Pular para conteúdo

Gerar voz (TTS)

Sintetize arquivos de legenda (com timing) ou texto arbitrário em áudio MP3 / WAV. Cinco backends TTS: Edge TTS (gratuito), ElevenLabs (alta qualidade), Google Cloud TTS, Gemini TTS (camada gratuita) e Piper TTS (offline).

O que você precisa

  • FFmpeg no PATH — veja Configuração do FFmpeg.
  • Um backend TTS, um destes:
    • Edge TTS — gratuito, sem chave, padrão. Usa as vozes na nuvem do Microsoft Edge.
    • ElevenLabs — pago, qualidade máxima. Veja Configuração do ElevenLabs.
    • Google Cloud TTS — pago, muito bom. Veja Configuração do Google Cloud.
    • Gemini TTS — camada gratuita, vozes pré-construídas naturais. Reutiliza sua chave API do Gemini existente da aba LLM — sem configuração extra.
    • Piper TTS — TTS neural totalmente offline. Sem chave de API, sem chamadas de rede — as vozes são arquivos ONNX de ~25–60 MB baixados uma vez via Configurações → Voz → Piper TTS → Baixar vozes agora. 32 dos 45 idiomas do app têm uma voz Piper hoje; idiomas sem cobertura Piper caem silenciosamente para Edge TTS no momento da síntese.

Passo a passo

  1. Clique em Gerar voz na barra lateral.
  2. Solte um ou mais arquivos de legenda .srt / .vtt / .ass / .ssa.
  3. Escolha o Idioma (auto-detectado a partir do nome do arquivo de legenda quando possível — ex. _translated_en_pt.srt é detectado como português).
  4. Escolha o Gênero da voz — Feminino ou Masculino.
  5. Escolha o Formato de saída — .mp3 (padrão) ou .wav.
  6. Clique em Gerar (ou Ctrl+Enter).
  7. Abra a linha quando concluído — toca no seu app de áudio padrão.

Saída

Você obtém um único arquivo de áudio com as faixas de voz posicionadas no timestamp de cada legenda. Lacunas silenciosas preenchem o tempo entre cues para que o áudio permaneça em sincronia com o timing original.

Escolhendo um backend TTS

Backend Custo Vozes Notas
Edge TTS Gratuito Centenas, todos os idiomas principais Padrão. Sem configuração.
ElevenLabs Pago (~$5/mês camada de entrada) Vozes neurais premium, clonagem de voz Qualidade máxima. ID da voz é definido em Configurações → Serviço.
Google Cloud TTS Pago (~$4/M caracteres; 1 M grátis / mês) Vozes WaveNet / Studio em 50+ idiomas Vozes WaveNet fortes para idiomas europeus. Por padrão o servidor escolhe uma voz com base em idioma + gênero.
Gemini TTS Camada gratuita (cotas Developer API se aplicam) Vozes pré-construídas naturais em 24+ idiomas — Kore (feminino padrão) / Puck (masculino padrão) Reutiliza sua chave API do Gemini da aba LLM. Saída por chamada limitada a ~30 s; textos longos divididos automaticamente em limites de frase.
Piper TTS Gratuito, offline Vozes neurais em 32 dos 45 idiomas do app Sem chave, sem rede. Voz por idioma baixada sob demanda em Configurações → Voz → Piper TTS → Baixar vozes agora (~25–60 MB cada). Pre-flight pega uma voz faltante antes do trabalho começar.

Mude em Configurações → Voz → Método TTS.

Especificidades do Piper TTS

Piper é o único backend TTS totalmente offline no app. Algumas coisas a saber:

  • Diálogo da biblioteca de vozes — abra via Configurações → Voz → Piper TTS → Baixar vozes agora. Cada linha de idioma mostra um botão de download Voz feminina e / ou Voz masculina (alguns idiomas são de gênero único). As vozes vêm do catálogo HuggingFace rhasspy/piper-voices.
  • Cobertura — 32 dos 45 idiomas do app têm uma voz Piper. Os 13 sem cobertura (bielorrusso, bengali, chinês (tradicional), croata, estoniano, hebraico, japonês, khmer, coreano, lituano, malaio, mongol, tailandês) caem silenciosamente para Edge TTS no momento da síntese, então a síntese nunca falha duramente em uma voz faltante.
  • Resolução de gênero — quando você escolhe Feminino, o motor primeiro tenta a voz feminina para esse idioma; se apenas uma voz masculina existir, ele usa essa em vez (e vice-versa). Registrado no nível INFO.
  • Portão pre-flight — antes de uma execução de Voz começar, a página verifica que a voz Piper por idioma está em disco. Se faltando, você obtém um diálogo modal com um botão Abrir Configurações que te leva direto para a biblioteca de vozes para baixá-la sem perder sua fila.

Especificidades do Gemini TTS

Gemini TTS usa gemini-2.5-flash-preview-tts via a Developer API. Algumas coisas a saber:

  • Seleção de voz é por gênero hoje — Feminino mapeia para Kore, Masculino para Puck. Ambas são vozes claras, neutras que funcionam em vários idiomas sem soar muito caracterizadas.
  • Limite de comprimento de saída — cada chamada API Gemini retorna no máximo ~30 s de fala. O app divide o texto de entrada abaixo de _GEMINI_TTS_MAX_BYTES (~2000 bytes ≈ 30 s) em limites de frase, então concatena os pedaços via FFmpeg. Você não vai encontrar truncamento em texto de legenda normal.
  • Formato de áudio — Gemini emite PCM bruto a 24 kHz mono s16le; o app transcoda por pedaço para MP3 (ou WAV se você escolheu) para que o arquivo final corresponda ao seu formato de saída selecionado.
  • Vertex AI ainda não é suportado para TTS — mesmo se sua aba LLM estiver configurada para Vertex, Gemini TTS ainda precisa de uma chave API Developer. O app levanta AUTH_ERROR antecipadamente se faltando.

Modelos ElevenLabs

Três modelos são expostos:

Modelo Latência Qualidade Usar para
eleven_multilingual_v2 (padrão) Média Alta TTS geral
eleven_v3 Média Máxima Studio / produção
eleven_flash_v2_5 Baixa Boa Tempo real / modo Live

Configure em Configurações → Voz → Modelo ElevenLabs.

Dicas

Re-gerar

Clique direito em uma linha → Re-gerar para trocar gênero da voz / método TTS / formato sem reexecutar a tradução.

Verificações pre-flight

A página valida a chave API ElevenLabs (quando selecionada) e a disponibilidade do FFmpeg antes de começar. Você verá um diálogo amigável se algo estiver faltando.

Stop é atômico

Aperte Stop durante a síntese e você não ficará com um MP3 semi-escrito no diretório de saída — o arquivo é escrito em uma localização temporária primeiro, depois movido para o lugar apenas em sucesso.

Atalhos

Atalho Ação
Ctrl+Enter Gerar
Ctrl+O Procurar
Ctrl+F Focar busca de histórico