Perguntas frequentes
Qual a melhor voz para museus?
Não há uma única melhor voz. Para narrativas históricas, Atlas (neutra) ou Luna (suave) são indicados. Para instruções, Sage oferece clareza. A escolha depende do tom da exposição. Todas as vozes suportam os 23 idiomas disponíveis, permitindo consistência linguística em acervos multilíngues sem necessidade de ajustes técnicos adicionais.
Posso misturar vozes masculinas e femininas?
Sim. Você pode alternar entre as 8 vozes disponíveis (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) em diferentes requisições ou partes do texto. A API não une os arquivos automaticamente; você deve concatenar os arquivos de áudio gerados no seu pipeline de produção para criar a narrativa final.
A voz 'Atlas' é adequada para história?
Sim, Atlas é descrita como neutra e voltada para notícias, o que garante clareza e imparcialidade em narrações históricas. Ela não impõe emoções excessivas, mantendo o foco no conteúdo informativo. Para um tom mais documental, Orion também é uma opção válida baseada em suas características de voz profunda.
A voz 'Luna' é muito emotiva?
Luna é descrita como suave e voltada para storytelling, não como altamente emotiva ou dramática. Ela oferece uma narração fluida e agradável, ideal para contar histórias de museus sem exageros. Se precisar de entonação mais marcada, ajuste a velocidade ou escolha vozes como Nova para um tom mais vibrante.
Como definir a velocidade ideal?
A velocidade varia de 0.25 a 4.0. Para audioguias, recomenda-se velocidades próximas de 1.0 para naturalidade. Textos técnicos ou com muitos nomes podem beneficiar-se de velocidades menores (0.75-0.9) para maior clareza. Teste com trechos representativos, pois a percepção auditiva varia conforme o conteúdo e o ambiente de exposição.
As vozes funcionam bem em japonês?
Sim, o japonês está na lista de 23 idiomas suportados. Todas as 8 vozes podem falar japonês. Defina o parâmetro 'language' como 'ja' para garantir a pronúncia correta. O sistema não adivinha idiomas asiáticos automaticamente, então a especificação manual é necessária para evitar erros de pronúncia em termos técnicos ou históricos.
Existe uma voz 'neutra'?
Atlas é descrita como neutra, ideal para notícias e informações objetivas. Milo é descrita como amigável e conversacional, o que também pode servir para abordagens mais acessíveis. Nenhuma voz é perfeitamente neutra, mas Atlas minimiza a expressividade emocional, focando na clareza da informação transmitida ao visitante do museu.
Posso usar a voz 'Felix' para promo?
Sim, Felix é descrita como energética e voltada para promoções. Ela é ideal para anúncios de exposições temporárias ou ofertas especiais dentro do museu. Sua energia transmite entusiasmo, diferente de vozes mais calmas como Sage ou Luna, que são melhores para narrativas longas ou históricas.
As vozes têm sotaque brasileiro?
O português é suportado. As vozes são baseadas em gravações licenciadas (LibriTTS-R, CC BY 4.0) e podem falar qualquer idioma da lista, incluindo português. Para português, o sistema detecta o idioma automaticamente se não especificado, mas a pronúncia segue o padrão da voz escolhida.
Como testar a clareza do áudio?
Gere um arquivo de áudio curto (até 4096 caracteres) usando a API e ouça em diferentes condições de som. Verifique a pronúncia de termos técnicos e nomes próprios. Ajuste a velocidade (parâmetro 'speed') se necessário. Use formatos como WAV ou FLAC para máxima fidelidade durante o teste de qualidade.
A API suporta textos com termos técnicos?
Sim, a API aceita texto puro até 4096 caracteres. Termos técnicos são pronunciados conforme o modelo de voz treinado. Não há suporte a SSML ou dicionários de pronúncia personalizados para corrigir termos específicos. Para precisão crítica, teste trechos longos e verifique a pronúncia antes de gerar grandes volumes de áudio.
Posso usar a API para crianças?
