Melhores ferramentas de texto para voz em 2026: Speechify, NaturalReader, ElevenLabs, Amazon Polly, Google, Azure e OpenAI (verificado em julho de 2026)

O Speechify é o melhor app de texto para voz para quem quer ouvir conteúdo, mas a assinatura Premium de $29 não inclui direitos de distribuição comercial. O NaturalReader oferece o melhor custo-benefício para documentos por $79 ao ano, o ElevenLabs é a escolha de $6 para produzir áudio publicável, e o Amazon Polly ou o Google Cloud vence quando a voz precisa fazer parte de um software.

A primeira decisão não é descobrir qual voz soa melhor em uma demonstração. É definir no que esse áudio precisa se transformar.

Um app de leitura converte PDF, página da web, e-mail ou livro em conteúdo para ouvir. Um estúdio de produção transforma roteiro em áudio editável e publicável. Já uma API de voz gera áudio a partir de texto dentro de um produto. Esses usos se encontram no mecanismo de síntese, mas têm preços, direitos, etapas de revisão e formas de falhar diferentes.

Todos os planos, franquias, modelos e limites abaixo foram conferidos nas páginas oficiais dos fornecedores em 29 de julho de 2026. Esta é uma comparação com preços verificados e análise editorial — não uma afirmação de que usamos contas pagas ou submetemos as vozes a um teste controlado de audição.

Melhores ferramentas de texto para voz: visão geral

Escolha o Speechify quando a tarefa for ouvir o que já está na tela. Escolha o NaturalReader quando PDFs, páginas digitalizadas, implantação em escolas e custo anual pesarem mais do que uma experiência refinada entre dispositivos. Escolha o ElevenLabs quando o resultado virar vídeo para cliente, curso, audiolivro ou peça de campanha.

Só faz sentido migrar para uma API quando a fala precisa ser gerada automaticamente dentro de um software. O Amazon Polly estabelece a referência mais clara de custo. O Google Cloud oferece a escala de preços mais ampla, das vozes Standard e WaveNet de $4 às vozes Studio de $160. O Azure merece atenção em contratos empresariais com volume comprometido. Já a OpenAI se destaca pelo controle da interpretação quando uma instrução como “calma, cadenciada e com um senso contido de urgência” é mais útil do que um ajuste convencional de voz.

Como selecionamos as ferramentas

Sete produtos entraram na lista porque cada um atende a uma decisão de compra diferente. O ranking considera seis critérios:

1. Fluxo de entrada: A ferramenta lida com o material que você já tem, como página da web, PDF, digitalização, roteiro longo ou resposta de uma aplicação?
2. Direção: É possível controlar pronúncia, ritmo, emoção, ênfase e consistência, ou apenas escolher uma voz e apertar o play?
3. Direitos: O plano específico permite audição pessoal, publicação comercial ou uso em produto?
4. Unidade de cobrança: O consumo é medido em palavras, caracteres, créditos, tokens de texto, tokens de áudio ou franquia mensal?
5. Fluxo de saída: O produto inclui edição, exportação, revisão e colaboração ou apenas devolve um arquivo de áudio?
6. Limite prático: O que faz um plano razoável deixar de valer a pena — licença de uso pessoal, saldo compartilhado de créditos, multiplicador por modelo, compromisso mínimo ou falta de transparência no preço?

A seleção reúne intencionalmente apps de leitura, estúdios de produção e APIs, porque compradores usam a expressão “texto para voz” para as três categorias. Isso não significa que sejam intercambiáveis. Foram descartados os produtos que só podiam ser descritos por marketing de quantidade de vozes, preço impossível de confirmar ou um adjetivo vago sobre qualidade.

Não classificamos a qualidade das vozes. Uma comparação auditiva confiável exige o mesmo roteiro, idioma, tipo de voz, volume, formato de saída, direção de interpretação e critério de pontuação em todos os sistemas. Uma demonstração na página inicial não comprova consistência em conteúdo longo, precisão de pronúncia nem desempenho sob uma edição exigente. Por isso, os veredictos se baseiam em fluxo verificável, direitos, controles, limites e custo.

1. Speechify é o melhor app de texto para voz para ouvir conteúdo

O Speechify é a primeira opção mais forte quando o material de origem já existe e a ideia é ouvi-lo ao longo do dia, não produzir um arquivo de áudio para distribuição.

O Reader recebe os formatos comuns da rotina de leitura: documentos, arquivos na nuvem, materiais digitalizados e textos em dispositivos compatíveis. O Premium acrescenta mais de 1,000 vozes em mais de 60 idiomas, reprodução em até 5x, Scan & Listen, resumos, chats e integrações com Google Drive, Dropbox e Microsoft OneDrive. Essa combinação facilita sair de um artigo no notebook e continuar ouvindo no celular durante o trajeto, sem remontar o material na linha do tempo de um estúdio.

A limitação decisiva está nos direitos, não na qualidade da voz. A política de uso vigente do Speechify informa que contas Reader não podem ser usadas para distribuição comercial sem autorização. O caminho para publicação é o produto separado Speechify Studio.

