API de Texto para Voz para Spots de Rádio Funciona Bem?

Por Equ editorial VozPublica · Atualizado 2026-11-19

Esta página explica como a API de texto para voz da VozPublica integra locução profissional em fluxos de produção de spots de rádio e agências. Você verá o fluxo técnico completo: desde o envio do roteiro via JSON até o recebimento do arquivo de áudio pronto para transmissão.

Ideal para desenvolvedores e engenheiros de som que precisam de escalabilidade sem infraestrutura complexa. Aqui estão os detalhes de configuração, limites de velocidade, formatos de saída e integração via código, com exemplos práticos em Python, JavaScript e curl para implementação imediata.

API de Texto para Voz para Spots de Rádio Funciona Bem?

Perguntas frequentes

O que é uma API de texto para voz?

É um serviço em nuvem que recebe texto e retorna um arquivo de áudio via endpoint POST. O formato de requisição é idêntico ao da API de speech da OpenAI, permitindo o uso de SDKs oficiais com apenas a alteração do base_url. Ideal para integrar síntese de voz diretamente em seus sistemas de produção de spots.

Como funciona o processamento de texto?

As requisições são processadas sequencialmente. Para textos longos, o sistema divide o input em partes de até 4096 caracteres e une os arquivos de áudio resultantes. A velocidade média é de cerca de 25 caracteres por segundo, gerando áudio em tempo real aproximado. Em picos de carga, as requisições podem aguardar na fila.

Qual a diferença entre tts-1 e tts-1-hd?

Ambos utilizam o mesmo motor de síntese e possuem o mesmo preço por caractere. A escolha entre 'tts-1' e 'tts-1-hd' não impacta o custo, pois ambos utilizam o mesmo motor e preço. A diferença está na fidelidade do áudio.

Posso controlar a velocidade da voz?

Sim. O parâmetro 'speed' aceita valores entre 0.25 e 4.0, permitindo ajustar a velocidade da narração para se adequar ao ritmo do spot publicitário. Isso é útil para ajustar o tempo de duração do áudio final sem alterar a velocidade natural da voz selecionada.

O API suporta formatação SSML?

Não. A API não oferece suporte a SSML, nem a dicionários de fonemas ou lexicons de pronúncia personalizados. A entrada é texto simples, e a entonação é determinada pelo modelo baseado nas vozes pré-selecionadas (como Aria, Nova ou Felix), sem tags de controle de prosódia.

Como especificar o idioma do texto?

Use o parâmetro opcional 'language' com o código ISO. Se não especificado, o idioma é detectado pelo script (texto em latino assume inglês). Para textos em português ou outros idiomas com script latino, defina explicitamente o idioma para garantir a pronúncia correta nos spots.

Qual o formato de áudio mais leve?

O formato MP3 é geralmente mais leve e amplamente compatível com players de rádio e plataformas digitais. A API também suporta WAV, OPUS, FLAC e PCM. A escolha depende da necessidade de qualidade versus tamanho de arquivo, mas MP3 é eficiente para distribuição.

Como lidar com textos maiores que 4096 caracteres?

O texto deve ser dividido manualmente em partes de até 4096 caracteres. Cada parte é sintetizada individualmente e os arquivos de áudio resultantes são concatenados para formar o arquivo final. Isso permite gerar spots longos sem limite rígido de caracteres na requisição única.

A API retorna o áudio em streaming?

Não. Não há suporte a streaming, WebSocket ou áudio parcial em tempo real. O áudio é gerado completo e retornado na resposta da requisição. Para uso em tempo real, considere a latência de geração e o tempo de transferência do arquivo final.

Posso usar a API em tempo real?

A geração é aproximadamente em tempo real (25 caracteres/segundo), mas as requisições são processadas sequencialmente. Sob carga, pode haver espera na fila. Não é ideal para interações instantâneas, mas é eficiente para produção em lote de spots publicitários onde a latência de segundos é aceitável.

Como funciona a autenticação?

Utilize o cabeçalho 'Authorization: Bearer tts-...' com sua chave única. Cada conta possui uma chave ativa; emitir uma nova invalida a anterior imediatamente. A autenticação é necessária para todas as requisições à API, garantindo o controle de acesso e a cobrança baseada no uso.

O que acontece se a API ficar offline?