Sim, vozes como Nova (brilhante e animada) ou Luna (suave) são adequadas para conteúdo infantil. A API não restringe o uso por faixa etária. Você pode ajustar a velocidade e o tom para tornar a narração mais acessível. Lembre-se de que o áudio gerado contém uma marca d'água sintética invisível.
Critérios de Escolha
A escolha da voz TTS para audioguias depende de critérios técnicos que garantem a inteligibilidade e a adequação ao contexto expositivo. A clareza fonética e a dicção precisa são fundamentais para que visitantes compreendam informações complexas sem esforço auditivo excessivo.
Além da qualidade vocal, o tom instrucional e a neutralidade emocional definem a experiência do usuário. A voz deve conduzir o visitante de forma objetiva, sem distrações emocionais, mantendo o foco no conteúdo histórico ou científico apresentado.
Clareza e dicção
A API utiliza modelos otimizados para pronúncia precisa em 23 idiomas. Isso garante que termos técnicos ou nomes próprios sejam articulados corretamente, reduzindo a ambiguidade em ambientes com ruído de fundo típico de museus.
Recomenda-se o uso de pontuação adequada no texto de entrada. Pausas bem estruturadas permitem que a síntese vocal respire, melhorando a compreensão auditiva para todos os públicos, incluindo deficientes visuais ou auditivos.
- Os modelos tts-1 e tts-1-hd utilizam o mesmo motor de síntese e preço.
- Suporte nativo a 23 idiomas, incluindo português e inglês.
- Pontuação correta melhora a entonação natural da fala.
Tom instrucional
Vozes como Sage e Atlas são projetadas para um tom neutro e informativo. Ideal para explicações detalhadas de artefatos, onde a informação prevalece sobre a expressão emocional.
Esse tom evita a fadiga cognitiva do visitante, permitindo que ele absorva dados históricos ou científicos sem a carga emocional de uma narração dramática.
- Sage: tom calmo e instrucional.
- Atlas: neutralidade e clareza jornalística.
- Ideal para roteiros densos em informação.
Neutralidade emocional
Ao contrário de narrativas cinematográficas, audioguias de museus exigem consistência. A neutralidade emocional garante que o conteúdo seja apresentado de forma uniforme, independentemente da voz selecionada.
Isso facilita a integração da API em pipelines de produção de áudio em larga escala, onde a consistência do tom é mais importante do que a expressividade artística.
- Tom consistente entre diferentes episódios ou exposições.
- Foco no conteúdo, não na performance vocal.
- Adequado para roteiros técnicos e históricos.
Vozes Masculinas
As vozes masculinas da API cobrem três perfis essenciais para a produção de áudio institucional. Atlas, Milo e Orion oferecem neutralidade, conversabilidade ou profundidade documental, garantindo consistência acústica em guias de museus e turísticas.
Atlas: tom de notícias
Atlas entrega um tom neutro e direto, ideal para informações factuais e sinalizações. Sua clareza facilita a compreensão rápida de dados históricos ou mapas sonoros, sem distrações emocionais.
- Voz masculina, neutra
- Indicada para audioguias institucionais
- Alta inteligibilidade em ambientes ruidosos
Orion: tom documental
Orion traz uma voz mais grave e envolvente, adequada para narrativas imersivas. Perfeito para exposições de arte ou história, onde o tom deve transmitir seriedade e profundidade sem soar artificial.
O registro profundo mantém a atenção do ouvinte durante descrições longas, melhorando a retenção de conteúdo educativo.
- Voz masculina, grave
- Ideal para narrativas imersivas
- Tom sério e envolvente
Milo: tom conversacional
Milo apresenta uma voz amigável e próxima, simulando uma conversa natural. É excelente para visitas guiadas informais ou pontos de interesse onde se busca criar uma conexão pessoal com o visitante.
Seu tom leve reduz a fadiga auditiva em passeios mais longos, mantendo o engajamento do público.
