Como funciona a API de narração de texto para vídeos

Por Equipe editorial Narador Digital · Atualizado 2026-11-18

Esta página explica, passo a passo, como integrar a API Narador Digital ao seu fluxo de produção de vídeos e spots de rádio. Você verá desde o envio do texto até a entrega do arquivo de áudio, com exemplos práticos para startups que precisam de locução profissional sem contratar estúdio.

Entenda como a autenticação, a escolha de voz e os limites de caractere funcionam na prática. Descubra como formatar suas requisições, lidar com erros comuns e garantir que o áudio gerado esteja pronto para uso imediato em seus comerciais, tudo de forma transparente e sem surpresas.

Como funciona a API de narração de texto para vídeos

Perguntas frequentes

O que é uma API de TTS?

É uma interface que converte texto em áudio. Você envia um texto e recebe um arquivo de áudio pronto. Funciona via requisições HTTP POST, integrando-se facilmente ao seu fluxo de produção de vídeos e comerciais sem necessidade de equipamentos complexos.

Como o texto se torna áudio?

Você envia o texto via JSON para o endpoint da API. O sistema processa a solicitação e retorna o arquivo de áudio no formato escolhido (mp3, wav, etc.). O texto é limitado a 4096 caracteres por requisição.

A API entende emoções no texto?

Não. A API não possui tags de emoção nem personalização de entonação baseada no contexto. As vozes têm estilos fixos, como 'narrador' ou 'conversacional', mas não interpretam sentimentos dinâmicos do texto fornecido pelo usuário.

Posso ouvir antes de baixar?

A API retorna o arquivo de áudio completo na resposta. Não há streaming ou pré-visualização em tempo real. Você deve processar a solicitação e receber o arquivo final para então reproduzi-lo e avaliá-lo antes de usar.

Qual o tamanho máximo do arquivo?

O limite é de 4096 caracteres por requisição. Para textos maiores, você deve dividi-los e juntar os arquivos de áudio resultantes. O tamanho do arquivo final depende do formato e da duração gerada.

A voz muda no meio do texto?

Não. Cada requisição usa uma única voz definida no campo 'voice'. A voz permanece consistente durante todo o texto processado naquela solicitação específica. Para mudar a voz, você deve fazer uma nova requisição.

Posso usar o áudio em YouTube?

Sim. O áudio é pronto para uso. Cada arquivo contém uma marca d'água inaudível que indica ser fala sintética. Você pode integrar esses arquivos diretamente nos seus vídeos sem restrições de licenciamento específicas (exceto a marca d'água inaudível).

O áudio tem marca d'água?

Sim. Todo arquivo gerado carrega uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso ajuda na transparência sobre a origem do áudio, mas não é perceptível durante a reprodução normal.

Como funciona a detecção de idioma?

Se o campo 'language' não for definido, o sistema tenta adivinhar o idioma pelo script (texto latino assume inglês). Para textos em outros idiomas, defina o código ISO explicitamente para garantir a pronúncia correta.

Preciso de internet para usar?

Sim. A API é baseada na nuvem. Você precisa de conexão para enviar as requisições de texto e receber os arquivos de áudio. Não há processamento local ou funcionamento offline da API.

A API funciona offline?

Não. Como um serviço de nuvem, a geração de áudio ocorre nos nossos servidores. Você precisa de conexão com a internet para enviar o texto e receber o áudio gerado.

Posso salvar o áudio no meu servidor?

Sim. O arquivo de áudio é retornado na resposta da API. Você pode armazená-lo no seu servidor, banco de dados ou sistema de arquivos conforme necessário para seus projetos de vídeo ou rádio.

O que é rate limit?

É o limite de 60 requisições por minuto por chave de API. Antes do primeiro recarga, o limite é de 10 requisições por minuto. Isso controla a velocidade de processamento para garantir estabilidade do serviço.

Posso gerar áudio enquanto uso outro site?

