O Amazon Polly cobra por caractere, e o preço depende quase totalmente do mecanismo de voz escolhido: US$ 4 por milhão de caracteres para vozes Standard, até US$ 100 para Long-Form. Quem pesquisa o preço do Polly normalmente está escolhendo entre esses mecanismos ou decidindo se deve sair dele. Esta página cobre as duas coisas: primeiro os preços e o nível gratuito atuais do Polly, depois 11 alternativas e o que verificar antes de trocar.
Preços e nível gratuito do Amazon Polly
Preços e cotas da página de preços do AWS Polly, consultada em 5 de outubro de 2026:
| Mecanismo de voz | Preço por 1M de caracteres | Nível gratuito por mês |
|---|---|---|
| Standard | US$ 4 | 5M de caracteres |
| Neural | US$ 16 | 1M de caracteres, primeiros 12 meses |
| Generative | US$ 30 | 100 mil caracteres, primeiros 12 meses |
| Long-Form | US$ 100 | 500 mil caracteres, primeiros 12 meses |
Algumas coisas que a tabela não mostra:
- Só o nível gratuito Standard é permanente. As cotas Neural, Generative e Long-Form terminam 12 meses depois da abertura da conta. O Standard mantém seus 5 milhões de caracteres por mês.
- Contas novas recebem créditos. Desde 15 de julho de 2025, novos clientes da AWS podem receber até US$ 200 em créditos do nível gratuito da AWS, que valem para o Polly. No plano gratuito, a conta é encerrada após seis meses ou quando os créditos acabam, a menos que você mude para um plano pago.
- Um milhão de caracteres são cerca de 23 horas de áudio. É a estimativa da própria AWS. Nesse ritmo, a voz Neural custa cerca de US$ 0,70 por hora, e a Generative cerca de US$ 1,30.
- Speech Marks custam o mesmo que a fala. Solicitações de marcações de tempo de palavras ou visemas são cobradas por caractere na mesma tarifa (as vozes Generative não oferecem esse recurso).
É difícil bater o preço das vozes Standard do Polly. Se elas soam bem o suficiente para o seu caso e você já está na AWS, talvez não precise trocar. Normalmente as pessoas procuram alternativas por três motivos: precisam de uma voz mais natural que Standard ou Neural, de menos latência para uma conversa ao vivo, ou de uma voz personalizada ou clonada.
O que comparar
O Polly faz parte da AWS, o que pode simplificar acesso e cobrança em aplicações existentes. Vale testar a Cartesia se você quer usar Sonic para fala gerada ou vozes personalizadas. Inclua o trabalho de integração no orçamento, além do uso da API.
As opções abaixo atendem a tarefas diferentes e não formam um ranking de desempenho. Antes de escolher, confira disponibilidade, recursos e condições atuais de cada fornecedor.
Visão geral das alternativas
| Produto | Avalie para | Verifique antes de escolher |
|---|---|---|
| Cartesia | Fala para aplicações de voz | Requisitos de modelo, idioma e integração |
| Murf AI | Locução roteirizada | Controles de edição e direitos de exportação |
| Speechify | Leitura de documentos em voz alta | Plano de aplicativo de leitura, estúdio ou API |
| ElevenLabs | Geração de voz e dublagem | Escolha de modelo e limites de uso |
| Google Cloud Text-to-Speech | TTS em aplicações Google Cloud | Recursos por voz e cotas |
| Microsoft Azure Text-to-Speech | Fala em aplicações Azure | Região, suporte a SSML e acesso a voz personalizada |
| IBM Watson Text to Speech | Integração de API TTS | Idiomas, controles e limites do serviço |
| WellSaid Labs | Locução empresarial | Fluxo da equipe e cobertura de idiomas |
| NaturalReader | Escuta de documentos | Arquivos compatíveis e direitos pessoais ou comerciais |
| iSpeech | Integração de API de fala | Suporte e disponibilidade atuais da API |
| Descript | Edição de mídia por transcrição | Fluxo de edição e opções de exportação |
Cartesia
Criamos o Sonic, um modelo de texto para fala para aplicações de voz. Você pode transmitir o áudio gerado, escolher uma voz ou clonar uma voz com gravações que tem permissão para usar. Teste seus textos no playground antes de integrar a API.