- Voz masculina, conversacional
- Tom amigável e próximo
- Reduz fadiga auditiva
Vozes Femininas
As vozes femininas da API VozViaja oferecem três perfis distintos para audioguias, garantindo que o tom narrativo se alinhe à experiência do visitante. Cada voz é derivada de gravações licenciadas (LibriTTS-R, CC BY 4.0) e pode falar qualquer um dos 23 idiomas suportados.
Sage: instrucional calma
A voz Sage é ideal para ambientes que exigem didática e paciência, como museus científicos ou exposições interativas. Seu tom é calmo e instrucional, perfeito para explicar conceitos complexos sem apressar o ritmo da leitura.
- Tom calmo e instrucional
- Ideal para explicações detalhadas
- Clareza em idiomas latinos
Luna: narrativa suave
Luna traz uma suavidade natural, sendo a escolha certa para museus históricos ou tours com storytelling emocional. Sua inflexão suave mantém o visitante imerso na história, sem a frieza de uma narração puramente informativa.
- Narração envolvente e suave
- Adequada para museus históricos
- Tom próximo do conversacional
Aria: narradora clara
Aria possui uma dicção nítida e uma presença de narradora profissional. É a opção mais indicada para audioguias em grandes halls ou ambientes com ruído de fundo, onde a inteligibilidade da fala é crítica.
- Dicção nítida e clara
- Alta inteligibilidade em ruído
- Tom de narradora profissional
Cenário: Museus Históricos
Em museus históricos, a fidelidade e a clareza são prioritárias. A voz deve transmitir respeito pelo contexto sem impor emoções artificiais, garantindo que a informação histórica seja o foco principal do audioguia.
A escolha da voz impacta diretamente na imersão do visitante. Nossos modelos são treinados para manter a dicção precisa em textos longos, essenciais para a narrativa de exposições permanentes ou temporárias.
Voz mais adequada
Recomendamos Atlas para narrativas neutras e factuais, ideal para datas e eventos. Orion é uma opção para documentários históricos, oferecendo um tom profundo e documental.
Ambas as vozes suportam português e inglês, garantindo consistência em coleções internacionais.
- Atlas: tom de notícias, neutralidade
- Orion: tom documental, profundidade
Exemplo de roteiro
Exemplo de texto otimizado: 'A construção desta catedral iniciou-se em 1248. As técnicas medievais de alvenaria exigiram décadas para a conclusão da nave central.'
O texto respeita o limite de 4096 caracteres por requisição. Para roteiros extensos, o cliente deve dividir o texto em partes de até 4096 caracteres e juntar os arquivos de áudio gerados sequencialmente.
Tom recomendado
O tom deve ser instrucional e discreto, evitando variações dramáticas que distraiam da informação histórica. A velocidade padrão (1.0) é adequada para a maioria dos visitantes.
Ajuste fino de velocidade pode ser necessário para grupos com necessidades auditivas específicas, mantendo a clareza da dicção em cada sílaba.
- Manter ritmo constante
- Priorizar dicção sobre emoção
Cenário: Museus Científicos
Para museus científicos, a precisão na pronúncia de termos técnicos e a clareza na exposição de dados são fundamentais. A escolha da voz deve garantir que conceitos complexos sejam compreendidos sem ambiguidade, mantendo o engajamento do visitante em explicações densas.
Voz mais adequada
A voz Atlas é a opção ideal para museus científicos. Seu tom neutro e jornalístico transmite autoridade e objetividade, sendo excelente para narrar linhas do tempo, explicar princípios físicos ou descrever exposições interativas sem distrações emocionais.
- Tom neutro e profissional
Exemplo de roteiro
"A reação de fusão nuclear converte massa em energia, conforme descrito pela equação E=mc². Este princípio é a base para a geração de energia limpa e sustentável que observamos nesta seção."
Tom recomendado
Mantenha a velocidade entre 1.0 e 1.2 para garantir a dicção de termos técnicos. O tom deve ser informativo e direto, evitando inflexões excessivas que possam diluir a precisão científica das informações apresentadas.