Sim. A API é independente e baseada em requisições HTTP. Você pode usar nossos serviços simultaneamente com outras ferramentas ou sites, desde que envie as requisições corretamente para o endpoint da API.

O conceito básico de síntese de voz

Ilustração de onda sonora para: O conceito básico de síntese de voz

A API de narração converte texto em áudio profissional para vídeos e comerciais. O processo começa com o envio de um texto via JSON para o endpoint da API, onde o sistema identifica os parâmetros como voz, idioma e formato desejado.

Entrada de texto e processamento

O texto é enviado em requisições POST, limitado a 4096 caracteres por solicitação. Caracteres incluem espaços e pontuação, cobrados individualmente. O sistema detecta automaticamente o idioma ou usa o código ISO fornecido.

Geração de onda sonora via algoritmo

O motor de síntese processa as instruções e gera a onda sonora. As vozes são baseadas em gravações licenciadas, garantindo naturalidade sem clonagem personalizada. O processamento é sequencial, podendo haver fila em picos de demanda.

Entrega do arquivo de áudio pronto

O resultado é um arquivo de áudio pronto para uso imediato, sem necessidade de edição complexa. O arquivo inclui marca d'água inaudível que identifica o conteúdo como síntese artificial, garantindo transparência no uso comercial.

O papel da chave de API

Ilustração de onda sonora para: O papel da chave de API

A chave de API é o único acesso ao serviço. Ela autentica suas solicitações e define o limite de velocidade e custos.

Ela é única por conta e pode ser renovada a qualquer momento, invalidando a anterior instantaneamente.

Autenticação na solicitação

Envie o token Bearer tts-... no cabeçalho Authorization. Sem ele, a solicitação é rejeitada.

A chave garante que apenas sua conta acessa os recursos de narração.

  • Use a chave emitida na página /get-api-key/

Controle de acesso ao serviço

Cada conta possui apenas uma chave ativa. Ao gerar uma nova, a anterior deixa de funcionar imediatamente.

Isso permite revogar acesso rapidamente se houver suspeita de uso indebito.

  • Renovação instantânea

Rastreamento de uso e custos

O uso é cobrado por caractere processado. A chave vincula cada requisição à sua conta para cobrança precisa.

Mantenha o saldo atualizado para evitar interrupções no serviço de locução.

  • Cobrança por caractere
  • Saldo não expira

Escolha da voz e idioma

Ilustração de onda sonora para: Escolha da voz e idioma

A API oferece oito vozes pré-configuradas, divididas igualmente entre quatro perfis femininos e quatro masculinos. Você pode escolher entre estilos narrativos quentes, instrucionais ou documentais, adequados para diferentes tons de locução em comerciais e vídeos institucionais.

O serviço suporta 23 idiomas distintos, incluindo português, além de inglês, espanhol e japonês. Cada voz consegue articular todos os idiomas listados, permitindo flexibilidade na produção de conteúdo multilíngue sem necessidade de vozes adicionais.

8 presets de vozes masculinas e femininas (4 femininas e 4 masculinas)

As vozes são baseadas em gravações licenciadas e garantem consistência acústica. As opções incluem tons desde narrativas claras até vozes mais profundas para documentários, permitindo que você selecione a personalidade ideal para sua marca sem personalizações complexas.

  • Aria, Nova, Luna e Sage (femininas)
  • Felix, Milo, Atlas e Orion (masculinas)

Suporte a 23 idiomas distintos

O sistema processa texto em 23 idiomas, incluindo português. Linguagens não suportadas, como vietnamita ou tailandês, não serão geradas corretamente. O suporte abrange desde línguas europeias até asiáticas, facilitando a expansão do seu conteúdo.

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

Detecção automática ou forçada de idioma

Se o campo de idioma não for definido, o sistema tenta adivinhar o idioma com base na escrita. Para textos em latim que não são em inglês, é recomendável definir o idioma explicitamente para evitar erros de pronúncia e garantir a precisão da narração.

