dicionário de 183.562 palavras — cada entrada dá os sons exatos e qual sílaba leva a tônica.
• Terminações por regra — «rendered» não está no dicionário, mas «render» está, e as regras de -s, -ed e -ing constroem o resto. É por isso que as formas flexionadas soam certas.
• Palavras que mudam com a função — «use» soa diferente como substantivo e como verbo, assim como «record», «content», «present» e umas setecentas outras. A frase ao redor decide.
• Contexto entre palavras — «the» antes de vogal não soa como antes de consoante, e «to» também não. Errar aqui deixa cada frase sutilmente estrangeira mesmo com cada palavra certa isoladamente.
• Palavras desconhecidas — nomes e neologismos vão para um pequeno modelo neural que prevê a pronúncia a partir da grafia, então uma palavra desconhecida é falada em vez de pulada.

Texto para voz é peculiar entre as ferramentas de conversão: o que você cola costuma ser justamente o que menos gostaria de entregar a um estranho.

• Nada é enviado — o modelo de voz desce uma vez para o seu navegador. Depois disso, nem o texto nem o áudio saem da máquina.
• Funciona offline — com o modelo em cache, a ferramenta continua funcionando sem rede.
• Sem controle de cota — não há nada para contar em um servidor, porque não há nada em um servidor.
• O custo — o modelo precisa ser baixado uma vez, e a síntese usa o seu processador em vez do de outra pessoa. Esse é o preço de o texto não ir a lugar nenhum.

O trabalho acontece no seu dispositivo, então a resposta honesta para «quão rápido é» depende do dispositivo. É isto que esperar.

• Primeiro uso — o motor Estúdio baixa cerca de 93 MB — o modelo de voz, o dicionário de pronúncia e uma voz. Depois fica em cache.
• Depois disso — a conversão começa na hora. Textos longos são divididos em seções e várias são sintetizadas ao mesmo tempo nos núcleos da sua CPU.
• Grátis — 5.000 caracteres por conversão, uma por vez. São cerca de seis minutos de fala, mais do que a maioria das ferramentas gratuitas permite.
• Pro — sem limite de caracteres, até 25 documentos de uma vez, entregues em um único arquivo compactado.
• O que nunca é limitado — todas as vozes, todas as velocidades e todos os formatos de saída, incluindo MP3, estão no plano gratuito. O eixo pago é a escala, não a qualidade.

A síntese roda no seu dispositivo usando vários núcleos ao mesmo tempo, então a velocidade escala com o seu hardware e nada espera por um servidor.

Quase tudo o que faz uma fala sintetizada soar bem é decidido antes de você apertar gerar.

• Pontue direito — vírgulas e pontos são pausas. Texto sem eles é lido em uma tacada só, sem respirar.
• Separe os parágrafos — uma linha em branco vira uma pausa mais longa, que é o que separa as seções de um roteiro.
• Escreva números por extenso quando importar — se quiser que um ano seja lido de certa forma em um contexto que a ferramenta leria como quantidade.
• Reescreva nomes difíceis — grafia fonética na entrada é o jeito mais rápido de consertar um nome mal pronunciado, e sempre vence.
• Desacelere um pouco para narração — um ritmo pouco abaixo de 1× soa mais pausado, o que combina com explicação. Deixe em 1× para diálogos.
• Teste antes com um trecho curto — gere um parágrafo, ouça, ajuste, e depois rode o documento inteiro.

É uma ferramenta melhor para uns trabalhos que para outros, e vale dizer onde ficam os limites.

• Interpretação emocional — o modelo lê com clareza e de forma uniforme. Ele não atua, e não vai entregar uma piada ou uma fala dramática como uma pessoa faria.
• Idiomas além do inglês — o dicionário do Estúdio é inglês americano. Use o motor Instantâneo para outros idiomas, ou um serviço feito para eles.
• Clonar a voz de uma pessoa específica — não suportado, deliberadamente. As 28 vozes são as vozes.
• Documentos enormes em dispositivos fracos — um texto do tamanho de um livro em um celular antigo não combina. Divida, ou rode em um notebook.

• Voz para texto
• PDF para texto
• Imagem para texto
• Conversor de imagens
• Dividir texto
• Conversor de maiúsculas
• Conversor de áudio
• Juntar áudio
• Cortar áudio
• Volume de áudio
• Editor de áudio
• Substituir áudio do vídeo