Perguntas frequentes
O que é uma API de texto para fala?
É um serviço em nuvem que recebe texto e retorna um arquivo de áudio. Basta enviar uma requisição POST para o endpoint /v1/audio/speech. A API processa o texto e entrega o áudio pronto para ser integrado ao seu pipeline de produção de audioguias.
Como a API funciona para audioguias?
Envie o texto do roteiro via JSON para o endpoint de speech. A API retorna o arquivo de áudio no formato escolhido (mp3, wav, etc.). Você integra esse arquivo diretamente ao seu aplicativo ou sistema de áudio, garantindo consistência linguística e escalabilidade para suas instalações.
Quais são as vantagens para museus?
Garantimos consistência linguística e escalabilidade para grandes volumes de conteúdo. A integração via API permite automatizar a produção de áudio a partir do pipeline de produção existente. Não há necessidade de gerenciar infraestrutura, permitindo que você foque no conteúdo narrativo dos seus espaços expositivos.
A voz soa natural para turistas?
Sim, as vozes são baseadas em gravações licenciadas e públicas. Oferecemos oito presets, como Aria (narradora) ou Felix (promo), adequados para diferentes contextos. Cada arquivo gerado contém uma marca d'água inaudível que o identifica como fala sintética, garantindo transparência para o usuário final.
Posso usar a API em dispositivos offline?
A API é baseada em nuvem. O texto é enviado para nossos servidores e o áudio é retornado na resposta. Portanto, é necessária conexão com a internet para gerar o áudio. O áudio gerado pode ser baixado e usado offline posteriormente.
Qual o idioma padrão da API?
Se o campo 'language' não for definido, o idioma é detectado pelo script. Para textos em latim, o padrão é inglês. Para outros idiomas em latim, defina explicitamente o código ISO. Isso garante a pronúncia correta em seus audioguias multilíngues.
A API suporta texto em árabe ou hebraico?
Sim. Oferecemos suporte para árabe, hebraico e outras línguas como russo, turco e japonês. Totalizamos 23 idiomas suportados. Qualquer voz pode falar qualquer um desses idiomas, permitindo que você produza audioguias para públicos diversos sem necessidade de vozes específicas por idioma.
Preciso de equipamento especial para ouvir?
Não. O áudio gerado é um arquivo de áudio padrão (mp3, wav, opus, flac, pcm). Pode ser reproduzido em qualquer dispositivo capaz de tocar esses formatos, como smartphones, tablets ou sistemas de som de museus, sem hardware adicional.
O áudio gerado é livre de direitos autorais?
As vozes são baseadas em gravações do LibriTTS-R (CC BY 4.0) e leituras do LibriVox (domínio público). O áudio gerado é uma síntese, não uma gravação original. O uso comercial é permitido sem restrições adicionais.
Como a API lida com textos longos?
O limite é de 4096 caracteres por solicitação. Para textos maiores, você deve dividi-los em partes, enviar cada uma e juntar os arquivos de áudio resultantes. Isso permite gerar audioguias completos, independentemente do comprimento do roteiro original do museu.
Existe limite de uso diário?
O limite é de 60 solicitações por minuto por chave. Não há limite diário fixo, mas o processamento é sequencial. Em picos de uso, as requisições podem entrar em fila. A velocidade média é de cerca de 25 caracteres por segundo de áudio gerado.
A API é segura para dados de clientes?
O texto de entrada é usado apenas para produzir o áudio e não é usado para treinamento. O áudio gerado é retornado na resposta e não é armazenado. Mantemos apenas metadados de solicitação (tempo, caracteres, status) para fins de cobrança e auditoria.
Posso personalizar a entonação?
Não. A API não oferece tags de emoção, SSML ou dicionários de pronúncia personalizados. Você seleciona uma das oito vozes predefinidas (como Luna para histórias ou Atlas para notícias) e ajusta a velocidade (0.25–4.0). A entonação é fixa por voz.
A API funciona em tempo real?