Não há garantia de uptime ou SLA. Se a síntese falhar, o valor é devolvido integralmente. Como não há contrato enterprise, não há suporte telefônico ou garantias de disponibilidade contínua. Monitore o status das requisições e gerencie possíveis falhas na sua integração.

Os arquivos de áudio são armazenados?

Não. O áudio gerado é retornado na resposta e não é armazenado pelo serviço. Apenas os metadados da requisição (tempo, caracteres, status) são mantidos para fins de faturamento. O texto de entrada é usado apenas para a síntese e não para treinamento de modelos.

Posso baixar o áudio gerado?

Sim. O arquivo de áudio é retornado diretamente na resposta da requisição POST. Você pode salvá-lo localmente ou enviá-lo para suas plataformas de distribuição. Não há limite de download, e o arquivo permanece à sua disposição conforme o formato solicitado (mp3, wav, etc.).

Como saber se a requisição foi bem-sucedida?

Verifique o código de status HTTP da resposta. Se a síntese falhar, o valor é estornado. A API não armazena o áudio, então a resposta imediata contém o arquivo ou o erro. Monitore os logs de status para auditoria e controle de qualidade dos spots.

Fluxo de Requisição

Ilustração de onda sonora para: Fluxo de Requisição

O fluxo de geração de spots de rádio inicia com o envio do roteiro via JSON para o endpoint POST https://api.bpexc.info/v1/audio/speech. O texto, limitado a 4.096 caracteres por requisição, deve ser incluído no campo input junto com a chave de autenticação e os parâmetros de voz e formato desejados.

O processamento ocorre na nuvem de forma síncrona. O tempo médio de geração é de aproximadamente 25 caracteres de texto por segundo de áudio sintetizado. Textos mais longos exigem divisão manual em partes, que serão processadas sequencialmente sob carga.

Envio do texto

Envie o texto do anúncio (até 4.096 caracteres) no corpo da requisição JSON. Espaços e pontuação contam como caracteres. O endpoint aceita campos como model (tts-1 ou tts-1-hd), voice, response_format e speed.

Processamento na nuvem

O texto é enviado para o endpoint POST https://api.bpexc.info/v1/audio/speech. O processamento é sequencial; sob carga, requisições podem aguardar na fila. A velocidade média é de 25 caracteres por segundo de áudio.

Retorno do áudio

O áudio é retornado diretamente na resposta. Formatos disponíveis: mp3, wav, opus, flac, pcm. Arquivos não são armazenados. Se a síntese falhar, o crédito é devolvido integralmente.

Configuração Técnica

Ilustração de onda sonora para: Configuração Técnica

O acesso à API exige autentação via token Bearer. Cada conta possui uma única chave ativa; ao emitir uma nova, a anterior invalida-se imediatamente. A URL base é ajustada para apontar para os endpoints da VozPublica.

Chave de autenticação

Utilize o header Authorization: Bearer tts-... em todas as requisições. Mantenha a chave segura, pois sua exposição permite uso imediato do saldo. A emissão de nova chave encerra o acesso da antiga instantaneamente.

  • Uma chave ativa por conta
  • Invalidação imediata ao emitir nova chave
  • Formato: tts-...

Base URL personalizada

Configure o cliente para https://api.bpexc.info/v1. Isso permite reutilizar SDKs padrão, como os da OpenAI, alterando apenas a URL base. O endpoint principal permanece POST /v1/audio/speech.

Headers HTTP

Além do header de autorização, inclua Content-Type: application/json. O corpo da requisição deve ser um objeto JSON contendo model, input, voice e response_format.

  • Content-Type: application/json
  • Authorization: Bearer <sua-chave>

Seleção de Voz e Idioma

Ilustração de onda sonora para: Seleção de Voz e Idioma

O sistema oferece oito vozes predefinidas, divididas entre masculinas e femininas, otimizadas para diferentes tons publicitários. Cada voz possui uma personalidade distinta, permitindo que a agência selecione o tom exato necessário para o spot de rádio, desde narrativas neutras até vozes mais energéticas para promoções.

A seleção é feita diretamente pelo parâmetro voice na requisição JSON. Não há personalização de timbre ou clonagem de voz personalizada; o cliente escolhe entre os presets existentes, garantindo consistência e rapidez na produção dos áudios sem necessidade de design de voz adicional.

Escolha do preset

Disponibilizamos oito vozes distintas: Aria, Nova, Luna e Sage (femininas); Felix, Milo, Atlas e Orion (masculinas). Cada uma é adequada para diferentes contextos de publicidade, como narrativas, instruções ou locução de notícias.

