Entenda como funciona a API de Texto para Fala e suas Vozes

Por Equipe editorial ClaraNota · Atualizado 2026-11-19

Esta página detalha o funcionamento da API de texto para fala da ClaraNota, criada para equipes de produto que integram notificações e interfaces em sistemas. Você entenderá a arquitetura técnica, os 23 idiomas suportados e o modelo de preço transparente baseado em caracteres.

Descubra como as 8 vozes naturais são geradas via endpoint POST, os limites de performance honestos e a política de privacidade dos seus dados. Tudo o que você precisa saber para decidir se esta solução se encaixa no seu fluxo de trabalho atual.

Entenda como funciona a API de Texto para Fala e suas Vozes

Perguntas frequentes

Quais idiomas são suportados pela API?

A API suporta 23 idiomas, incluindo português, inglês, espanhol, francês, alemão, japonês, chinês e árabe. Qualquer voz pode falar qualquer um desses idiomas. Idiomas como vietnamita, indonésio e tailandês não são suportados. Se o idioma não for especificado, o sistema tenta adivinhar pelo script do texto, mas é recomendável definir o campo language para textos em latim que não sejam inglês.

Como funciona o pagamento e quais são os preços?

O custo é de US$ 10 por 1 milhão de caracteres, ou US$ 0,01 por 1.000 caracteres. O pagamento é feito exclusivamente via USDT na rede TRON (TRC-20), com depósito mínimo de US$ 5. Não há cartões, PayPal, assinaturas ou faturas com IVA. Saldo não expira e requisições falhas são reembolsadas integralmente.

Existe um período de teste gratuito?

Sim, ao fazer login com o Google, você recebe US$ 0,50 de crédito (aproximadamente 50.000 caracteres) válidos por 7 dias. Contas criadas com e-mail e senha começam sem esse crédito de teste. O saldo restante não expira e pode ser complementado a qualquer momento via criptomoeda.

Qual é o limite de caracteres por requisição?

Cada requisição pode conter até 4.096 caracteres no campo input. Para textos mais longos, você deve dividi-los em partes desse tamanho e juntar os arquivos de áudio gerados. Caracteres de espaço e pontuação contam como caracteres. Recomendamos gerenciar o envio para evitar limites de taxa.

O texto enviado é usado para treinar modelos?

Não. O texto de entrada é utilizado apenas para produzir o áudio da requisição e não é usado para treinar nossos modelos. O áudio gerado é retornado na resposta e não é armazenado. Apenas metadados da solicitação (horário, caracteres, status) são mantidos para fins de cobrança.

Quais formatos de áudio posso receber?

Você pode solicitar áudio nos formatos mp3, wav, opus, flac ou pcm. Esses formatos são especificados no campo response_format da requisição JSON. A escolha do formato depende da necessidade de qualidade ou tamanho de arquivo para sua integração com aplicativos e sistemas de notificação.

A API oferece streaming ou áudio em tempo real?

Não. A API não oferece streaming, WebSocket ou áudio parcial em tempo real. Você envia o texto e recebe o arquivo de áudio completo. O processamento é feito de forma assíncrona, e o tempo de geração varia, sendo mais lento para frases curtas.

Como funciona o suporte ao cliente?

O suporte é feito exclusivamente por e-mail. Não há número de telefone, chat ao vivo ou suporte telefônico.

As vozes são clonadas ou personalizadas?

Não oferecemos clonagem de voz personalizada nem upload de vozes próprias. As 8 vozes disponíveis são baseadas em gravações licenciadas do LibriTTS-R e do LibriVox. Cada arquivo gerado contém uma marca d'água inaudível que o identifica como fala sintética.

Existe garantia de disponibilidade (SLA)?

Não. Não oferecemos SLA, garantia de uptime, contrato empresarial ou certificações (SOC 2, HIPAA, GDPR). A API é fornecida 'como está', sem garantias de disponibilidade contínua. Recomendamos implementar lógica de retry em suas integrações para lidar com possíveis indisponibilidades.

Como funciona a nossa API

Ilustração de onda sonora para: Como funciona a nossa API

A API de Texto para Fala converte texto em áudio via endpoint POST https://api.h96.info/v1/audio/speech. Basta enviar um corpo JSON com o texto (máx. 4.096 caracteres) e receber o arquivo de áudio diretamente na resposta.

Envie texto e receba áudio via endpoint POST

Envie texto e receba áudio via endpoint POST

O fluxo é direto: você envia o texto e recebe o arquivo de áudio. Não há etapas intermediárias complexas, apenas uma chamada HTTP padrão que integra facilmente em qualquer sistema backend.

Compatível com SDKs OpenAI alterando o base_url

Compatível com SDKs OpenAI alterando o base_url

Como a forma do corpo da requisição é idêntica à da OpenAI, você pode usar os SDKs oficiais deles. Basta ajustar o base_url para https://api.h96.info/v1 e utilizar sua chave de API tts-....

