Síntese

Texto para fala grátis online, para qualquer roteiro

O texto para voz comum converte um bloco de texto com uma voz só. É a ferramenta certa para narração e a errada para uma cena. Esta página cobre a camada de síntese em si — o que dá para mandar ela fazer, e onde ela para.

Num relance

O que é
Um gerador de voz IA e ferramenta de texto para fala grátis, feitos para roteiros: descobre quem está falando, dá a cada personagem uma voz própria, deixa você dirigir a emoção fala a fala e exporta uma mixagem pronta — uma radionovela com elenco completo, não um narrador só lendo todos os papéis.
O que você cola
Um roteiro, colado como texto. Formato de roteiro, «Nome: fala» e prosa comum com marcações de diálogo são lidos como estão, assim como os diálogos com travessão do espanhol, do francês, do português e do russo. Uma linha inteira entre parênteses vira rubrica e não é falada. Não existe importação de arquivos: cole o texto em vez de anexar um documento.
O que você recebe
Um MP3 mixado em todos os planos. A partir do Plus, legendas SRT escritas a partir do seu roteiro e não transcritas do áudio, então os nomes saem certos e os tempos já batem. As faixas por personagem, uma faixa do mesmo tamanho para cada personagem mais a mixagem, vêm em ZIP no Pro. Sem exportação em WAV.
Personagens e vozes base
40 personagens na biblioteca, cada um com retrato, perfil e amostra. Atrás deles estão 10 vozes base – 4 femininas, 5 masculinas, 1 andrógina – e são as mesmas 10 em todos os idiomas. Dentro de um projeto, dois personagens não recebem a mesma voz base enquanto as 10 não estiverem ocupadas: uma cena com até 10 falantes se separa direitinho; além disso, dois personagens dividem uma voz e se distinguem pelo perfil e pela direção que cada fala carrega. Você escolhe o personagem, não a voz base. Também dá para clonar a sua própria voz lendo em voz alta uma breve declaração de consentimento – até 3 por conta – e entregá-la a qualquer personagem; a voz clonada lê nos 9 idiomas e segue a velocidade, mas não interpreta emoções nem indicações de atuação.
Idiomas
9: English, 简体中文, 日本語, 한국어, Deutsch, Français, Español, Português, Русский. Todo personagem atua em todos eles – um personagem é um perfil, não uma gravação única – e o idioma de um projeto fica definido na criação. Fora do inglês você recebe o sotaque comum daquele idioma; sotaques regionais não dá para escolher e não são prometidos. Não pedimos a falantes nativos que ouvissem cada idioma um a um, então passe as suas próprias falas antes de decidir.
Emoção e direção fala a fala
Cada fala é interpretada por um ator de voz de IA a partir de uma indicação de interpretação escrita, então as 7 emoções (neutro, alegre, triste, raiva, medo, sussurro, empolgado) são atuadas, não imitadas com ajustes. A emoção padrão por personagem está em todos os planos; trocá-la fala a fala só existe no Pro, e o controle de velocidade em 5 níveis (0.75×–1.25×) vem com Plus e Pro. Gerar uma fala de novo dá uma tomada realmente diferente, na mesma voz, e mexer em uma linha só ressintetiza aquela linha.
Preço e beta aberto
Um crédito é um caractere do roteiro e os créditos só saem quando você baixa: gerar e ouvir não custa nada, dentro de um teto de 30 falas a cada 24 horas no Free e de até 2,000 no Pro. O plano Free é um bolo único de 4,500 créditos, mais ou menos 5 minutos de áudio pronto, com 2 personagens por projeto. Os planos pagos custam Basic $5, Plus $19, Pro $29 por mês, com 10% de desconto no anual. Os pagamentos ainda não estão no ar: durante o beta aberto toda conta tem de graça o conjunto completo de recursos do Pro, mas a licença comercial continua à parte e vem com um plano pago quando os planos abrirem.
O que ainda não dá para fazer
Só dá para clonar a própria voz, e a voz clonada lê o texto sem interpretar emoções nem indicações de atuação. Não há importação de arquivos, nem exportação em WAV, nem dicionário de pronúncia, nem controle de tom, nem como exigir uma voz base específica ou um sotaque regional. Nenhum idioma tem vozes infantis de verdade: papéis de criança são interpretados por atores adultos, como a animação sempre fez. Personagens existem só dentro de um projeto e não passam para o seguinte.