  • Aria: narradora clara e quente
  • Nova: voz brilhante e animada
  • Felix: energético para promoções
  • Atlas: neutro para notícias

Detecção de idioma

O sistema tenta inferir o idioma com base na script do texto enviado. Para textos em script latino, o padrão é inglês, mas isso pode não refletir a intenção real se o conteúdo for em outra língua.

Forçar idioma específico

Para garantir a pronúncia correta, utilize o campo language com o código ISO (ex: pt-BR, en-US, es-ES). Isso evita que vozes nativas de outros idiomas tentem ler textos em português ou espanhol com sotaque incorreto.

Formatação de Saída

Ilustração de onda sonora para: Formatação de Saída

O formato de saída é definido pelo parâmetro response_format na requisição JSON. Você pode selecionar entre mp3, wav, opus, flac ou pcm para atender às necessidades de compressão ou edição da sua agência.

Escolha do formato

Utilize MP3 para balanceamento entre tamanho e compatibilidade universal. WAV e FLAC são indicados para arquivos sem perda, ideais para arquivos mestre. PCM é recomendado para processamento imediato em sistemas que não requerem codificação.

  • MP3: padrão para distribuição web.
  • WAV/FLAC: áudio sem perda para arquivamento.
  • OPUS: alta eficiência para transmissão de dados.

Qualidade de áudio

A qualidade é determinada pelo modelo escolhido (tts-1 ou tts-1-hd) e pelo formato selecionado. O modelo HD oferece maior fidelidade, enquanto o padrão é otimizado para eficiência. O áudio gerado inclui uma marca d'água inaudível que identifica o arquivo como síntese.

Tamanho do arquivo

O tamanho do arquivo final depende diretamente do formato e da duração do texto. Em geral, o processamento ocorre em tempo real ou ligeiramente mais lento para textos longos. Para textos extensos, o sistema divide o texto em partes de até 4096 caracteres.

Controle de Velocidade

Ilustração de onda sonora para: Controle de Velocidade

O campo speed aceita valores entre 0.25 e 4.0, permitindo ajustar a velocidade da locução em tempo real. Essa flexibilidade é essencial para adaptar o ritmo do spot de rádio às pausas dramáticas ou à urgência comercial do roteiro.

Ajuste de tempo

Valores abaixo de 1.0 retardam a fala, ideal para ênfase ou locutores mais rápidos. Valores acima de 1.0 aceleram a entrega, útil para anúncios curtos com cronometragem precisa. A API aplica essa alteração diretamente na síntese.

Ritmo da locução

O controle de velocidade altera a duração final do arquivo de áudio sem distorcer a entonação natural da voz selecionada. Isso permite que agências mantenham a coerência rítmica entre diferentes spots produzidos em lotes.

Padrões de velocidade

Padrões comuns incluem 1.0 (normal), 1.25 (rápido, comum em promoções de varejo) e 0.75 (lento, para instrução ou emoção). Ajuste fino evita que a voz soe robótica ou apressada demais para o público-alvo.

  • 1.0: Velocidade padrão
  • 1.25: Promoções e varejo
  • 0.75: Instrução ou emoção

Tratamento de Textos Longos

Ilustração de onda sonora para: Tratamento de Textos Longos

O limite de entrada por chamada é de 4096 caracteres. Para roteiros de rádio com mais texto, é necessário dividir manualmente o conteúdo em blocos que respeitem esse limite, garantindo que cada requisição seja processada corretamente sem cortes inesperados.

Após gerar os arquivos de áudio individuais, eles devem ser concatenados para formar o spot completo. Essa etapa manual ou via script assegura que a estrutura narrativa do anúncio seja mantida intacta.

Divisão em partes

Cada requisição POST aceita no máximo 4096 caracteres, incluindo espaços e pontuação. Divida seus roteiros em blocos menores que esse limite antes de enviar. Isso evita erros de entrada e garante que o processamento seja válido.

Juntar arquivos

O API retorna um arquivo de áudio por chamada. Para criar o spot final, utilize uma biblioteca de áudio ou script para concatenar os arquivos gerados sequencialmente. Não há garantia de que as chamadas sejam processadas em lote único.