Cenário: Turismo Ativo
Ao integrar nossa API no pipeline de produção de áudio para turismo ativo, prioriza-se a clareza em ambientes ruidosos e a velocidade de geração. O volume de caracteres pode ser alto, exigindo divisão em partes de até 4096 caracteres para garantir que o áudio seja gerado sem perda de qualidade, mantendo a sincronia com as atividades dos usuários.
Voz mais adequada
Milo é a escolha técnica ideal para turismo ativo. Seu tom conversacional e amigável se adapta bem a instruções rápidas, como direções de trilha ou avisos de segurança em movimento. A voz transmite proximidade sem perder a clareza fonética necessária quando o usuário está em trânsito.
- Tom conversacional e direto
- Ideal para instruções de movimento
- Alta inteligibilidade em ruído
Exemplo de roteiro
Para um roteiro de caminhada, utilize texto conciso. Exemplo: 'Vire à direita na próxima interseção. O caminho é de terra batida. Mantenha-se na trilha principal para evitar erosão. Próximo ponto: mirante a 200 metros.' A economia de caracteres reduz o tempo de geração e o custo por solicitação.
- Frases curtas e imperativas
- Evitar termos complexos
- Foco na ação imediata
Tom recomendado
Mantenha a velocidade entre 1.0 e 1.2 para garantir que as instruções sejam compreendidas rapidamente. O tom deve ser neutro, mas envolvente, evitando a monotonia de vozes mais graves. Para grupos maiores ou áreas abertas, a clareza da dicção de Milo supera vozes mais suaves, como Luna.
Idiomas e Vozes
A API suporta 23 idiomas, permitindo que qualquer uma das 8 vozes reproduza qualquer idioma listado. Não há restrição de mapeamento entre voz e língua nativa. O parâmetro language é opcional; se omitido, o sistema tenta adivinhar o idioma pelo script, assumindo inglês para textos em latim.
Para garantir a precisão em textos latinos não ingleses, defina explicitamente o parâmetro language. Idiomas não suportados incluem vietnamita, indonésio, tailandês e ucraniano. A consistência fonética é mantida independentemente da escolha da voz base.
Mapeamento de idiomas
Todos os idiomas suportados são processados por qualquer voz disponível. A lista inclui árabe, chinês, dinamarquês, holandês, inglês, finlandês, francês, alemão, grego, hebraico, hindi, italiano, japonês, coreano, malaio, norueguês, polonês, português, russo, espanhol, suaíli, sueco e turco.
Vozes em inglês
Para conteúdos em inglês, a escolha da voz define o tom da experiência do visitante. Vozes como Atlas oferecem neutralidade jornalística, enquanto Luna proporciona uma narrativa mais suave e envolvente.
Vozes em português
O português é totalmente suportado. Para audioguias no Brasil, selecione a voz e defina language: 'pt' para evitar que o motor interprete erroneamente o texto como inglês, garantindo a pronúncia correta dos fonemas lusófonos.

Formatação de Texto
A formatação do campo input influencia diretamente na entonação e na respiração da voz sintetizada. A pontuação atua como marcador prosódico: vírgulas geram pausas curtas, enquanto pontos finais indicam encerramento de frases. O uso correto garante que a narração mantenha o ritmo natural, essencial para a compreensão em ambientes com ruído de fundo.
O limite de 4096 caracteres por requisição exige o particionamento inteligente do texto. O sistema processa cada parte sequencialmente e une os arquivos de áudio resultantes. Caracteres em branco e pontuação contam para este total, portanto, revisões de texto devem considerar esse espaço antes do envio.
Uso de pontuação
Utilize vírgulas para pausas breves e pontos finais para respirações mais longas. O motor de TTS interpreta esses sinais para ajustar a entonação, evitando um fluxo contínuo e monótono. Evite excesso de pontos de exclamação ou interrogação, pois eles podem gerar entonações artificiais que distraem o visitante.
Não utilize marcas de SSML ou tags customizadas, pois a API não as reconhece. A formatação deve ser puramente textual. A clareza da mensagem depende da estrutura gramatical correta, que o algoritmo traduz em variações de pitch e duração.
- Vírgulas criam pausas curtas e naturais.