Melhor para: Ouvir livros, PDFs, artigos, e-mails e documentos na nuvem em vários dispositivos
Destaque: O fluxo mais bem resolvido deste grupo para quem prioriza leitura
Preço: Reader Free $0; Reader Premium $29/mês; Studio Free $0; Studio Starter $19/mês; Studio Creator $49/mês
Teste grátis: Reader e Studio mantêm planos grátis

Todos os planos do Speechify Reader e Studio

A página de preços do Reader apresenta dois planos:

• Reader Free: $0. Reprodução em até 1.5x, dez vozes básicas, audição nas plataformas compatíveis e apenas recursos de texto para voz.
• Reader Premium: $29/mês. Mais de 1,000 vozes, mais de 60 idiomas, reprodução em até 5x, Scan & Listen, resumos, chats, integrações com serviços de nuvem, digitação por voz, podcasts e Voice AI Assistant.

A política de uso do Speechify traz o número que não aparece no cartão de preço. Assinantes Premium têm garantia de 1,000,000 de palavras com Premium Voice por mês até 31 de dezembro de 2026. A base contratual abaixo dessa ampliação temporária é de 150,000 palavras mensais. A franquia é renovada todo mês.

É uma oferta generosa para audição pessoal. Ainda assim, não transforma o Reader em uma licença para produção de áudio.

A página de preços do Studio apresenta três planos separados:

• Studio Free: $0 com 600 créditos Studio, acesso a mais de 1,000 vozes, Voiceover Studio, Dubbing Studio e Voice Changer. Não inclui clonagem de voz nem direitos de uso comercial.
• Studio Starter: $19/mês com 7,200 créditos Studio, clonagem de voz, mídia de banco, locução, dublagem, Voice Changer e direitos de uso comercial.
• Studio Creator: $49/mês com 28,800 créditos Studio e tudo o que há no Starter.

O Studio cobra quantidades diferentes de créditos por tarefa. Voiceover consome um crédito por segundo; Dubbing, três; e geração de avatar, 30. Reexportar uma fala sem alterações é grátis, mas um roteiro novo ou uma mudança de tom, velocidade ou interpretação emocional exige outra geração e consome créditos novamente.

Um processo repetível para ouvir PDFs

A principal recomendação deve ser fácil de testar com o seu próprio material antes do pagamento. Use um arquivo representativo, não uma demonstração produzida para impressionar.

1. 1

   Defina a finalidade antes de escolher o arquivo

   Se o áudio for apenas para você, abra o Reader. Se outra pessoa vai recebê-lo, reproduzi-lo por streaming, comprá-lo ou publicá-lo, pare e abra o Studio ou outro produto comercial.

2. 2

   Use uma fonte difícil

   Escolha um PDF ou uma página da web com títulos, abreviações, uma tabela e ao menos um elemento digitalizado. Um parágrafo limpo praticamente não testa um app de leitura.

3. 3

   Ajuste a velocidade de audição

   Comece na velocidade normal e aumente apenas até o ponto em que a compreensão começar a cair. O Premium chega a 5x, mas o valor máximo é um teto técnico, não uma configuração inicial sensata.

4. 4

   Teste a navegação, não apenas a voz

   Alterne entre títulos, pause, retome em outro dispositivo e observe como o app trata arquivos na nuvem ou material digitalizado. Um leitor justifica seu preço ao ajudar você a percorrer o documento, não ao soar impressionante em uma única frase.

5. 5

   Confira os direitos antes de exportar

   Se o resultado passar a integrar um material público ou pago, leve o roteiro para o Studio. Mesmo depois do pagamento de $29/mês, o Reader Premium continua sendo um produto para audição pessoal.

Quando o Speechify vale a pena

O Speechify vale $29/mês quando a leitura acompanha você em vários dispositivos, a franquia de 1,000,000 de palavras em 2026 é útil e o atrito custa mais do que a assinatura. Um advogado que alterna entre processos, um fundador que ouve relatórios durante viagens ou uma pessoa que precisa de suporte de acessibilidade pode justificar essa conveniência.

O custo-benefício é ruim para quem envia apenas um PDF ocasional em um único computador. Doze meses pelo valor mensal publicado custam $348 antes de qualquer desconto anual separado. O NaturalReader Lite custa $79/ano, o Plus, $119, e o Pro, $159. A diferença é grande o bastante para exigir retorno real do fluxo.

2. NaturalReader oferece o melhor custo-benefício para documentos

O NaturalReader é a compra mais acertada quando arquivos, OCR, anotações, implantação em escolas e preço anual importam mais do que a experiência mais fluida entre dispositivos.

O app pessoal aceita arquivos PDF, EPUB, DOCX, PPTX, Numbers e Pages. Os planos pagos acrescentam OCR, que transforma o texto de uma imagem ou digitalização em conteúdo legível por máquina, além de Pronunciation Editor, anotações, AI Smart Filter e conversão para MP3. O Smart Filter faz diferença porque tabelas, números de página, cabeçalhos e rodapés podem transformar um documento útil em um áudio cansativo.

A maior força do NaturalReader também é a principal fonte de erro na compra: Personal e Commercial são produtos separados. Todos os planos Personal, inclusive os que oferecem exportação paga para MP3, têm licença exclusiva para uso pessoal.