Processamento do texto

Ilustração de onda sonora para: Processamento do texto

O limite máximo de entrada é de 4096 caracteres por solicitação. Para textos longos, como roteiros completos de comerciais, o texto deve ser dividido em partes menores. O sistema processa cada fragmento individualmente para garantir a estabilidade da geração.

Espaços e pontuação contam como caracteres na contagem total. A formatação do texto de entrada deve ser limpa para evitar interpretações errôneas, já que a API não suporta SSML para marcação avançada de prosódia.

Limites de 4096 caracteres

Cada chamada à API aceita no máximo 4096 caracteres. Textos maiores precisam ser divididos logicamente. O cliente é responsável por juntar os arquivos de áudio gerados para formar o spot final.

Tratamento de pontuação e espaços

Todos os caracteres, incluindo espaços e sinais de pontuação, são contados na fatura. A precisão da contagem garante que o custo por mil caracteres seja exato.

Geração sequencial ou paralela

As requisições são processadas uma após a outra. Em períodos de alta demanda, uma solicitação pode aguardar na fila antes de iniciar a síntese.

Formatação do arquivo final

Ilustração de onda sonora para: Formatação do arquivo final

Escolha o formato que melhor se adapta ao seu projeto. Oferecemos MP3 para web, WAV para áudio profissional, além de opções como OPUS, FLAC e PCM.

Opções MP3 para web

O MP3 é ideal para embeds em sites e apps móveis. É leve e amplamente compatível com players modernos.

Opções WAV para áudio profissional

Escolha WAV para editoras de vídeo ou podcasts. Garante qualidade sem compressão lossy, pronto para edição avançada.

Controle de taxa de bits via formato

O formato define a taxa de bits automaticamente. Selecione MP3 para arquivos menores ou WAV para fidelidade máxima.

Integração no fluxo de produção

Ilustração de onda sonora para: Integração no fluxo de produção

A API Narador Digital se integra ao fluxo de produção de spots publicitários permitindo a geração de áudio sob demanda. Em vez de depender de agendamentos prévios com locutores, a equipe de marketing envia o texto roteirizado diretamente para o endpoint da API. O áudio é gerado em segundos, pronto para ser incorporado ao vídeo ou ao comercial de rádio imediatamente antes do upload final.

Essa abordagem elimina gargalos de agenda e permite iterações rápidas. Se o roteiro for ajustado, a nova versão é gerada instantaneamente, mantendo a consistência da campanha sem necessidade de regravar em estúdio.

Geração sob demanda antes do upload

O processo inicia com a preparação do texto no formato JSON requerido. Após a autenticação via chave API, o sistema processa a síntese e retorna o arquivo de áudio. Isso permite que criativos sejam finalizados e enviados para publicação no mesmo dia, sem atrasos logísticos.

Como não há necessidade de reservar estúdio ou técnicos, o custo é fixo por caractere processado. Isso torna a produção escalável para campanhas de alto volume, onde múltiplos versões de um mesmo spot são necessárias para testes A/B.

  • Envio do texto via POST para /v1/audio/speech
  • Recebimento imediato do arquivo de áudio (MP3/WAV)
  • Cálculo de custo baseado nos caracteres enviados

Uso em pipelines de automação

Startups podem integrar a API em scripts Python ou Node.js para automatizar a criação de conteúdo. Ao receber um novo script ou atualização de preço, o sistema dispara automaticamente a geração de áudio correspondente.

Essa automação é ideal para plataformas de anúncio programático, onde cada variante de texto precisa de uma versão de áudio única. A integração via SDK OpenAI ou HTTP direto facilita a conexão com ferramentas de gestão de campanhas existentes.

  • Integração via HTTP ou SDK OpenAI
  • Geração automática baseada em triggers de texto
  • Processamento em lote para múltiplas variações

Integração com editores de vídeo

O arquivo de áudio gerado pode ser importado diretamente para softwares de edição como Adobe Premiere ou DaVinci Resolve. A sincronização temporal é mantida, pois o áudio é entregue como um arquivo padrão, pronto para ser posicionado na timeline.