- Pontos finais indicam fim de frase e respiração.
- Evite pontuação excessiva para manter a neutralidade.
Quebras de linha
As quebras de linha ( ) são interpretadas como pausas sutis, semelhantes a vírgulas fortes. Elas ajudam a segmentar listas de fatos ou descrições de peças em uma exposição, separando visualmente os trechos no código e auditivamente na narração.
Use quebras de linha para agrupar informações relacionadas. Isso facilita a leitura humana do script e melhora a organização lógica do áudio gerado. Não utilize múltiplas quebras consecutivas para criar espaçamentos grandes, pois o motor as trata como uma única pausa padrão.
- Use \n para separar itens de listas.
- Mantenha a estrutura lógica do roteiro.
- Evite quebras múltiplas desnecessárias.
Limites de caracteres
Cada requisição é limitada a 4096 caracteres, incluindo espaços e pontuação. Textos maiores devem ser divididos logicamente em partes menores. O sistema processa cada fragmento e os une ao final para criar o arquivo de áudio contínuo.
Planeje o tamanho dos scripts considerando esse limite. Se o texto exceder 4096 caracteres, o envio único falhará ou gerará áudio truncado. Divida o roteiro em blocos de até 4096 caracteres, que é o limite máximo por requisição.
- Limite máximo: 4096 caracteres por requisição.
- Espaços e pontuação contam no total.
- Divida textos longos em partes lógicas.
Velocidade da Fala
A velocidade de fala é ajustada pelo parâmetro speed na requisição JSON, aceitando valores entre 0.25 e 4.0. Esse controle permite sincronizar o áudio gerado com o ritmo de visualização dos visitantes, otimizando a experiência em diferentes contextos de visita.
A velocidade padrão recomendada para audioguias está em 1.0, garantindo uma dicção clara e natural. Alterações sutis (entre 0.9 e 1.1) são suficientes para ajustar o ritmo sem distorcer a intelligibilidade, mantendo a consistência da experiência auditiva.
Range de 0.25 a 4.0
O parâmetro speed permite desde uma narração muito lenta (0.25) até acelerada (4.0). Para audioguias, velocidades extremas podem comprometer a compreensão, especialmente em textos densos ou com terminologia técnica.
- 0.5: ideal para públicos com deficiência auditiva ou cognitiva
- 1.0: velocidade natural e padrão da API
- 2.0+: útil para resumos rápidos ou tours auto-guiados
Velocidade padrão
Recomendamos manter a velocidade padrão (1.0) para a maioria dos conteúdos expositivos. Isso preserva a entonação natural das vozes selecionadas e facilita a integração com os pipelines de produção de áudio das agências.
Ajuste para deficientes
Para acessibilidade, reduza a velocidade para 0.5 ou 0.75. Isso garante que visitantes com dificuldades de processamento auditivo ou leitura possam acompanhar o conteúdo sem perda de informação. Teste sempre com grupos reais antes do lançamento.
Integração com App
Para reduzir a latência percebida pelo usuário, pré-busque os metadados de vozes via GET /v1/voices no carregamento inicial da aplicação. Isso elimina a necessidade de chamadas de rede síncronas durante o fluxo de narração, garantindo que a seleção de voz seja instantânea.
Pré-busca de vozes
Busque os recursos disponíveis assim que o app iniciar. Armazene localmente a lista de vozes e idiomas suportados obtida via GET /v1/voices. Isso permite que o engenheiro de áudio selecione a voz ideal sem bloquear a interface do usuário.
- Chame
GET /v1/voicesapenas na inicialização. - Armazene em cache local (localStorage ou banco SQLite).
Cache de áudio
Os arquivos de áudio são retornados na resposta da API e não são armazenados pelo serviço; o cliente deve gerenciá-los conforme necessário. Como o limite de entrada é de 4096 caracteres, segmente textos longos e cacheie cada parte. Isso evita reprocessamento para conteúdos estáticos de museus, reduzindo o consumo de dados e a carga na API.