Melhor para: Audição pessoal com muitos documentos, OCR e implantação em instituições de ensino
Destaque: O fluxo mais completo para documentos por um preço anual menor do que o Speechify Premium pago mês a mês
Preço: Personal Free; Lite $13.90/mês ou $79/ano; Commercial Starter $29/mês ou $198/ano
Teste grátis: Plano Personal grátis e 10,000 caracteres de amostra Commercial por dia

Todos os planos NaturalReader Personal

A página de preços do Personal e a página de limites de voz do NaturalReader apresentam a escala completa:

• Free: $0. Free Voices ilimitadas, 20,000 caracteres de Lite Voice por dia e 4,000 caracteres compartilhados entre Plus e Cloned Voice por dia. Não converte para MP3 e não inclui OCR.
• Lite: $13.90/mês ou $79/ano. Audição ilimitada com Lite Voice, 1 milhão de caracteres de Lite Voice em MP3 por mês, OCR, formatos comuns de documentos, Pronunciation Editor, anotações, Smart Filter e recursos de IA. Não inclui clonagem de voz, Plus Voices nem Pro Voices.
• Plus: $20.90/mês ou $119/ano. Acrescenta 500,000 caracteres diários compartilhados entre Plus e Cloned Voice para audição, 1 milhão de caracteres mensais compartilhados entre Plus e Cloned Voice para MP3 e até duas vozes clonadas.
• Pro: $25.90/mês ou $159/ano. Acrescenta Pro Voices e Reading Styles, mantendo o limite diário compartilhado de 500,000 caracteres para audição e o limite mensal compartilhado de 1 milhão de caracteres para MP3 entre Plus, Cloned e Pro Voices.

Os preços anuais formam uma escala de valor clara. O Speechify Premium pago por 12 meses, pelo valor mensal publicado de $29, custa $348. O NaturalReader Lite custa $269 menos; o Plus, $229 menos; e o Pro, $189 menos. O Speechify ainda pode vencer pelo fluxo, mas essa conveniência tem um custo anual bem visível.

Todos os planos NaturalReader para educação

O NaturalReader vende dois planos EDU para grupos, com cobrança anual:

• Premium EDU: $199 para um a cinco usuários, $299 para seis a dez, $399 para 11 a 20, $499 para 21 a 30, $555 para 31 a 40 e $599 para 41 a 50. Acima de 50 usuários, os preços começam em $12 por usuário ao ano.
• Plus EDU: $299 para um a cinco usuários, $499 para seis a dez, $899 para 11 a 20, $1,200 para 21 a 30, $1,400 para 31 a 40 e $1,500 para 41 a 50. Acima de 50 usuários, os preços começam em $25 por usuário ao ano.
• Site license: Preço personalizado para escolas com pelo menos 2,000 usuários matriculados.

O Pro não está disponível para EDU. O Premium EDU exclui Plus e Pro Voices. O Plus EDU acrescenta acesso a Plus e Cloned Voice, mas não a Pro Voices.

É a opção institucional mais forte quando a necessidade é dar suporte à leitura, não produzir conteúdo. A fronteira dos direitos continua existindo na educação: o produto Personal permanece restrito à audição pessoal.

Todos os planos NaturalReader Commercial

NaturalReader Commercial é o caminho separado para áudio que será distribuído. Um usuário grátis pode testar até 10,000 caracteres por dia. Os planos comerciais atuais são:

• Starter: $29 por usuário ao mês ou $198 por usuário ao ano, equivalente a $16.50/mês com cobrança anual. Inclui 500,000 créditos mensais.
• Creator: $49 por usuário ao mês ou $297 por usuário ao ano, equivalente a $24.75/mês com cobrança anual. Inclui 2 milhões de créditos mensais.
• Team: $33 por usuário ao mês ou $192 por usuário ao ano, equivalente a $16/mês com cobrança anual. Exige pelo menos dois usuários e inclui 2 milhões de créditos compartilhados por usuário ao mês.

Todos os planos Commercial pagos incluem áudio com licença comercial, acesso a modelos de voz Gemini, OpenAI, Azure e ElevenLabs, Prompt Control, mais de 90 idiomas, até quatro vozes clonadas, Script Assistant, Pronunciation Editor e download de MP3 e WAV em 44.1 kHz.

O custo escondido está no multiplicador de créditos. Vozes Gemini, OpenAI, Azure, Google Chirp HD e legacy custam um crédito por caractere. ElevenLabs Turbo custa dez; ElevenLabs HD, 20.

Isso significa que os 500,000 créditos do Starter compram:

• 500,000 caracteres com uma voz de um crédito
• 50,000 caracteres com ElevenLabs Turbo
• 25,000 caracteres com ElevenLabs HD

Creator e Team oferecem 2 milhões de créditos, que se transformam em 2 milhões, 200,000 ou 100,000 caracteres sob os mesmos três multiplicadores.

Quem deve evitar o NaturalReader

Evite o NaturalReader Personal se precisar de saída comercial. Evite o NaturalReader Commercial se quiser uma unidade previsível de caracteres para todos os modelos. E pule toda a família de produtos se uma transição fluida para o celular importar mais do que os controles de documentos e o custo anual adicional do Speechify não for um problema.

O NaturalReader vence quando o documento de origem é a parte difícil. Convence menos quando o trabalho começa com um roteiro limpo e a interpretação do áudio precisa de direção.

3. ElevenLabs é a melhor ferramenta de texto para voz para publicar narrações

O ElevenLabs é a melhor escolha de produção quando o áudio precisa ser dirigido, exportado e publicado — e não apenas ouvido.

O Starter custa $6/mês e é o primeiro plano desta lista a combinar licença comercial, Instant Voice Cloning e Dubbing Studio. O Creator acrescenta Professional Voice Cloning. O Pro oferece PCM de 44.1 kHz pela API e áudio de 192 kbps. A plataforma ocupa o espaço entre um estúdio no navegador e uma API sem obrigar o comprador a montar os dois desde o primeiro dia.