Vozes para testar

Noor

Noor

Newsreader clarity for exposition-heavy scenes

femininaadultoinglês americanojornalismoclara
Usar esta voz
Quill

Quill

YouTube explainer voice that never sounds bored

masculinajovem adultoinglês americanoYouTubeclara
Usar esta voz
Dorian

Dorian

Audiobook baritone for literary fiction and slow reveals

masculinaadultoinglês britânicoaudiolivrograve
Usar esta voz
Solène

Solène

Continental accent, unhurried, very expensive sounding

femininaadultoinglês britânicoelegantesotaque
Usar esta voz
Halcyon

Halcyon

Meditation-adjacent narrator for slow, quiet scenes

neutraadultoinglês americanocalmaacalentadora
Usar esta voz
Indie

Indie

TikTok voiceover: fast, flat, faintly amused

femininajovem adultoinglês americanoredes sociaisrápida
Usar esta voz
Wren

Wren

Bedtime-story narrator, slow and warm, never wakes anyone up

femininaadultoinglês americanonarraçãocalorosa
Usar esta voz
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

masculinaadultoinglês americanonarraçãodocumentário
Usar esta voz

Ver a biblioteca inteira →

O que ela faz

Sete registros emocionais

Neutro, alegre, triste, raiva, medo, sussurro e empolgado, definidos por fala e não por documento. Todo registro pode ser aplicado a qualquer voz: cada fala sai interpretada a partir de uma indicação de atuação, e não é um efeito colado por cima depois. As etiquetas da biblioteca dizem para quais registros um personagem foi escrito, não quais você pode pedir a ele.

Controle de ritmo

Um multiplicador de velocidade por fala, no Plus e no Pro. O ritmo faz mais trabalho do que as pessoas esperam: ele carrega idade, autoridade e estado emocional com mais confiabilidade do que o tom.

Rubricas ficam em silêncio

Uma linha escrita inteira entre parênteses não é lida em voz alta: na escalação ela vira a indicação de interpretação da fala seguinte, assim como um parêntese no começo de uma fala vira a indicação dela mesma. A indicação fica ao lado da emoção na lista de falas, onde dá para editar ou apagar. Já um parêntese no meio da fala continua no texto e é lido. Cabeçalhos de cena e descrições de ação são outra história: eles saem como narração, então apague os que você não quer ouvir.

Pontuação como direção

Um ponto final é uma pausa de verdade, reticências são uma pausa mais longa, a interrogação levanta o fim da frase. Quebras de linha criam intervalos. A diagramação do seu roteiro é o seu controle de tempo, e é por isso que esta página vive dizendo para você quebrar as falas.

Independente de fornecedor

O motor de síntese fica atrás de uma interface e mais adiante pode ser trocado por um melhor sem nenhuma mudança na sua escalação ou na sua direção. O que é seu — o roteiro, o elenco, a emoção fala a fala — não depende de qual motor está embaixo.

Todas as vozes em todos os planos

A biblioteca não é o paywall. Os planos diferem no tamanho do elenco, no controle de emoção e nos minutos — não em quais vozes você pode usar.

Como usar

  1. Cole o texto

    Uma voz ou várias. Para uma voz só, isto se comporta como qualquer outra ferramenta de texto para voz.

  2. Escolha o personagem

    Escolha entre os quarenta personagens da biblioteca — filtre por idade, gênero, sotaque e estilo em vez de rolar a lista. Faça o teste no seu próprio texto, não no texto de exemplo.

  3. Ajuste ritmo e registro

    Comece no neutro e, no Plus ou no Pro, num ritmo um pouco mais lento do que parece certo. Quase toda primeira tentativa está rápida demais.

  4. Acerte as pronúncias

    Teste cada nome e cada palavra inventada antes de renderizar qualquer coisa longa, e reescreva no próprio texto, ou separe com hífen, os que saírem errados — não existe ajuste de pronúncia.