Não há streaming ou WebSocket para áudio parcial. O áudio é gerado completo e retornado como arquivo. A geração é processada sequencialmente, o que pode causar atrasos em fila sob carga. Para audioguias pré-gravados, isso é adequado; para interação instantânea, considere o tempo de resposta.
Definição de TTS
A API converte texto em áudio via endpoint POST, entregando arquivos de áudio prontos para uso. O processo é simples: envia o texto e recebe o arquivo sintetizado, eliminando a necessidade de estúdios físicos para cada nova atualização de conteúdo.
Conversão de texto em áudio
O serviço utiliza modelos tts-1 ou tts-1-hd para gerar áudio a partir de strings de texto. Cada requisição aceita até 4096 caracteres, incluindo espaços e pontuação. Para textos longos, o cliente deve dividir o conteúdo em partes de até 4096 caracteres e juntar os arquivos gerados.
- Endpoint: POST /v1/audio/speech
- Formatos: mp3, wav, opus, flac, pcm
- Limite: 4096 caracteres por requisição
Processamento em nuvem
Tudo ocorre na nuvem, sem instalação de software local. As requisições são processadas sequencialmente, garantindo consistência de áudio. A infraestrutura é gerenciada externamente, permitindo que agências foquem na curadoria do conteúdo dos museus.
Resultados em segundos
Para textos longos, a velocidade de geração é aproximadamente em tempo real (25 caracteres por segundo). Frases curtas podem levar alguns segundos. Em picos de uso, as requisições podem aguardar na fila, mas o resultado final é entregue de forma confiável.
Aplicação em Museus
Transforme exposições estáticas em experiências auditivas adaptativas. Nossa API permite que agências gerem audioguias sob demanda, vinculando narrações específicas a cada obra ou trilha, sem a necessidade de estúdio físico para cada nova exposição.
Audioguias dinâmicos
Integre a API ao seu sistema de gestão de museus para gerar áudio instantaneamente ao escanear um QR code. O sistema seleciona a voz e o idioma adequados, entregando o arquivo pronto para reprodução no dispositivo do visitante.
- Geração sob demanda via endpoint REST
Atualização de conteúdo
Exposições temporárias exigem roteiros que mudam frequentemente. Com a API, basta atualizar o texto no banco de dados e regerar os arquivos de áudio em segundos. Não há necessidade de agendar sessões de dublagem ou esperar produção humana para ajustes de última hora.
- Atualização imediata sem estúdio
Personalização de roteiro
Cadence de narração ajustável entre 0.25x e 4.0x permite adaptar o conteúdo a diferentes públicos, como crianças ou turistas que preferem narrativas mais pausadas. Escolha entre 8 vozes pré-treinadas para manter a consistência tonal em toda a exposição, desde guias neutros até narrativas mais envolventes.
- 8 vozes pré-selecionadas
- Ajuste de velocidade granular
Vantagens para Agências
Eliminamos os custos fixos de estúdio, aluguel de cabines e horários de locutores. Com a API, cada caractere custa $0,00001 ($10 por 1 milhão de caracteres), permitindo orçamentos previsíveis sem surpresas em projetos longos.
Redução de custos de estúdio
Substituímos a necessidade de locutores e engenharia de som para cada projeto. O custo é puramente variável, baseado em 1 milhão de caracteres por $10, eliminando taxas de hora extra ou dias de gravação.
- Zero custo de infraestrutura de áudio
- Pagamento apenas pelo uso efetivo
Produção em massa
Gere centenas de audioguias simultaneamente. A API processa textos via requisições JSON, permitindo integração direta no pipeline de produção para milhares de pontos de interesse sem gargalos humanos.
- Escalabilidade linear
- Processamento paralelo via endpoints REST
Iteração rápida
Alterações de roteiro refletem-se em áudio em segundos. Sem agendamento de estúdio, atualizações de conteúdo museológico ou turístico são implementadas imediatamente, mantendo a precisão informativa.