Essa amplitude também cria a principal barreira. Texto para voz, transcrição de voz para texto, música, efeitos sonoros, transformação e isolamento de voz e dublagem consomem o mesmo saldo de créditos. Um plano que parece oferecer 121 minutos de narração pode render menos se a conta também fizer dublagens ou gerações repetidas.

Melhor para: Narração, audiolivros, cursos, vídeos de marca, dublagem e peças de voz com direção
Destaque: A produção comercial começa em $6/mês
Preço: Free $0; Starter $6; Creator $22; Pro $99; Scale $299; Business $990; Enterprise personalizado
Teste grátis: Plano Free com 10,000 créditos e cerca de dez minutos de TTS

Todos os planos ElevenLabs

A página de preços vigente apresenta:

• Free: $0/mês, 10,000 créditos, cerca de dez minutos de TTS e três projetos no Studio.
• Starter: $6/mês, 30,000 créditos, cerca de 30 minutos de TTS, licença comercial, Instant Voice Cloning, 20 projetos no Studio, uso comercial de música e Dubbing Studio.
• Creator: $22/mês, com o primeiro mês por $11, 121,000 créditos, cerca de 121 minutos de TTS, Professional Voice Cloning e créditos adicionais.
• Pro: $99/mês, 600,000 créditos, cerca de 600 minutos de TTS, saída PCM de 44.1 kHz pela API e áudio de 192 kbps.
• Scale: $299/mês, 1.8 milhão de créditos, cerca de 1,800 minutos de TTS, três assentos no workspace, colaboração em equipe e três Professional Voice Clones.
• Business: $990/mês, 6 milhões de créditos, cerca de 6,000 minutos de TTS, dez assentos, dez Professional Voice Clones e TTS de baixa latência anunciado a partir de $0.05/minuto.
• Enterprise: Preços, créditos e assentos personalizados, além de termos de DPA e SLA sob medida, BAAs para HIPAA, SSO personalizado, maior simultaneidade, dublagem gerenciada, descontos por volume e suporte prioritário.

A cobrança anual equivale a dez meses. Com isso, o Starter sai por $5/mês; o Creator, por $18.33; o Pro, por $82.50; o Scale, por $249.17; e o Business, por $825.

Créditos pagos não utilizados acumulam por até dois meses e até o dobro da cota mensal. Somado à franquia do mês vigente, o saldo pode chegar ao triplo da cota mensal. Créditos do Free não acumulam.

Depois do Starter, o custo simples da assinatura por minuto incluído na interface se concentra em uma faixa. O Starter fica em $0.20 por minuto incluído; o Creator, em cerca de $0.18; e Pro, Scale e Business, em aproximadamente $0.17. Isso antes que outro produto ElevenLabs consuma o mesmo saldo.

O mesmo briefing antes e depois da adaptação para voz

Uma frase escrita e uma frase falada cumprem funções diferentes. No texto, parênteses, listas densas, barras, URLs e hierarquia visual funcionam porque o leitor pode parar e percorrer a página. O áudio desaparece à medida que é ouvido.

Considere este briefing fictício:

Texto escrito: A coleção Studio inclui a cadeira Atlas, a luminária Arc e a mesa Field, disponíveis nas cores osso, cobalto e musgo.

A versão preparada para locução cria uma estrutura que pode ser ouvida:

Texto para locução: Conheça a coleção Studio. Primeiro, a cadeira Atlas. Depois, a luminária Arc. Por fim, a mesa Field. Escolha entre osso, cobalto ou musgo.

A segunda versão não é uma prosa mais inteligente. Ela tem unidades de sentido menores, palavras explícitas de sequência e menos oportunidades de o ouvinte se perder na lista. Em seguida, um dicionário de pronúncia deve fixar qualquer marca, produto, pessoa ou termo técnico cuja grafia não revele o som com segurança.

Esse é o padrão editorial que uma demonstração bem produzida esconde. Uma voz pode soar convincente e ainda dificultar o acompanhamento de um roteiro longo.

Receita para publicar uma narração

1. Adapte o roteiro para os ouvidos. Transforme listas visuais em sequências audíveis. Substitua URLs cruas, abreviações sem explicação e trechos entre parênteses.
2. Fixe a pronúncia. Adicione marcas, pessoas, siglas e termos específicos do setor ao fluxo de pronúncia antes de gerar um trecho longo.
3. Gere um bloco curto e representativo. Inclua uma lista, uma transição emocional e um nome difícil. Não gaste toda a franquia testando uma frase inicial fácil.
4. Revise com o roteiro em mãos. Procure omissões, pronúncias erradas, ênfases involuntárias, ritmo ofegante e mudanças de tom que alterem o sentido.
5. Só exporte depois de esclarecer os direitos. O Starter é o primeiro plano ElevenLabs a anunciar licença comercial. O consentimento sobre a voz de origem continua sendo uma exigência separada da assinatura.

Para uma comparação mais aprofundada de estúdios de produção como Murf, Hume, Speechify Studio, WellSaid, Respeecher, Cartesia e Inworld, consulte o guia de geradores de voz com IA.

4. Amazon Polly é a melhor API de voz com custo previsível

O Amazon Polly é a referência de custo mais clara quando um produto precisa gerar voz sob demanda e a equipe já sabe operar um serviço da AWS.

O serviço cobra por caractere e permite armazenar em cache e reproduzir a fala gerada sem uma nova cobrança do Polly. O Speech Marks pode devolver metadados de tempo para usos como destaque sincronizado ou animação. Isso faz do Polly mais do que um gerador de arquivos, mas ele continua sendo infraestrutura: cabe a você construir o leitor, a linha do tempo, a revisão editorial e o fluxo de distribuição.