Um agente completo também precisa reconhecer fala e gerenciar a conversa. O Ink é nosso modelo de fala para texto, e o Managed Agents é nossa ferramenta para criar agentes. O Sonic sozinho não ouve quem liga nem decide o que dizer.
Confira a cobertura de idiomas, os requisitos da API e os preços do modelo e plano pretendidos. Meça o tempo de resposta na sua aplicação, pois rede e buffer de reprodução também afetam o que o usuário ouve.
Murf AI
O Murf AI tem um editor de locução para roteiros e sincronização com mídia. Considere-o para materiais de treinamento e apresentações gravadas. Teste o volume de edição necessário e confira se o plano inclui exportações e acesso da equipe.
Speechify
O Speechify tem aplicativos que transformam documentos e páginas web em áudio. Se você quer ouvir textos existentes, comece por esse fluxo. Avalie separadamente aplicativo de leitura, estúdio e API. Acesso a um não indica o que o outro inclui.
ElevenLabs
O ElevenLabs oferece texto para fala, clonagem e dublagem, além de produtos para aplicações conversacionais. Compare o modelo e o endpoint específicos que usará. Teste pronúncia e tempo de resposta com seus roteiros, sem presumir que todos os modelos sejam intercambiáveis.
Google Cloud Text-to-Speech
O Google Cloud Text-to-Speech oferece síntese pelas APIs do Google Cloud. Em uma aplicação já hospedada ali, conta e cobrança integradas podem facilitar a adoção. Confirme se a voz escolhida oferece o idioma, o streaming e os controles necessários.
Microsoft Azure Text-to-Speech
O Microsoft Azure oferece texto para fala em seus serviços de fala. É uma opção para equipes que já usam Azure. Verifique voz, região, controles SSML e requisitos de acesso a vozes personalizadas.
IBM Watson Text to Speech
O IBM Watson Text to Speech é uma API para gerar fala de texto. Inclua-o na comparação de serviços para uma implantação baseada em IBM. Verifique idiomas e controles de pronúncia, depois teste formatos de saída e limites na sua aplicação.
WellSaid Labs
O WellSaid Labs se concentra em locução empresarial, incluindo treinamento e comunicação interna. Avalie como a equipe revisa roteiros e altera pronúncias. Confira idiomas e acesso à API no plano pretendido.
NaturalReader
O NaturalReader tem ferramentas para ouvir documentos e gerar fala. Separe leitura pessoal de produção comercial ao comparar planos. Teste seus formatos de arquivo. Um PDF digitalizado também exige reconhecimento de texto antes da síntese.
iSpeech
O iSpeech é outro fornecedor de API de fala para investigar. Confirme documentação, SDKs e disponibilidade antes de implementar. Teste exatamente o formato de saída e o idioma de que sua aplicação precisa.
Descript
O Descript combina transcrição com edição de áudio e vídeo baseada em texto. Considere-o para cortar material gravado editando a transcrição. Uma API de fala sozinha não substitui esse editor. Teste o fluxo da gravação à exportação antes de migrar.
Teste antes de migrar
Liste os recursos do Polly usados pela aplicação. Teste cada instrução SSML e regra de pronúncia no novo fornecedor, em vez de enviá-las sem alteração. Confirme taxa de amostragem e codificação na reprodução, depois compare resposta e custo com a mesma amostra de tráfego.
Compare custos com seu uso esperado e os recursos necessários. Inclua novas tentativas, áudio regenerado, limites de concorrência e direitos comerciais. Um preço inicial baixo não é uma estimativa da sua carga.