Sincronização

Como as requisições são processadas sequencialmente, pode haver latência variável entre gerações. Para manter a sincronização rítmica do spot, considere pausas curtas entre os blocos ou ajuste o tempo de geração no seu pipeline de automação.

Monitoramento

Ilustração de onda sonora para: Monitoramento

O sistema registra metadados essenciais para auditoria e controle de custos. Cada requisição bem-sucedida ou falha gera um registro com timestamp, caracteres processados e status HTTP, garantindo rastreabilidade completa da geração de áudio.

Esses logs permitem conciliar o faturamento com o uso real da API, identificando gargalos ou erros recorrentes sem necessidade de instrumentação externa complexa.

Logs de requisição

Todos os pedidos são registrados com tempo de execução e caracteres enviados. Esses dados mantêm-se disponíveis para auditoria de billing e análise de performance básica.

Não há retenção do conteúdo do texto ou do áudio gerado, apenas metadados de consumo para fins de cobrança.

  • Registro de timestamp e status HTTP
  • Contagem de caracteres processados
  • Auditoria de consumo por chave de API

Status de processamento

As requisições são processadas em fila única. O status reflete o estado atual da síntese na nuvem, sem garantias de tempo real.

Em picos de demanda, o tempo de resposta pode variar, mas o status final indica sucesso ou falha inequívoca.

Controle de falhas

Requisições com erro não consomem crédito. O valor é devolvido integralmente ao saldo da conta.

É possível emitir uma nova chave imediatamente se houver suspeita de comprometamento, invalidando a anterior instantaneamente.

Monitoramento

Integração com CMS

Ilustração de onda sonora para: Integração com CMS

A API VozPublica integra-se diretamente ao fluxo de produção de agências, permitindo que roteiros aprovados sejam convertidos em áudio sem intervenção manual. O endpoint POST recebe o texto do script e retorna o arquivo de áudio pronto para veiculação.

Para automação avançada, o sistema não oferece webhooks nativos, mas a natureza síncrona da resposta permite que o CMS da agência ou um middleware próprio orquestre a geração em lote, processando múltiplos scripts sequencialmente ou paralelamente conforme a capacidade da chave de API.

Automatização de spots

O workflow conecta o texto final do anúncio diretamente à API. Basta enviar o JSON com o modelo tts-1 ou tts-1-hd e a voz selecionada (ex: felix para promo, atlas para news). O sistema retorna o arquivo de áudio instantaneamente, pronto para ser anexado ao asset final.

  • Endpoint único para geração de áudio
  • Entrada: texto puro ou JSON estruturado
  • Saída: arquivo de áudio binário

API webhooks

O produto opera com requisições síncronas padrão. Não há suporte a webhooks para notificar conclusão de processos longos. Para fluxos que exigem notificação de estado, a integração deve ser gerenciada pelo cliente, consultando o status da chave ou utilizando polling no endpoint de uso.

Geração em massa

Para campanhas com dezenas de variações de texto, utilize scripts externos para dividir as requisições. Respeite o limite de 60 requisições por minuto. Textos longos devem ser divididos manualmente em partes de 4096 caracteres.

  • Limite: 60 req/min por chave
  • Tratamento automático de textos >4096 chars
  • Formatos: mp3, wav, opus, flac, pcm

Exemplo de Código

Ilustração de onda sonora para: Exemplo de Código

O endpoint POST retorna o arquivo de áudio diretamente no corpo da resposta. A integração exige apenas a configuração da base URL para https://api.bpexc.info/v1 e o envio do cabeçalho de autenticação.

Os exemplos abaixo utilizam bibliotecas padrão ou HTTP simples, garantindo compatibilidade imediata com sistemas de geração de spots em massa.

Snippet em Python

Utilize a biblioteca requests para enviar o texto e receber o binário. Defina os parâmetros de voz, modelo e formato no payload JSON.

Snippet em JavaScript

A implementação via fetch permite integração direta em servidores Node.js ou aplicações web. O buffer retornado deve ser convertido para arquivo de áudio.

Exemplo curl

Para testes rápidos ou scripts shell, o comando cURL envia a requisição e salva a saída no arquivo especificado.

Limitações Técnicas

Ilustração de onda sonora para: Limitações Técnicas

A API retorna o arquivo completo apenas após a síntese terminar. Não há fluxo contínuo de áudio parcial, o que impede a reprodução em tempo real enquanto o texto ainda está sendo processado. Para spots curtos, o atraso é mínimo, mas para textos maiores, o cliente deve esperar o download completo.