Melhor para: Aplicações que precisam de cobrança previsível por caractere e operação na AWS
Destaque: Uma escala transparente de $4 a $100 por milhão de caracteres
Preço: Standard $4, Neural $16, Generative $30, Long-Form $100 por 1M de caracteres
Teste grátis: A faixa grátis da AWS varia conforme a classe de voz

Todas as classes de voz e franquias grátis do Amazon Polly

A página de preços do Polly apresenta quatro classes pagas:

• Standard: $4 por 1 milhão de caracteres.
• Neural: $16 por 1 milhão de caracteres.
• Generative: $30 por 1 milhão de caracteres.
• Long-Form: $100 por 1 milhão de caracteres.

A faixa grátis inclui:

• 5 milhões de caracteres Standard por mês
• 1 milhão de caracteres Neural por mês durante os primeiros 12 meses
• 100,000 caracteres Generative por mês durante os primeiros 12 meses
• 500,000 caracteres Long-Form por mês durante os primeiros 12 meses

Nos próprios exemplos da AWS, 1 milhão de caracteres equivale a aproximadamente 23 horas e oito minutos de fala. Nessa escala, as quatro classes custam $4, $16, $30 ou $100 antes de armazenamento, entrega, código da aplicação, monitoramento e revisão humana.

Quando o Polly vence

O Polly vence quando previsibilidade de custo e integração com a AWS importam mais do que direção em linguagem natural. Um produto que lê notificações, artigos, aulas ou atualizações de status consegue orçar o volume de caracteres antes de escolher a classe de voz.

Ele perde quando um editor precisa dirigir a interpretação em linguagem comum, colaborar em uma linha do tempo ou fazer muitas regravações subjetivas. Nessas situações, uma API barata se transforma em um projeto interno de construção de ferramentas.

5. Google Cloud Text-to-Speech tem a maior variedade de preços entre APIs

O Google Cloud Text-to-Speech é a melhor opção de infraestrutura para quem quer encontrar no mesmo fornecedor vozes legacy de baixo custo, vozes Chirp atuais, voz personalizada instantânea, vozes Studio premium e Gemini-TTS orientado por prompt.

Nenhuma outra API do ranking reúne tantos modelos de cobrança. As vozes cobradas por caractere variam de $4 a $160 por milhão de caracteres. O Gemini-TTS cobra separadamente tokens de entrada de texto e de saída de áudio. A amplitude é valiosa, mas também torna incompleta qualquer frase do tipo “o Google TTS custa X”.

Melhor para: Equipes que querem várias classes de modelos de voz dentro do Google Cloud
Destaque: A maior escala de opções, do Standard de $4 ao Studio de $160 e ao Gemini-TTS cobrado por token
Preço: De $4 a $160 por 1M de caracteres, ou Gemini-TTS cobrado por token
Teste grátis: O uso grátis varia por modelo; Gemini-TTS e Instant Custom Voice não oferecem franquia

Todos os preços atuais do Google para texto em voz

A página de preços vigente do Google separa Gemini-TTS, modelos TTS atuais e modelos legacy.

Gemini-TTS

• Gemini 2.5 Flash TTS e Gemini 2.5 Flash-Lite Preview TTS: Sem franquia grátis. $0.50 por 1 milhão de tokens de entrada de texto mais $10 por 1 milhão de tokens de saída de áudio.
• Gemini 3.1 Flash TTS Preview: Sem franquia grátis. $1 por 1 milhão de tokens de entrada de texto mais $20 por 1 milhão de tokens de saída de áudio.
• Gemini 2.5 Pro TTS: Sem franquia grátis. $1 por 1 milhão de tokens de entrada de texto mais $20 por 1 milhão de tokens de saída de áudio.

Para esses preços, o Google define um token de áudio como um vigésimo quinto de segundo. Assim, a duração da saída afeta diretamente o custo.

Modelos atuais cobrados por caractere

• Chirp 3 HD: 1 milhão de caracteres grátis; depois, $30 por 1 milhão.
• Instant Custom Voice: Sem franquia grátis; depois, $60 por 1 milhão.

Modelos legacy cobrados por caractere

• WaveNet: 4 milhões de caracteres grátis; depois, $4 por 1 milhão.
• Standard: 4 milhões de caracteres grátis; depois, $4 por 1 milhão.
• Neural2: 1 milhão de caracteres grátis; depois, $16 por 1 milhão.
• Polyglot Preview: 1 milhão de caracteres grátis; depois, $16 por 1 milhão.
• Studio: 1 milhão de caracteres grátis; depois, $160 por 1 milhão.

A tarifa de $160 do Studio não é um erro de arredondamento: custa 40 vezes a tarifa de $4 do Standard. Antes de direcionar volume de produção para esse plano, a equipe precisa ouvir uma melhora relevante usando o próprio roteiro.

Quando a escolha muda

Prefira Standard ou WaveNet quando custo e volume grátis dominarem a decisão. Vá de Neural2 quando a faixa de $16 for aceitável e uma classe neural atual atender ao idioma e à voz necessários. Escolha Chirp 3 HD quando a opção de $30 justificar o adicional. Só adote Instant Custom Voice se uma identidade personalizada valer $60 por milhão de caracteres, sem contar o trabalho de consentimento e revisão ao redor.