Gestão de memória
Limpe os arquivos de áudio antigos periodicamente para evitar saturação do dispositivo. Priorize vozes leves como mp3 para dispositivos com recursos limitados. Monitore o uso de memória durante a reprodução sequencial de múltiplos trechos.
Testes de Qualidade
Para garantir a qualidade dos audioguias, avaliamos a compreensão e a retenção de informação durante o desenvolvimento. O processo integra testes técnicos e percepção humana para ajustar vozes e formatos antes da produção em escala.
Utilizamos o endpoint GET /v1/voices para validar as opções disponíveis e realizamos testes A/B para comparar o impacto de cada voz no contexto específico do museu ou ponto turístico.
Teste A/B de vozes
Comparem versões com vozes distintas, como Atlas (neutro) versus Luna (narrativa), utilizando o mesmo script. Gere áudio com a API e colete dados de compreensão em grupos focais representativos.
Registre a taxa de compreensão correta e o tempo de processamento. Selecione a voz que oferece o melhor equilíbrio entre clareza e engajamento para o público-alvo.
- Use scripts idênticos com pontuação variável
- Teste diferentes velocidades (0.25 a 4.0)
- Compare formato MP3 vs WAV
Feedback de usuários
Conduza sessões de teste com visitantes reais, simulando o uso em condições reais de ruído. Observe se a dicção é compreendida sem necessidade de repetição.
Registre reclamações específicas sobre tom ou velocidade. O feedback qualitativo complementa as métricas técnicas, identificando nuances que testes automáticos podem não capturar.
Métricas de clareza
Avalie a taxa de compreensão de frases complexas e nomes próprios. Utilize testes de repetição para verificar se a mensagem foi absorvida corretamente pelo ouvinte.
Monitore o tempo de geração (cerca de 25 caracteres por segundo) para garantir que a experiência não seja interrompida por latência excessiva em textos longos.
Considerações Finais
A consistência da marca em audioguias depende da uniformidade vocal entre diferentes seções e idiomas. Utilize as mesmas vozes em todos os módulos para criar uma identidade sonora reconhecível, evitando quebras de imersão ao trocar de tema ou linguagem.
A escalabilidade técnica garante que o sistema suporte picos de demanda sem degradação. Com limites claros de caracteres e processamento sequencial, a infraestrutura da API permite o crescimento do catálogo de tours mantendo a previsibilidade do tempo de geração e a estabilidade do pipeline de produção.
Consistência da marca
A identidade sonora do museu é construída pela repetição confiável de um timbre específico. Ao fixar vozes como Atlas ou Luna para seções históricas, você elimina a variabilidade humana. Isso assegura que o visitante tenha uma experiência auditiva coerente, desde a introdução até as exposições finais, independentemente do dispositivo ou localização.
- Padronize vozes por tema (ex: Atlas para história, Luna para arte).
- Mantenha o mesmo tom narrativo em todos os idiomas suportados.
- Use pontuação consistente para garantir pausas uniformes entre frases.
Escalabilidade
A arquitetura baseada em API permite adicionar novos roteiros sem aumentar a equipe de produção. Cada novo tour é apenas um novo conjunto de parâmetros de requisição. O sistema gerencia filas e limites de taxa automaticamente, permitindo o lançamento simultâneo de múltiplas exposições sem sobrecarga operacional.
- Adicione novos tours apenas enviando novos textos via API.
- Não há custo de infraestrutura fixa por usuário ou dispositivo.
- Processamento sequencial garante ordem e previsibilidade na geração em lote.
Custo final do projeto
O custo é estritamente variável, baseado em 1 milhão de caracteres por US$ 10. Não há mensalidades fixas, seats ou taxas de infraestrutura. Você paga apenas pelo áudio gerado, e solicitações falhas são estornadas integralmente. Isso elimina o risco de custos fixos em projetos sazonais ou de curta duração.
- Pagamento por uso: US$ 0,01 por 1.000 caracteres.
- Sem taxas mensais, sem mínimo de gasto.
- Créditos de falha devolvidos integralmente.
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.
