O speech-to-text escuta. O text-to-speech responde em voz alta. Assistentes de voz precisam dos dois.
Como funciona
Uma API de TTS recebe três coisas: o texto, uma voz e um formato de áudio. Este é o formato do exemplo em Python do guia da OpenAI:
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Today is a wonderful day to build something people love!",
instructions="Speak in a cheerful and positive tone.",
) as response:
response.stream_to_file("speech.mp3")
O guia documenta o endpoint /v1/audio/speech, 13 vozes prontas e os formatos de saída MP3 (padrão), Opus, AAC, FLAC, WAV e PCM, em que PCM são amostras brutas de 24 kHz e 16 bits sem cabeçalho. Ele suporta streaming com chunked transfer encoding, então a reprodução pode começar antes de o arquivo terminar, e recomenda WAV ou PCM para as respostas mais rápidas. O guia também marca tts-1, tts-1-hd e gpt-4o-mini-tts como descontinuados, com desligamento em 6 de janeiro de 2027. Confira a lista atual de modelos antes de construir em cima de um deles.
Muitos motores também aceitam SSML, a marcação XML do W3C para síntese. O elemento raiz <speak> declara version="1.1" e xml:lang. Outros elementos incluem <break> para pausas, <say-as> para marcar datas ou números, <phoneme> para uma pronúncia exata (por exemplo, em IPA) e <lang> para uma frase em outro idioma:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Por que isso importa
- Produtos de voz são pipelines. Um voice bot é speech-to-text, depois um modelo de chat, depois TTS. Cada etapa acrescenta latência e custo, e cada uma pode ser de um provedor diferente.
- Escolha do formato. O formato de saída define o tamanho e a compatibilidade de reprodução. O WhatsApp, por exemplo, reproduz áudios em Ogg Opus.
- Transparência. A OpenAI exige avisar os usuários finais de que uma voz de TTS é gerada por IA.
Na BroadNet Inference
A BroadNet não oferece text-to-speech. A referência da API documenta apenas POST /v1/chat/completions e POST /v1/audio/transcriptions. Ela oferece o sentido inverso: o BroadNet Transcribe Arabic e o BroadNet Transcribe transformam áudio WAV ou MP3 em texto, a $0.0042 e $0.002 por minuto. A BroadNet também não oferece voz ao vivo ou em tempo real.
Se o seu produto precisa falar, combine a transcrição e o chat da BroadNet com um provedor de TTS separado. Texto, fala e visão mostra quais tarefas a BroadNet cobre e onde você precisa de outro serviço, e o post sobre a arquitetura de um chatbot de WhatsApp mostra o lado dos áudios do pipeline.
Erros comuns
- Confundir TTS com STT. APIs de speech-to-text não geram áudio. Confira a lista de endpoints, não só a palavra “speech”.
- Achar que o SSML funciona em qualquer lugar. Muitas APIs aceitam só texto puro ou um subconjunto do SSML.