Gemini-TTS é outra categoria de compra. Ele faz sentido quando o controle de interpretação por prompt importa, mas a cobrança por token dificulta a comparação direta com uma tarifa por caractere. Faça o orçamento pela duração da saída, não apenas pelo tamanho do roteiro.

6. Azure AI Speech é a melhor opção para grandes compromissos no ecossistema Microsoft

O Azure AI Speech merece entrar na lista quando a organização já compra pela Azure e consegue aproveitar um compromisso alto de caracteres — não porque seu preço sob demanda seja o vencedor.

As vozes Standard sob demanda Neural e Neural HD Flash custam $15 por milhão de caracteres. Isso equivale a 3.75 vezes a tarifa Standard de $4 do Amazon Polly ou do Google Cloud. Os compromissos reduzem a diferença, mas o primeiro nível publicado começa em 80 milhões de caracteres.

Melhor para: Organizações Azure com poder de negociação e alto volume previsível
Destaque: Os compromissos reduzem a tarifa efetiva de $15 para até $7.50 por 1M de caracteres
Preço: F0 grátis; Standard $15 por 1M de caracteres; compromissos a partir de $960
Teste grátis: O F0 inclui 0.5M de caracteres Neural por mês

Todos os principais planos de TTS do Azure

A página de preços do Azure AI Speech informa:

• Free F0: 0.5 milhão de caracteres Neural Text to Speech por mês.
• Standard S0: Neural e Neural HD Flash custam $15 por 1 milhão de caracteres para síntese em tempo real ou em lote.
• Professional Custom Voice: A síntese Standard custa $24 por 1 milhão de caracteres. A síntese Neural HD custa $48 por 1 milhão. O treinamento custa $52 por hora de computação, limitado a $936 por treinamento. A hospedagem do endpoint custa $4.04 por modelo por hora.
• Compromisso de 80 milhões de caracteres: $960, equivalente a $12 por 1 milhão.
• Compromisso de 400 milhões de caracteres: $3,900, equivalente a $9.75 por 1 milhão.
• Compromisso de 2 bilhões de caracteres: $15,000, equivalente a $7.50 por 1 milhão.

A comparação sob demanda é simples. Por $15, o Azure Standard fica perto do AWS Neural e do Google Neural2, ambos a $16, não das respectivas classes Standard de $4.

A conta para voz personalizada é diferente. Um endpoint Professional Custom Voice hospedado continuamente por um mês de 30 dias e 720 horas custa $2,908.80 antes de sintetizar um único caractere. Isso pode fazer sentido para uma voz de marca aprovada e usada intensamente. Para narrações ocasionais, é desperdício.

Quando o Azure vence

O Azure vence quando a voz faz parte de uma arquitetura Microsoft já existente, a área de compras já mantém um acordo com a Azure e o volume é previsível o bastante para aproveitar um compromisso. Ele também oferece um modelo de custos compreensível para implantações aprovadas de Professional Custom Voice.

Perde no caso de um produto pequeno que busca o menor custo sob demanda ou de um criador que precisa de editor, não de infraestrutura de nuvem.

7. OpenAI GPT-4o mini TTS é a melhor API para voz orientada por prompt

O OpenAI GPT-4o mini TTS é a escolha mais direta quando a interpretação deve seguir uma instrução em linguagem natural e a equipe aceita a cobrança por token.

O modelo aceita instruções sobre sotaque, variação emocional, entonação, imitações, velocidade da fala, tom e sussurro. A Audio API pode devolver MP3, Opus, AAC, FLAC, WAV ou PCM; WAV e PCM são recomendados para a resposta mais rápida. A OpenAI exige informar claramente que a voz foi gerada por IA, não por uma pessoa.

A barreira está na comparação de custos. O GPT-4o mini TTS cobra separadamente tokens de entrada de texto e tokens de saída de áudio. Uma interpretação mais lenta ou longa altera o custo da saída mesmo que o roteiro seja idêntico. Converter esse preço para “por milhão de caracteres” exigiria premissas desnecessárias nas APIs cobradas por caractere.

Melhor para: Voz orientada por prompt dentro de uma aplicação
Destaque: A interpretação pode ser moldada com instruções em linguagem natural
Preço: $0.60 por 1M de tokens de entrada de texto mais $12 por 1M de tokens de saída de áudio
Teste grátis: A API não oferece faixa Free

Preço, limites e opções de voz atuais

A página do modelo GPT-4o mini TTS informa:

• Entrada de texto: $0.60 por 1 milhão de tokens
• Saída de áudio: $12 por 1 milhão de tokens
• Entrada máxima: 2,000 tokens
• Faixa de uso grátis: Não oferecida

O guia de texto para voz descreve o GPT-4o mini TTS como o modelo de texto para voz mais novo e confiável da OpenAI. Para a melhor qualidade, recomenda marin ou cedar.

Essa mesma página contém uma inconsistência de documentação importante. A introdução afirma que a Audio API traz 11 vozes integradas. Já a lista detalhada contém 13 nomes: alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin e cedar. Ao selecionar uma voz, siga a lista completa e trate a contagem anterior como texto desatualizado.

Vozes personalizadas se limitam a clientes elegíveis. A criação exige uma gravação de consentimento e outra amostra, e cada organização pode criar no máximo 20 vozes personalizadas.

Receita exata para gerar voz orientada por prompt

1. 1

   Escolha o modelo atual

   Use gpt-4o-mini-tts. Mantenha cada solicitação dentro do limite documentado de 2,000 tokens de entrada.