Editores podem solicitar vozes específicas (como 'nova' para spots energéticos ou 'atlas' para notícias) para manter a identidade visual e sonora da marca. A velocidade de geração permite ajustes de última hora sem comprometer o prazo de entrega.

  • Compatibilidade com formatos MP3 e WAV
  • Importação direta para timelines de edição
  • Seleção de voz para consistência da marca

Qualidade e latência

Ilustração de onda sonora para: Qualidade e latência

O processamento de síntese de voz opera próximo ao tempo real, gerando aproximadamente 25 caracteres de texto por segundo de áudio produzido. Para textos longos, o sistema divide o conteúdo em partes de até 4096 caracteres, processando cada trecho sequencialmente antes de unir os arquivos finais.

Em períodos de alta demanda, as solicitações são processadas em fila. Isso significa que, sob carga intensa, o tempo total de geração pode exceder o tempo real do áudio, adicionando segundos ou minutos de espera dependendo do volume de pedidos simultâneos na API.

Geração próxima ao tempo real

A síntese converte texto em áudio a uma taxa média de 25 caracteres por segundo. Isso permite que textos extensos sejam convertidos rapidamente, mantendo o ritmo da fala natural sem cortes artificiais entre palavras ou frases.

Variação em períodos de pico

As requisições são processadas sequencialmente. Quando há muitos usuários solicitando áudio simultaneamente, seu pedido entra em uma fila de espera. O tempo de resposta depende diretamente da carga atual do servidor, podendo variar de segundos a minutos.

Consistência acústica garantida

Cada segmento de texto é processado com o mesmo motor de voz e configurações de velocidade (0,25–4,0). Isso garante que a entonação, o ritmo e a qualidade do áudio permaneçam uniformes entre as diferentes partes geradas, facilitando a edição final.

A marca d'água inaudível é aplicada consistentemente em todos os arquivos, identificando o conteúdo como fala sintética, o que é ideal para compliance em anúncios de rádio e vídeos corporativos.

Qualidade e latência

Validação dos dados

Ilustração de onda sonora para: Validação dos dados

A validação garante que sua solicitação seja processada sem erros evitáveis antes do envio. O sistema verifica limites de caracteres e formatos aceitos, assegurando que o arquivo final corresponda às suas expectativas técnicas para o spot publicitário.

Verificação de caracteres inválidos

Cada requisição aceita até 4096 caracteres, incluindo espaços e pontuação. Textos excedentes devem ser divididos manualmente para evitar falhas silenciosas na síntese.

Checagem de limites de velocidade

Limites de 60 solicitações por minuto são aplicados por chave. Exceder esse limite pode resultar em espera na fila ou rejeição imediata da requisição.

Confirmação de formato suportado

Formatos válidos incluem MP3, WAV, OPUS, FLAC e PCM. Escolha MP3 para web ou WAV para edição profissional, conforme especificado no corpo da requisição.

Exemplo de uso para spots

Ilustração de onda sonora para: Exemplo de uso para spots

Imagine criar um spot de rádio de 15 segundos usando apenas texto. Você envia o script via API e recebe um arquivo de áudio pronto, sem precisar agendar estúdio ou contratar locutores. O processo leva segundos, permitindo que sua startup produza peças publicitárias com voz profissional em tempo recorde.

Texto curto para rádio

Envie um texto de até 4096 caracteres. A API processa a solicitação e retorna o arquivo de áudio no formato MP3 ou WAV. Ideal para comerciais curtos que exigem clareza e impacto imediato.

  • Script de 15 segundos: ~200 caracteres
  • Retorno em formato MP3 pronto para web
  • Processamento sequencial, sem latência de streaming

Geração rápida de variações

Ajuste a velocidade para acelerar a narração ou reduza para dar mais ênfase. Gere múltiplas versões do mesmo spot alterando apenas a voz ou o tom, sem precisar refazer a gravação em estúdio.