Qualidade de Voz
A API oferece oito vozes pré-treinadas, categorizadas em masculinas e femininas, projetadas para narrativas claras. Cada voz possui uma característica acústica distinta, permitindo selecionar o timbre mais adequado para o contexto exato de cada sala ou exposição do museu.
Vozes pré-treinadas
As opções incluem desde narradoras quentes até vozes neutras para notícias. A seleção baseia-se em gravações licenciadas do LibriTTS-R, garantindo uma base acústica sólida e consistente para a produção de áudio sem necessidade de treinamento adicional de modelos.
Clareza e dicção
A síntese prioriza a inteligibilidade do texto falado, essencial para instruções de visitas guiadas. A entonação natural facilita a compreensão de detalhes históricos ou direcionais, mantendo o ritmo adequado para ouvintes em movimento dentro dos espaços culturais.
Consistência de tom
Diferente de gravações manuais feitas em diferentes dias ou por múltiplos locutores, a API mantém o mesmo timbre e velocidade em todos os arquivos gerados. Isso garante que todo o roteiro de uma exposição seja ouvido como uma única narrativa coesa, sem variações bruscas de qualidade.
Integração Técnica
A integração ocorre via endpoint POST https://api.okidr.top/v1/audio/speech, compatível com o formato da API OpenAI. Isso permite reutilizar SDKs existentes, bastando alterar o base_url para https://api.okidr.top/v1 e usar a chave de API (Bearer tts-...).
O corpo da requisição aceita campos padrão como model, input, voice e response_format. A autenticação é feita por chave única, com limite de 60 requisições por minuto, garantindo estabilidade no pipeline de produção.
Endpoints RESTful
Além do endpoint principal de síntese, a API oferece GET /v1/voices para listar vozes, idiomas e formatos disponíveis, e GET /v1/models para detalhes técnicos. Isso facilita a verificação de disponibilidade antes da geração.
O endpoint /v1/audio/speech retorna o arquivo de áudio diretamente na resposta. O formato JSON é consistente, facilitando a depuração em ambientes de produção.
- POST /v1/audio/speech: geração principal
- GET /v1/voices: metadados de vozes
- GET /v1/models: informações do modelo
- Autenticação Bearer com chave única
Automação de geração
Scripts podem automatizar o envio de textos, dividindo conteúdos longos em partes de até 4096 caracteres e juntando os arquivos de áudio resultantes. Isso elimina a necessidade de intervenção manual em grandes volumes de conteúdo.
A taxa de processamento é de aproximadamente 25 caracteres por segundo. Para textos extensos, isso equivale a tempo real, permitindo a geração em lote sem gargalos significativos no pipeline.
- Divisão automática de textos longos
- Processamento sequencial sob carga
- Retorno imediato do áudio
- Gestão de caracteres via API
Integração com CMS
A API pode ser integrada diretamente a sistemas de gerenciamento de conteúdo (CMS) utilizados por agências. Scripts podem disparar a síntese quando um novo roteiro é publicado ou atualizado.
A consistência técnica garante que as atualizações de texto no CMS sejam refletidas instantaneamente nos arquivos de áudio dos audioguias, sem necessidade de exportação manual ou conversão de formatos.
- Disparo automático por publicação
- Atualização em tempo real
- Compatibilidade com workflows existentes
- Sem necessidade de plugins dedicados
Idiomas e Localização
A API suporta 23 idiomas, incluindo português, espanhol, francês, alemão, japonês e árabe. Qualquer voz pode falar qualquer um dos idiomas suportados, garantindo consistência linguística em projetos multilíngues sem necessidade de múltiplas vozes específicas para cada mercado.
O sistema detecta automaticamente o idioma pelo script do texto. Para textos em latim não-ingleses, é recomendável definir o parâmetro language explicitamente para evitar erros de pronúncia.
Suporte a 23 idiomas
Listamos o suporte completo para garantir que você não precise integrar múltiplos provedores para mercados distintos. A infraestrutura unificada mantém a mesma qualidade de áudio e os mesmos formatos de saída, independentemente do idioma selecionado na requisição.
- Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkish
Tradução de roteiros
Agências podem traduzir roteiros de audioguias em lote e gerar áudio em segundos. Como o processamento é em nuvem, a tradução e a síntese não exigem re-gravação em estúdio, acelerando o ciclo de atualização de conteúdo.
Padrão de idioma
Se o parâmetro language não for enviado, o sistema tenta adivinhar pelo script. Texto em latim assume inglês por padrão. Para evitar falhas de pronúncia em textos em outros idiomas latinos, defina o código ISO explicitamente.
Formatos de Entrega
A API permite selecionar entre formatos de áudio otimizados para diferentes estágios do pipeline de produção. A escolha do formato depende exclusivamente do destino final do arquivo gerado, garantindo compatibilidade técnica sem perda desnecessária de qualidade ou tamanho de arquivo.
MP3 para dispositivos móveis
O formato MP3 oferece a melhor relação entre tamanho de arquivo e qualidade para audioguias distribuídos via QR Code ou aplicativos. Com compressão eficiente, os arquivos carregam rapidamente em conexões móveis, facilitando a experiência do visitante em museus e pontos turísticos.
WAV para arquivos master
Utilize WAV para arquivos master quando a integridade de bit-perfeito é necessária antes da distribuição final. Este formato sem perda é ideal para arquivamento ou para posterior processamento em softwares de edição de áudio profissionais, garantindo fidelidade total ao áudio gerado.
OPUS para transmissão web
O formato OPUS é otimizado para transmissão web eficiente, oferecendo alta qualidade sonora com baixo uso de largura de banda. É a escolha técnica recomendada para aplicações que exigem entrega rápida de áudio através de navegadores modernos.

Licenciamento
Nossas vozes são derivadas de gravações licenciadas do projeto LibriTTS-R (CC BY 4.0), originadas de audiobooks de domínio público no LibriVox. Isso garante uma base técnica sólida e legalmente segura para sua produção de conteúdo narrado.
Baseado em LibriTTS-R
A síntese utiliza registros licenciados sob a licença CC BY 4.0. O modelo de voz captura nuances naturais de leitura contínua, sem as pausas artificiais típicas de métodos tradicionais.
Uso comercial permitido
O uso comercial é permitido sem restrições adicionais. As agências podem integrar o áudio gerado diretamente em audioguias, aplicativos turísticos ou instalações de museus, mantendo a propriedade dos arquivos finais.
Marca d'água sintética
Cada arquivo de áudio gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso facilita a gestão de direitos e a transparência sobre a origem do áudio.
Limitações Técnicas
A API impõe um limite rígido de 4096 caracteres por requisição, exigindo que roteiros longos sejam segmentados antes do envio. Textos excedentes devem ser divididos programaticamente e as faixas de áudio resultantes unidas na etapa final da produção.
Limite de 4096 caracteres
Para audioguias com descrições extensas, é necessário implementar lógica de split no pipeline. Cada parte gera um arquivo separado que deve ser concatenado para garantir a continuidade narrativa sem cortes abruptos.
Sem SSML
A ausência de suporte a SSML significa que não há controle granular sobre pausas, ênfase ou pronúncia de palavras específicas via marcação XML. A entonação segue os padrões padrão do modelo selecionado.
Sem clonagem de voz
Não oferecemos clonagem personalizada de voz. As agências devem selecionar entre as 8 vozes pré-treinadas disponíveis, adequadas para diferentes perfis narrativos de museus, sem possibilidade de subir amostras próprias para replicação.
Custo-Benefício
O custo é calculado estritamente por caractere processado, incluindo espaços e pontuação, a $0,01 por 1.000 caracteres. Cada solicitação malsucedida é gratuita, eliminando o risco de pagamento por falhas de síntese.
A ausência de planos mensais ou custos fixos permite que o orçamento acompanhe exatamente o volume de produção. A escassez de recursos não impõe limites rígidos, garantindo previsibilidade financeira para projetos de qualquer escala.
