O Azure Text to Speech cobra por caractere: US$ 15 por milhão de caracteres com vozes neurais pré-criadas e 500 mil caracteres grátis por mês no nível gratuito. Quem pesquisa o preço do Azure normalmente está escolhendo o tipo de voz, vendo se o nível gratuito basta ou pensando em trocar de fornecedor. Esta página cobre as duas coisas: primeiro os preços atuais, o nível gratuito e o acesso a vozes personalizadas do Azure, depois 10 alternativas e o que verificar antes de trocar.
Preços e nível gratuito do Azure Text to Speech
Preços pré-pagos por uso na região US East, da página de preços do Azure Speech e dos preços de varejo do Azure da Microsoft, consultados em 5 de outubro de 2026:
| Tipo de voz | Preço por 1M de caracteres | Nível gratuito (F0) por mês |
|---|---|---|
| Neural (vozes pré-criadas) | US$ 15 | 500 mil caracteres |
| Neural HD | US$ 22 | Não incluído |
| Voz personalizada (profissional), neural | US$ 24 | Não incluído |
| Voz personalizada (profissional), HD | US$ 48 | Não incluído |
| Áudio longo (lote, neural pré-criada) | US$ 100 | Não incluído |
Algumas coisas que a tabela não mostra:
- O nível gratuito não expira, mas é pequeno. 500 mil caracteres dão cerca de 11 horas de fala por mês em ritmo normal, o suficiente para prototipar. Os recursos gratuitos também são limitados a 20 solicitações por minuto, contra 30 por segundo no Standard (cotas do Azure Speech).
- Vozes personalizadas custam mais que a síntese. O treinamento de uma voz profissional custa US$ 52 por hora de computação, e cada endpoint de voz personalizada implantado custa US$ 4,03 por hora enquanto estiver hospedado, falando ou não.
- Voz personalizada exige aprovação. Voz profissional e voz pessoal têm acesso limitado: você solicita pelo formulário da Microsoft e a pessoa grava uma declaração de consentimento antes do treinamento.
- Volume alto tem desconto. Os níveis de compromisso começam em US$ 960 por mês para 80 milhões de caracteres neurais, o que dá US$ 12 por milhão, com taxas menores em 400 milhões e 2 bilhões de caracteres.
- Os preços variam por região. Os valores acima são de US East; confira a página de preços para a região do seu recurso.
As vozes neurais pré-criadas do Azure têm preço competitivo e, se você já está no Azure, a integração de identidade e faturamento tem valor. Em geral, as pessoas procuram alternativas por três motivos: precisam de menos latência para uma conversa ao vivo, de uma voz clonada sem processo de aprovação ou de vozes mais naturais nos próprios roteiros.
Migrar do TTS do Azure começa pela voz, região e controles usados na aplicação. Compare alternativas com esses requisitos antes de comparar preços de assinatura.
O que comparar
Os serviços de fala do Azure atendem a equipes que já gerenciam recursos Azure. A Cartesia oferece Sonic por sua própria API. A troca altera autenticação e tratamento das solicitações, e o acesso a vozes personalizadas exige análise própria.
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 |
| Speechify | Leitura de documentos em voz alta | Plano de aplicativo de leitura, estúdio ou API |
| Amazon Polly | TTS em aplicações AWS | Mecanismo de voz, região e controles compatíveis |
| Google Cloud Text-to-Speech | TTS em aplicações Google Cloud | Recursos por voz e cotas |
| IBM Watson Text to Speech | Integração de API TTS | Idiomas, controles e limites do serviço |
| Murf AI | Locução roteirizada | Controles de edição e direitos de exportação |
| ElevenLabs | Geração de voz e dublagem | Escolha de modelo e limites de uso |
| PlayHT | Fluxos TTS existentes | Disponibilidade atual do serviço e da API |
| WellSaid Labs | Locução empresarial | Fluxo da equipe e cobertura de idiomas |
| Synthesia | Vídeos com apresentador de IA | Requisitos de avatar e exportações de vídeo |
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.
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.
Amazon Polly
O Amazon Polly é o serviço TTS da AWS. Vale avaliá-lo se sua aplicação já usa identidade e cobrança AWS. Os mecanismos de voz diferem em idiomas e controles. Verifique o mecanismo que pretende usar, em vez da lista geral do serviço.
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.
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.
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.
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.
PlayHT
O PlayHT tem sido usado para geração de voz e integrações TTS. Antes de depender dele, confirme disponibilidade atual, acesso à API e suporte. Se estiver migrando uma integração, salve os roteiros e as configurações de voz para testes comparativos.
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.
Synthesia
O Synthesia cria vídeos com apresentadores de IA e narração. Avalie-o quando a entrega exigir um apresentador na tela. Para produtos só de áudio, veja se uma API evita pagar por recursos de vídeo desnecessários.
Teste antes de migrar
Liste tags SSML e regras de pronúncia das solicitações atuais. Confira os equivalentes na nova API e teste a codificação no telefone ou navegador. Meça a latência nas regiões dos usuários, incluindo picos de tráfego simultâneo.
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.