  • Velocidade ajustável de 0.25 a 4.0
  • Teste diferentes vozes masculinas e femininas
  • Custo fixo por caractere gerado

Teste de diferentes vozes

Escolha entre 8 presets, como 'felix' para promoções energéticas ou 'atlas' para notícias neutras. Cada voz oferece um tom distinto, permitindo que você encontre a combinação perfeita para a identidade da sua marca antes de escalar a produção.

  • Vozes como 'felic' para promoções
  • 'atlas' para tom neutro e jornalístico
  • Água-marcada inaudível em todos os arquivos

Tratamento de erros

Ilustração de onda sonora para: Tratamento de erros

A API retorna erros específicos quando a síntese falha. Solicitações inválidas ou problemas de rede são sinalizados imediatamente. É importante verificar o status da resposta antes de considerar a geração concluída.

Falhas na geração de áudio

Se a síntese falhar, o valor é estornado integralmente. Não há cobrança para requisições que não geram áudio. Verifique os parâmetros de entrada, como o formato da voz ou o comprimento do texto, para evitar erros comuns.

Retorno de saldo incorreto

Mantemos registros de tempo, caracteres e status para faturamento. Discrepâncias são raras, mas podem ocorrer durante picos de uso. Se notar inconsistência, entre em contato por e-mail com os detalhes da solicitação.

Timeout na conexão

Textos longos ou alta demanda podem causar espera na fila. Se o tempo limite for excedido, a requisição será considerada falha e o crédito devolvido. Tente novamente com textos menores para garantir a entrega rápida.

Armazenamento e privacidade

Ilustração de onda sonora para: Armazenamento e privacidade

Seu texto bruto é processado apenas para gerar o áudio e não é utilizado para treinar nossos modelos. Isso garante que sua criatividade e propriedade intelectual permaneçam sob seu controle, sem uso secundário para aprimoramento da IA.

Texto não usado para treinamento

O conteúdo enviado para síntese é efêmero. Utilizamos sua entrada exclusivamente para a geração imediata do arquivo de áudio solicitado.

Áudio não armazenado permanentemente

O arquivo de voz gerado é entregue diretamente na resposta da sua solicitação. Não mantemos cópias permanentes desses áudios em nossos servidores após a entrega, reduzindo riscos de vazamento de ativos sonoros.

Metadados de cobrança conservados

Para fins de faturamento preciso, conservamos metadados mínimos como horário, número de caracteres e status da solicitação. Esses dados servem apenas para registrar o consumo da sua chave de API.

Suporte técnico

Ilustração de onda sonora para: Suporte técnico

Nosso suporte técnico é realizado exclusivamente por e-mail, sem número de telefone nem chat ao vivo. Essa abordagem simplifica o contato para equipes de startups que buscam uma comunicação direta e documentada sobre o uso da API Narador Digital.

Canal de comunicação por e-mail

Toda a assistência técnica é feita via e-mail. Não oferecemos suporte telefônico ou chat ao vivo, mantendo o processo focado e assíncrono.

Documentação disponível 24h

A documentação completa da API está sempre online para consulta imediata. Isso permite que desenvolvedres resolvam dúvidas técnicas de integração sem depender de intervenção humana.

  • Exemplos de código prontos para uso
  • Referência detalhada de endpoints e parâmetros

Sem garantia de tempo de resposta (SLA)

Não há contrato de nível de serviço (SLA) garantindo tempo de resposta. O suporte é oferecido conforme disponibilidade da equipe, sem garantias de prazo.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Utilize dados reais de desempenho para escolher a voz que melhor converte para o seu público específico, ajustando o tom conforme necessário.

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. Tether (USDT)
  3. LibriTTS-R corpus (OpenSLR 141)
  4. OpenAI API reference: create speech
  5. Creative Commons Attribution 4.0
  6. openai-python on GitHub
  7. MDN: Web Speech API
  8. FFmpeg documentation
  9. Python documentation
  10. TRON developer hub: TRC-20
  11. ISO 639 language codes
  12. W3C WAI: making audio and video accessible

Mais neste site