O que é texto para voz? Um guia em linguagem simples

O texto para voz (TTS, do inglês text-to-speech), também chamado de síntese de fala, é um software que lê texto em voz alta. Você fornece uma frase e ele devolve um arquivo de áudio ou uma transmissão ao vivo de uma voz falando essa frase. A voz não é uma gravação de uma pessoa lendo exatamente as suas palavras. Ela é gerada na hora por um modelo de computador que aprendeu como uma determinada voz pronuncia sons, palavras e frases.

É quase certo que você já ouviu TTS: nas instruções do GPS, nos menus de atendimento telefônico, nos leitores de tela usados por pessoas cegas e com baixa visão, nos recursos de “ler em voz alta” dos e-books e, cada vez mais, em narrações do YouTube e vídeos curtos.

A maioria dos sistemas atuais funciona em três grandes etapas. Você nunca as vê, mas conhecê-las ajuda a entender por que certos textos causam problemas.

1. Ler e normalizar o texto

Primeiro, o sistema descobre o que realmente deve ser dito. “Dr.” pode ser “doutor” ou “doutora”; “2026” costuma ser “dois mil e vinte e seis”, mas “10:30” pode ser “dez e trinta” ou “dez e meia”; “R$ 5” vira “cinco reais”. Ele também divide o texto em frases e decide como cada palavra escrita é pronunciada, o que é mais difícil do que parece: em português, “colher” é pronunciada de um jeito em “uma colher de açúcar” e de outro em “vou colher as frutas”.

2. Planejar o som

Em seguida, uma rede neural prevê como a frase deve soar: quais sílabas são tônicas, onde a entonação sobe e desce, quanto dura cada som e onde entram as pequenas respirações. Essa melodia e esse ritmo se chamam prosódia, e são a principal diferença entre uma voz que soa humana e outra que parece uma máquina lendo uma lista.

3. Produzir o áudio

Por fim, outro modelo (muitas vezes chamado de vocoder) transforma esse plano em uma onda sonora de verdade, que você pode reproduzir. Sistemas mais antigos colavam minúsculos fragmentos de fala pré-gravados, e por isso soavam picotados. Os sistemas neurais geram a forma de onda diretamente, e é por isso que as vozes atuais soam fluidas.

• Prosódia. Ritmo e entonação naturais importam mais do que a qualidade bruta do áudio. Uma voz limpa, mas monótona, continua soando artificial.
• Idioma e sotaque adequados. Uma voz treinada para um idioma costuma ter dificuldade com palavras de outro. Escolha uma voz que corresponda ao idioma do seu texto e, de preferência, ao sotaque que seus ouvintes esperam.
• O próprio texto. Abreviações, nomes incomuns, falta de pontuação e frases muito longas são as causas mais comuns de resultados estranhos. Nosso guia sobre como escrever roteiros para texto para voz mostra como corrigi-los.
• Configurações de velocidade e tom. Pequenos ajustes ajudam muito; configurações extremas fazem qualquer voz soar estranha.

• Acessibilidade. Ouvir em vez de ler ajuda pessoas com baixa visão, dislexia, cansaço ou outras dificuldades de leitura. Veja texto para voz e acessibilidade.
• Narração de vídeos. Criadores usam TTS em vídeos explicativos, tutoriais e vídeos curtos no YouTube quando não podem ou preferem não gravar a própria voz. Veja como fazer uma narração para o YouTube.
• Aprender idiomas. Ouvir uma frase falada por uma voz com sotaque nativo, em velocidade mais lenta, ajuda na pronúncia. Veja texto para voz no aprendizado de idiomas.
• Revisão de textos. Ouvir o que você escreveu sendo lido em voz alta é uma das formas mais rápidas de encontrar frases truncadas e palavras faltando.
• Audiolivros e escuta de textos longos. Veja como narrar um audiolivro com TTS.

Mesmo boas vozes de IA podem errar a pronúncia de nomes raros, nomes de marcas e palavras emprestadas de outros idiomas. Elas não entendem o seu texto como um narrador humano, então piadas, sarcasmo e emoções fortes muitas vezes saem neutros. E, como as vozes sintéticas agora são realistas, elas nunca devem ser usadas para imitar uma pessoa real nem para enganar os ouvintes.

A solução prática para a maioria dessas limitações é editar o texto, e não brigar com a voz: escreva nomes difíceis do jeito que soam, divida frases longas e acrescente pontuação onde você quer uma pausa.

No Estúdio você pode colar até 2.000 caracteres por vez, escolher entre 583 vozes em 76 idiomas, ajustar a velocidade e o tom, ouvir e baixar o resultado. Não é preciso ter conta. Se você não tem certeza de qual voz usar primeiro, leia como escolher a voz de IA certa.