Sem streaming

A resposta contém o arquivo finalizado. Não é possível iniciar a reprodução antes do fim da geração, o que exige buffering no player do cliente ou armazenamento temporário do arquivo retornado.

Sem SSML

Não há suporte para marcação de fala sintetizada. Não é possível controlar pausas, ênfase ou pronúncia específica via tags XML. A entonação segue os presets da voz selecionada.

Processamento síncrono

As requisições são processadas sequencialmente. Em momentos de carga alta, pode haver espera na fila. O tempo médio é de aproximadamente 25 caracteres por segundo, mas varia conforme a fila de processamento.

Qualidade do Áudio

Ilustração de onda sonora para: Qualidade do Áudio

A qualidade do áudio gerado pela API é baseada em gravações licenciadas (LibriTTS-R) e não em síntese neural pura. Isso garante consistência técnica, mas impõe limites naturais à variação emocional em comparação com modelos de última geração focados em expressão.

Cada arquivo de áudio contém uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso permite a auditoria de origem em campanhas de rádio e garante a conformidade com diretrizes de transparência publicitária, sem afetar a experiência do ouvinte.

Marca d'água

Todos os arquivos gerados possuem uma marca d'água digital inaudível. Essa marca é embutida durante a síntese e não pode ser removida.

A presença da marca facilita a identificação de conteúdo gerado por IA em plataformas de rádio e streaming, atendendo a requisitos de transparência de agências.

  • Marca inaudível e permanente
  • Identifica voz sintética
  • Não impacta a escuta

Ruído de fundo

O áudio é gerado a partir de gravações licenciadas.

A ausência de ruído reduz a necessidade de pós-produção, como filtragem de ruído ou equalização básica, acelerando a entrega de spots.

  • Sinal limpo
  • Sem ruído ambiente
  • Menos pós-produção

Clareza da voz

As vozes são projetadas para clareza e dicisão, adequadas à leitura de roteiros publicitários. A inteligibilidade é alta, mesmo em velocidades maiores.

A qualidade é consistente entre todas as 8 vozes disponíveis, garantindo padrão de áudio uniforme para campanhas multi-voz.

  • Alta inteligibilidade
  • Dicisão clara
  • Padrão uniforme

Suporte Técnico

Ilustração de onda sonora para: Suporte Técnico

O suporte é exclusivamente via email. Não há número de telefone, chat ao vivo ou SLA de resposta garantida. Para agências que precisam de escalabilidade, a documentação técnica e os exemplos de código prontos são o principal canal de resolução de problemas.

Tudo o que você precisa para integrar a API ao seu pipeline de produção está documentado. Não espere suporte humano imediato, mas tenha acesso preciso às especificações técnicas.

Email de suporte

Envie suas dúvidas para o endereço de suporte listado no site. Respostas são fornecidas por email, sem garantia de tempo de resposta. Ideal para casos que não se encaixam nos exemplos padrão.

Mantenha o contexto da requisição (model, voice, input) ao abrir um ticket para agilizar a análise.

  • Suporte apenas por email
  • Sem chat ao vivo
  • Sem telefone

Documentação

Acesse /docs/ para a referência completa dos endpoints, parâmetros e formatos de resposta. A documentação segue o padrão da OpenAI, facilitando a migração de clientes existentes.

Todos os campos obrigatórios e opcionais estão detalhados, incluindo limites de caracteres e formatos de áudio suportados.

Exemplos prontos

Utilize os snippets em Python, JavaScript e curl disponíveis na seção de exemplos para integrar rapidamente ao seu CMS ou pipeline de spots. Isso reduz o tempo de desenvolvimento de integração.

Os exemplos incluem autenticação, envio de texto e tratamento da resposta de áudio, prontos para uso em produção.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Isso oferece controle preciso sobre o ritmo, essencial para sincronizar áudios de rádio ou vídeos com a edição visual.

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. TRON developer hub: TRC-20
  3. curl documentation
  4. MDN: Web Speech API
  5. Node.js documentation
  6. LibriTTS-R corpus (OpenSLR 141)
  7. W3C WAI: making audio and video accessible
  8. Tether (USDT)
  9. IETF RFC 7845: Ogg Opus
  10. Creative Commons Attribution 4.0
  11. openai-node on GitHub
  12. FFmpeg documentation

Mais neste site