Suporte a múltiplos formatos: mp3, wav, opus, flac, pcm

Suporte a múltiplos formatos: mp3, wav, opus, flac, pcm

Escolha o formato de saída mais adequado para sua aplicação: mp3, wav, opus, flac ou pcm. Isso garante compatibilidade com diversos players e pipelines de áudio sem necessidade de conversão adicional.

Vozes e Idiomas disponíveis

Ilustração de onda sonora para: Vozes e Idiomas disponíveis

A API oferece oito vozes predefinidas, gravadas a partir de audiobooks licenciados (LibriTTS-R e LibriVox), garantindo naturalidade sem clonagem personalizada. Cada voz possui um estilo vocal distinto, otimizado para diferentes contextos de interface e notificações.

O suporte abrange 23 idiomas, incluindo português e inglês. Qualquer uma das oito vozes pode interpretar qualquer idioma da lista, facilitando a integração multilíngue em sistemas globais.

8 vozes predefinidas com estilos distintos

As vozes são categorizadas por gênero e tom, permitindo a seleção precisa para cada tipo de notificação ou alerta do sistema.

O áudio gerado inclui uma marca d'água inaudível que identifica o conteúdo como sintetizado.

  • Femininas: Aria (narradora clara), Nova (dinâmica), Luna (suave), Sage (instrucional).
  • Masculinas: Felix (energetic, promo), Milo (friendly, conversational), Atlas (neutral, news), Orion (deep, documentary).

Suporte a 23 idiomas, incluindo português e inglês

A lista inclui idiomas como Árabe, Chinês, Espanhol, Francês, Alemão, Japonês, Coreano, Russo e Turco, entre outros.

O idioma é detectado automaticamente pelo script, mas o código ISO pode ser definido manualmente para garantir precisão em textos em latim não ingleses.

Qualquer voz pode falar qualquer idioma suportado

Não há restrição de voz por idioma nativo. Você pode atribuir qualquer voz predefinida a qualquer um dos 23 idiomas suportados, mantendo a consistência visual e auditiva da sua aplicação.

Preço e Pagamento Transparente

Ilustração de onda sonora para: Preço e Pagamento Transparente

O custo é fixo em US$ 10 por milhão de caracteres processados, o que equivale a US$ 0,01 por mil caracteres. Espaços e pontuação contam como caracteres. Requisições falhas são gratuitas, com o valor devolvido integralmente.

Não há planos mensais, taxas ocultas ou assinaturas. O saldo nunca expira e não há gasto mínimo. Comece com uma conta gratuita que inclui US$ 0,50 de crédito (válido por 7 dias) ao fazer login com Google.

$10 por 1 milhão de caracteres processados

O preço é linear e transparente: US$ 10 por cada milhão de caracteres enviados para síntese. Isso significa US$ 0,01 por mil caracteres, incluindo espaços e pontuação. Se a síntese falhar, o charge é revertido integralmente.

Sem planos mensais, sem taxas ocultas ou assinaturas

Não oferecemos planos recorrentes, licenças por assento ou contratos de permanência. Você paga apenas pelo que usa. O saldo restante não expira, permitindo uso contínuo sem surpresas financeiras.

Não há faturas com IVA, cartão ou PayPal. A estrutura é simples: recarregue quando necessário.

Pagamento via USDT (TRC-20) com crédito automático

O único método de recarga é USDT na rede TRON (TRC-20). O valor mínimo é de US$ 5. Após a transferência, o crédito é adicionado automaticamente à sua conta em poucos minutos.

Essa abordagem elimina intermediários bancários e taxas de processamento de cartões, mantendo o foco na eficiência para equipes de produto que precisam escalar o uso de TTS sem burocracia.

Limites e Performance Honestos

Ilustração de onda sonora para: Limites e Performance Honestos

Para integrar fala sintética em notificações e alertas, é preciso respeitar o limite de 4.096 caracteres por chamada. Textos maiores exigem divisão manual e junção dos arquivos, mantendo a consistente coerência narrativa.

O processamento ocorre em fila única, garantindo ordem, mas sem garantia de uptime ou SLA. A velocidade gira em torno do tempo real para textos longos, com latência variável em picos.

Limite de 4096 caracteres por requisição

Cada POST aceita no máximo 4.096 caracteres. Para notificações extensas, divida o texto em partes menores e junte os áudios gerados sequencialmente. O cálculo de custo inclui espaços e pontuação.

  • Máximo de 4096 caracteres por payload JSON

Velocidade aproximada de tempo real em textos longos

Textos longos geram áudio em velocidade próxima à real (~25 caracteres/segundo). Frases curtas podem levar alguns segundos. Sob carga, as requisições aguardam na fila, impactando a latência percebida.