2. 2

   Escolha a voz antes da direção

   Comece com marin ou cedar, as duas vozes que a OpenAI recomenda pela qualidade. Mantenha a voz fixa enquanto altera a instrução de interpretação.

3. 3

   Escreva uma única instrução de interpretação

   Use uma instrução concisa, por exemplo: “Fale com autoridade serena, ritmo moderado, emoção contida e uma pausa curta depois do título de cada seção.” Isso é uma direção, não uma prova do resultado gerado.

4. 4

   Use um formato adequado para edição

   Escolha WAV quando o áudio for entrar em uma linha do tempo de edição ou PCM quando uma aplicação de baixa latência puder lidar com amostras brutas. MP3 é o padrão para entregas em geral.

5. 5

   Informe e revise

   Avise aos ouvintes que a voz é gerada por IA e compare o áudio ao roteiro aprovado para encontrar omissões e problemas de pronúncia, ênfase ou sentido.

O modelo está pronto para uso como mecanismo, não como sistema editorial completo. A aplicação ainda precisa cuidar de roteiros, novas tentativas, armazenamento, reprodução, revisão e aviso ao usuário.

Quanto custa um milhão de caracteres

APIs cobradas por caractere são fáceis de normalizar porque a unidade não muda:

• $4: Amazon Polly Standard, Google Standard e Google WaveNet
• $7.50: Azure no compromisso de 2 bilhões de caracteres
• $9.75: Azure no compromisso de 400 milhões de caracteres
• $12: Azure no compromisso de 80 milhões de caracteres
• $15: Azure Standard sob demanda
• $16: Amazon Polly Neural, Google Neural2 e Google Polyglot Preview
• $24: Síntese Azure Professional Custom Voice
• $30: Amazon Polly Generative e Google Chirp 3 HD
• $48: Síntese Azure Professional Custom Voice Neural HD
• $60: Google Instant Custom Voice
• $100: Amazon Polly Long-Form
• $160: Google Studio

A faixa de $4 é a referência de custo, não uma vencedora automática em qualidade. O Google Studio de $160 custa 40 vezes mais. Para justificar a diferença, o comprador precisa de um resultado auditivo controlado com o mesmo roteiro.

OpenAI e Gemini-TTS ficam fora dessa escala porque cobram tokens de entrada de texto e de saída de áudio. A duração e a interpretação alteram o consumo do áudio. Converter para custo por caractere sem fixar a tokenização e a duração da fala criaria uma precisão falsa.

A economia de leitores e estúdios também funciona de outra forma:

• O Speechify Premium custa $348 por 12 meses pelo preço mensal publicado de $29, antes de qualquer desconto anual separado.
• O NaturalReader custa $79/ano no Lite, $119 no Plus ou $159 no Pro.
• O custo do minuto incluído no ElevenLabs vai de $0.20 no Starter a cerca de $0.18 no Creator e aproximadamente $0.17 no Pro, Scale e Business, antes que outros produtos consumam os créditos compartilhados.
• A franquia Starter do NaturalReader Commercial pode encolher de 500,000 caracteres para 25,000 quando a voz selecionada custa 20 créditos por caractere.

Qual ferramenta escolher

A regra de decisão confiável é: ouvir, publicar ou construir.

Escolha o Speechify para ouvir. Ele vence quando o material acompanha você entre dispositivos e a conveniência de $29/mês vale mais do que a economia anual do NaturalReader. A decisão muda para NaturalReader quando arquivos, OCR, anotações, implantação EDU ou custo predominam.

Escolha o NaturalReader para documentos difíceis. O Free é útil, o Lite acrescenta OCR e conversão para MP3, e o Plus ou Pro amplia o acesso a vozes. A vantagem desaparece assim que o áudio precisa ser distribuído. Nesse caso, use NaturalReader Commercial ou um estúdio de produção.

Escolha o ElevenLabs para publicar. O Starter oferece o caminho mais simples e barato para licença comercial, Instant Voice Cloning e estúdio. A escolha muda para Speechify Studio se o fluxo criativo dele for sua preferência, ou para uma API na nuvem quando o produto gerar voz automaticamente em grande escala.

Escolha o Amazon Polly para construir com baixo custo e previsibilidade. É a referência para uma equipe AWS. A decisão muda para Google se você precisar de uma escala maior de modelos, para Azure quando compras Microsoft e compromissos de alto volume pesarem ou para OpenAI quando direção de interpretação em linguagem natural for o recurso central.

Escolha o Google Cloud pela variedade de modelos. Standard e WaveNet cobrem a faixa de $4; Neural2, a de $16; Chirp, a de $30; e Studio, a de $160. A vantagem desaparece quando tantas opções geram mais trabalho de compra e avaliação do que valor.

Escolha o Azure para volume empresarial comprometido. O Standard sob demanda a $15 não é a opção de baixo custo. A proposta melhora com compromissos de 80 milhões, 400 milhões ou 2 bilhões de caracteres.

Escolha a OpenAI para voz orientada por prompt em aplicações. Ela vence quando a instrução de interpretação faz parte do produto. A decisão muda para uma API cobrada por caractere quando a previsibilidade do custo unitário importa mais do que a flexibilidade da entrega.

Quais opções evitar

Os produtos e planos abaixo não são ruins em qualquer situação. São compras ruins sob uma condição específica.

Evite Speechify Reader e NaturalReader Personal para uso comercial. Ambos conseguem produzir áudio, mas nenhuma assinatura paga desses leitores transforma audição pessoal em licença de distribuição comercial.

