Síntese de fala com IA teste grátis, sem cadastro

Síntese de fala é o uso de software para transformar texto escrito em áudio falado. Também é chamada de texto para fala (TTS) ou síntese de voz. Sistemas modernos usam modelos de IA treinados com fala gravada, por isso soam muito mais próximos de uma pessoa do que as vozes robóticas de softwares antigos.

Um agente telefônico que confirma o horário da sua consulta, um app de navegação que anuncia a próxima curva e um leitor de tela que lê uma página web usam síntese de fala. A demonstração no topo desta página também, e ela lê o texto que você digita nela.

A demonstração desta página é gratuita e não exige cadastro. Para usar a API no seu próprio app, crie uma conta: o plano Free inclui 20.000 créditos por mês, e os planos pagos incluem mais.

A síntese de fala transforma texto em áudio falado. O reconhecimento de fala transforma áudio falado em texto. Um agente de voz encadeia os dois com um modelo de linguagem: o reconhecimento ouve quem liga, o modelo escreve a resposta e a síntese a fala. A Cartesia oferece o Sonic para texto para fala e o Ink para fala para texto.

Um modelo de IA lê o texto e prevê como ele deve soar: como cada palavra é pronunciada, o ritmo da frase e onde cai a ênfase. Depois, gera o áudio. Os modelos da Cartesia transmitem esse áudio enquanto o geram, então a reprodução começa antes de a frase terminar.

Não. O window.speechSynthesis do navegador lê o texto com as vozes que o navegador e o sistema operacional de quem ouve oferecem, então a voz muda de um dispositivo para outro. A Cartesia é uma API hospedada que retorna o áudio gerado para sua aplicação, com a mesma voz em todo lugar. Para reproduzir só no navegador, sem chave de API, veja o tutorial de texto para fala em JavaScript.

Crie uma chave de API, guarde-a no seu backend e envie texto com um ID de voz; a API retorna o áudio. O guia de texto para fala em Python mostra como gerar e salvar um arquivo WAV em poucas linhas. Para um agente telefônico ou de voz, transmita o áudio por um WebSocket, ou deixe o Cartesia Managed Agents operar o agente e suas ligações.

As vozes da Cartesia falam mais de 40 idiomas com um único modelo, com sotaques regionais como inglês americano, britânico e australiano, francês canadense e espanhol mexicano. A página de idiomas tem amostras em cada idioma.

Sim. Por WebSocket ou server-sent events, a Cartesia envia o áudio em partes conforme ele é gerado, então seu app pode começar a reprodução antes de o clipe ficar pronto. A referência da API de streaming mostra o formato da resposta.

Sim. Você pode definir a velocidade e o volume da fala e escolher entre mais de 60 emoções para mudar a interpretação. O guia de controles de voz lista as opções de cada modelo.

A clonagem de voz cria uma voz reutilizável a partir de gravações de uma pessoa. Depois, a síntese de fala usa essa voz, ou qualquer voz da biblioteca, para ler um texto novo. A página de clonagem de voz explica os requisitos de gravação.