Processamento fila única; sem garantia de uptime ou SLA

O sistema processa solicitações em sequência. Não oferecemos SLA, contrato empresarial ou garantia de disponibilidade. Para integrações críticas, implemente retry logic e controle de taxa (60 req/min).

  • Limite: 60 requisições/minuto por chave
Limites e Performance Honestos

Privacidade e Uso de Dados

Ilustração de onda sonora para: Privacidade e Uso de Dados

A privacidade é fundamental para equipes de produto que integram nossa API em aplicativos sensíveis. Quando você envia texto para a síntese, ele é processado exclusivamente para gerar o arquivo de áudio solicitado. Utilizamos esse conteúdo estritamente para a tarefa imediata, sem incorporá-lo em nossos modelos de treinamento para melhorar a voz ou o idioma.

Após a geração, o áudio é retornado diretamente na resposta HTTP e não fica armazenado em nossos servidores. Isso elimina riscos de retenção de dados de voz ou texto dos usuários finais, garantindo que a informação não permaneça em nosso ambiente após o uso.

Texto usado apenas para síntese, não para treinamento

O texto enviado em sua requisição serve exclusivamente para criar o arquivo de áudio solicitado. Não o utilizamos para treinar ou aprimorar nossos algoritmos de TTS, garantindo que seu conteúdo não vire parte de nosso conjunto de dados de treinamento.

Áudio gerado retornado na resposta e não armazenado

O arquivo de áudio final é entregue imediatamente na resposta da API e não fica retido em nosso armazenamento permanente. Isso significa que não guardamos o resultado final da síntese, mantendo o fluxo de dados limpo e temporário.

Metadados de uso mantidos apenas para faturamento

Para garantir a precisão das cobranças, mantemos apenas os metadados da requisição: horário, quantidade de caracteres processados e status da solicitação. Esses dados são essenciais para o controle de saldo e histórico de uso, sem retenção do conteúdo textual ou auditivo em si.

O que não oferecemos

Ilustração de onda sonora para: O que não oferecemos

Nosso foco é a simplicidade e a performance da API REST. Não oferecemos streaming de áudio nem suporte a SSML para marcação de fala. Também não incluímos controles de emoção ou personalização de pronúncia em nível de fonema, mantendo a interface direta e previsível para integrações em sistemas.

A ausência dessas camadas extras garante que você pague apenas pelo processamento real de texto para áudio, sem complexidade desnecessária para equipes de produto que priorizam velocidade e custo previsível.

Sem streaming, SSML, clonagem de voz ou emoções

A API retorna o arquivo de áudio completo após o processamento, sem transmissão parcial em tempo real. Não há suporte para SSML, nem para ajuste de emoções ou clonagem de voz personalizada pelos clientes.

Sem SDK proprietário, plugin WordPress ou extensão

Utilizamos o padrão da OpenAI, permitindo o uso dos SDKs oficiais alterando apenas o base_url. Não desenvolvemos SDK proprietário, plugin para WordPress nem extensão de navegador, focando na compatibilidade com HTTP padrão.

Sem suporte por telefone ou chat ao vivo, apenas e-mail

O suporte técnico é realizado exclusivamente por e-mail. Não mantemos canais de telefone nem chat ao vivo, permitindo que a equipe foque inteiramente na estabilidade da infraestrutura e na transparência dos preços.

Comece a usar agora

Ilustração de onda sonora para: Comece a usar agora

Acesse /get-api-key/ para criar sua conta no ClaraNota usando Google ou e-mail. O painel exibe sua chave de API ativa, saldo e um exemplo curl pronto para uso imediato.

Crie uma conta com Google ou email para obter a chave

O registro é simples e gera uma chave única por site. Você pode emitir uma nova chave a qualquer momento, invalidando a anterior instantaneamente.

  • Autenticação via Google ou e-mail
  • Chave Bearer ativa imediatamente

Receba $0,50 de crédito grátis para testar por 7 dias

Contas criadas com Google recebem $0,50 de crédito (aprox. 50.000 caracteres) por 7 dias. Contas por e-mail começam sem crédito.

Integre rapidamente usando nossa documentação e curl example

Utilize a documentação em /docs/ para integrar a API em seus sistemas. A estrutura de requisição é idêntica à da OpenAI, facilitando a adaptação.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Em caso de falha persistente após múltiplas retentativas, exiba o texto original na interface do usuário.

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. Python documentation
  4. TRON developer hub: TRC-20
  5. ISO 639 language codes
  6. OpenAI API reference: create speech
  7. Node.js documentation
  8. openai-node on GitHub
  9. IETF RFC 7845: Ogg Opus
  10. W3C WAI: making audio and video accessible
  11. curl documentation
  12. Creative Commons Attribution 4.0

Mais neste site