Preço por caractere
O preço base é de $10 por milhão de caracteres gerados. O cálculo é transparente: cada espaço e símbolo conta como um caractere. Isso facilita a estimativa exata de gastos antes mesmo do início da produção dos áudios.
Sem custos fixos
Diferente de estúdios tradicionais que cobram por hora ou sessão, aqui não há assinatura mínima. Você paga apenas pelo que é consumido. Isso é ideal para agências com picos sazonais de produção de audioguias para museus.
Não existem taxas de manutenção ou custos de infraestrutura ocultos. O saldo reflete exclusivamente o volume de texto convertido em áudio, com créditos não expirados.
Escalabilidade linear
A relação entre volume e custo é diretamente proporcional. Gerar 10.000 ou 1 milhão de caracteres segue a mesma tarifa unitária. Isso permite expandir a biblioteca de audioguias sem aumentar o custo marginal por unidade.
A estrutura de pagamento via USDT (TRC-20) agiliza a recarga de saldo, mantendo a produção contínua sem interrupções administrativas para pequenas ou grandes entregas.
Suporte e Manutenção
O ciclo de vida do áudio gerado pela API é gerenciado via integração técnica, sem necessidade de manutenção de arquivos estáticos. As atualizações nas vozes ou no motor de síntese são transparentes para o pipeline de produção da agência, garantindo que novos roteiros gerados utilizem sempre a versão mais recente do modelo.
Como não há hospedagem de arquivos gerados, a responsabilidade de armazenamento e distribuição recai sobre o cliente ou seu CMS. Isso elimina custos de CDN para áudio e simplifica a infraestrutura, mantendo o foco na geração contínua de conteúdo narrado.
Atualização de vozes
Não há notificação manual sobre mudanças. As atualizações no motor de síntese e nas vozes estão disponíveis imediatamente via endpoint GET /v1/voices. Basta requisitar nova síntese para utilizar as melhorias, sem necessidade de download de pacotes ou reinício de serviços.
Suporte por e-mail
O suporte é exclusivamente via e-mail. Não há número de telefone, chat ao vivo ou SLA de tempo de resposta garantido. Para questões técnicas ou sobre faturamento, envie sua solicitação para o endereço de suporte listado na plataforma. Respostas são fornecidas conforme disponibilidade da equipe de engenharia.
Documentação
Toda a documentação técnica está centralizada na seção /docs/. Incluem-se exemplos de curl, estrutura de JSON e detalhes dos endpoints. A documentação reflete a implementação atual da API e serve como referência única para integração com sistemas de CMS ou pipelines de automação de áudio.
Não oferecemos tutoriais passo-a-passo ou vídeos explicativos. O material é técnico e direto, focado em desenvolvedores e engenheiros de áudio que precisam integrar a API ao pipeline de produção de audioguias.
Comparação com Gravação Humana
A gravação humana exige agendamento de estúdio, engenharia de som e pós-produção para cada projeto. Nossa API processa texto em áudio em segundos, permitindo gerar centenas de roteiros em paralelo sem gargalos de agenda.
Velocidade de produção
Enquanto estúdios levam dias ou semanas para finalizar uma turnê de audioguias, a API entrega áudio pronto em segundos por requisição. Textos longos são processados em tempo real, acelerando o pipeline de produção de conteúdo narrado.
- Processamento paralelo sem espera por engenheiros de som
Consistência de preço
A gravação humana tem custos fixos altos (estúdio, talentos, edição). Nossa API cobra apenas $0,01 por 1.000 caracteres, com falhas gratuitas. O custo escala linearmente com o volume, sem surpresas em faturas.
Flexibilidade de mudanças
Alterar um roteiro gravado em estúdio exige retrabalho ou nova gravação. Com a API, basta atualizar o texto no CMS e regenerar o áudio instantaneamente, mantendo a mesma voz e tom para toda a exposição.
- Regeneração imediata após ajustes de roteiro
Ouça as 8 vozes
Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Em museus históricos, a fidelidade e a clareza são prioritárias.
23 idiomas
Qualquer voz fala qualquer um desses idiomas.