Evite planos grátis para criadores em trabalhos de cliente quando os direitos comerciais não estiverem explícitos. O Speechify Studio Free não concede direitos de uso comercial. O ElevenLabs inclui licença comercial a partir do Starter. Testar um fluxo gratuitamente não é autorização para publicar.

Deixe o PlayHT em espera quando transparência de preço fizer parte da decisão. A URL oficial de preços não devolveu uma tabela pública vigente e utilizável dentro do corte factual exigido. Uma comparação comercial não deve preencher essa lacuna com preços antigos de terceiros.

Direcione compradores do Murf para a categoria de estúdios criativos. A página atual do Murf apresenta Free, Creator por $19/mês com cobrança anual de $228, Business por $66/mês com cobrança anual de $792 e Enterprise. A comparação mais adequada é com outros estúdios de produção no guia de geradores de voz com IA, não com leitores de documentos.

Não escolha pela quantidade de vozes. O Speechify anuncia mais de 1,000 vozes, a OpenAI lista 13 nomes e os provedores de nuvem trabalham com famílias de modelos em vez de um único tamanho de biblioteca. Nenhuma dessas contagens comprova pronúncia, consistência em conteúdo longo ou adequação ao seu roteiro.

Não implante uma voz personalizada sem registrar a autorização. A OpenAI exige uma gravação de consentimento e outra amostra para vozes personalizadas. O mesmo padrão operacional deve valer para qualquer fornecedor: registre quem é dono da fonte, o que o clone pode dizer, onde pode operar e quando a autorização termina.

Perguntas frequentes

Qual é a melhor ferramenta grátis de texto para voz?

O NaturalReader é o melhor leitor grátis de documentos deste grupo. O Free inclui vozes básicas ilimitadas, 20,000 caracteres de Lite Voice por dia e 4,000 caracteres diários compartilhados entre Plus e Cloned Voice, mas não oferece conversão para MP3 nem OCR. O Speechify Free é mais fácil para testar em diferentes dispositivos, com dez vozes básicas e reprodução em até 1.5x.

Qual é o melhor app de texto para voz?

Para a maioria das pessoas que busca audição pessoal, o Speechify é o melhor app de texto para voz porque combina cobertura entre dispositivos, integrações com nuvem, Scan & Listen e reprodução em até 5x. O NaturalReader tem melhor custo-benefício quando OCR, gestão de arquivos, anotações e um plano anual de $79 a $159 pesam mais.

Qual é a melhor ferramenta de texto para voz para estudantes?

O NaturalReader é a opção mais forte para estudantes e escolas. Os planos Personal pagos lidam com formatos comuns de documentos, OCR, anotações, pronúncia e Smart Filter, enquanto Premium EDU e Plus EDU publicam faixas de preço para grupos pequenos ou com mais de 50 usuários. A licença por instituição começa em 2,000 usuários matriculados.

Posso usar comercialmente um áudio gerado de texto para voz?

Sim, desde que o plano específico autorize uso comercial e que o roteiro e a voz de origem estejam liberados. ElevenLabs Starter, Speechify Studio Starter e NaturalReader Commercial oferecem caminhos comerciais. Speechify Reader e NaturalReader Personal não oferecem.

Quanto custa o texto para voz da OpenAI?

O GPT-4o mini TTS custa $0.60 por 1 milhão de tokens de entrada de texto mais $12 por 1 milhão de tokens de saída de áudio. A API não oferece faixa Free, e cada solicitação comporta até 2,000 tokens de entrada.

Quanto custa o texto para voz do Amazon Polly?

O Amazon Polly custa $4 por 1 milhão de caracteres nas vozes Standard, $16 nas Neural, $30 nas Generative e $100 nas Long-Form. Nos exemplos da AWS, 1 milhão de caracteres corresponde a aproximadamente 23 horas e oito minutos de fala.

Quanto custa o Google Cloud Text-to-Speech?

O Google começa em $4 por 1 milhão de caracteres para Standard e WaveNet depois do uso grátis. Neural2 e Polyglot custam $16; Chirp 3 HD, $30; Instant Custom Voice, $60; e Studio, $160. O Gemini-TTS cobra separadamente tokens de entrada de texto e de saída de áudio.

Quanto custa o texto para voz do Azure?

O Azure F0 inclui 0.5 milhão de caracteres Neural por mês. Neural e Neural HD Flash no Standard sob demanda custam $15 por 1 milhão de caracteres. Os compromissos reduzem a tarifa efetiva para $12, $9.75 ou $7.50 por milhão em volumes comprometidos de 80 milhões, 400 milhões ou 2 bilhões de caracteres.

Texto para voz é a mesma coisa que voz para texto?

Não. Texto para voz transforma uma entrada escrita em áudio. Voz para texto transforma áudio falado em uma saída escrita. Um assistente de voz pode usar os dois, mas eles resolvem conversões opostas e são cobrados separadamente.

É possível converter texto em voz online de graça?

Sim. Speechify e NaturalReader oferecem acesso grátis pelo navegador, enquanto o ElevenLabs mantém um plano Free para criadores. Limites e direitos são diferentes: o NaturalReader Free não exporta MP3, o Speechify Reader não permite distribuição comercial sem autorização e o ElevenLabs anuncia licença comercial no Starter.

Baixe o checklist de auditoria de fluxos de IA para empresas e documente o texto de origem, os direitos de uso, o plano, a voz, o aviso, o responsável pela revisão e a aprovação final antes de usar a fala gerada em uma campanha ou produto.