  5. Renderize e teste no aparelho real

    Ouça no alto-falante do celular além do fone. A maior parte do público está no celular.

Controle de emoção, e por que menos é mais

O instinto, com emoção fala a fala, é usar em tudo, e o resultado é um mingau uniforme. O público lê emoção por contraste, então uma cena com duas falas dirigidas e vinte neutras bate muito mais forte do que uma cena em que tudo está empurrado.

O fluxo que dá bom resultado é: definir um registro de repouso por personagem, renderizar só com os padrões, ouvir de ponta a ponta e então marcar as duas ou três falas em que alguma coisa realmente muda. Numa cena de cinco minutos, dirigir cinco falas na mão é mais ou menos o certo.

Escrever de um jeito que uma voz sintética consiga interpretar

Quatro hábitos carregam quase toda a diferença. Uma intenção por fala — uma frase que vai do encanto ao horror é renderizada como a média dos dois, então quebre. Pontuar de propósito, porque a pontuação é o seu tempo. Interjeições em falas próprias, porque o que é falado é o texto — a rubrica só colore a interpretação. E frases curtas para vozes graves, que perdem inteligibilidade rápido em períodos longos.

Nada disso é gambiarra para contornar limitação. São as mesmas notas que um diretor dá a um intérprete humano, pelos mesmos motivos.

Os limites, ditos na lata

A vocalização física — gritar, chorar, rir enquanto fala, grunhir — é a área mais fraca e vai continuar assim por um tempo, porque são eventos de respiração e não de fala. Gere isso como marcação provisória se precisar, e já conte com substituir depois.

O segundo limite é a interpretação. Uma leitura sintética é uma interpretação limpa, consistente e bem ritmada do que você escreveu. Ela não é um conjunto de decisões sobre subtexto. Para a maior parte do trabalho essa troca compensa; e compensa fazer a troca de olhos abertos sobre qual metade é qual.

Perguntas frequentes

Qual a diferença disto para outras ferramentas de texto para voz?

Para trabalho de uma voz só, pouca. A diferença aparece no instante em que um roteiro tem mais de um interlocutor: escalar o elenco, uma voz que fica fixa para cada personagem dentro de um projeto e dirigir fala a fala são o produto, e a síntese é um componente por baixo disso.

Quais emoções são suportadas?

Neutro, alegre, triste, raiva, medo, sussurro e empolgado, em todas as vozes. Cada fala é interpretada a partir dessa indicação, não é um efeito aplicado por cima. Ainda assim, teste uma fala dirigida com o seu próprio texto antes de dirigir a cena inteira — a intensidade depende muito de como a frase foi escrita.

Dá para controlar o tom?

Não — ritmo, sim, no Plus e no Pro; tom, não. Puxar uma voz para longe da faixa natural dela produz artefatos que ficam óbvios num fone bom. Escolha um personagem na faixa certa em vez disso.

Ele lê números e datas corretamente?

Ele aplica as convenções do idioma do projeto, então em português uma data sai em dia, mês e ano. Textos que misturam convenções, ou que deixam o número sem contexto, são onde os erros aparecem; se o seu texto mistura, confira os números primeiro e, se precisar, escreva por extenso.

Qual motor renderiza o áudio hoje?

A gente não diz qual: o motor fica atrás de uma interface e pode ser trocado por um melhor mais adiante, sem você mexer na escalação nem na direção. O que vale saber é como ele se comporta — dez vozes base (quatro femininas, cinco masculinas e uma neutra) que falam os nove idiomas, cada fala interpretada a partir de uma indicação de atuação, e gerar a mesma fala de novo devolve outra tomada, com a mesma voz e um matiz diferente.

Dá para usar em narração de acessibilidade?

Dá, mas para acessibilidade você quer a voz mais clara, não a mais marcante, e vale testar a 1,5× ou mais rápido, já que muita gente que usa leitor de tela escuta bem acima da velocidade real.

Escale a sua primeira cena hoje à noite

Cole um roteiro, deixe a CastDub dar uma voz a cada personagem e exporte um audiodrama pronto.

Criar de graça

Sem cartão de crédito. O Free dá um bolo único de créditos.