---
title: "O que é text-to-speech (TTS)? Como funcionam as APIs de voz"
description: "Text-to-speech transforma texto escrito em áudio falado. Como funcionam as APIs de TTS, o que o SSML controla, os formatos e por que a BroadNet não tem TTS."
url: https://broadrouter.com/pt/glossary/text-to-speech/
lang: pt-BR
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/text-to-speech/) (atualizado em 2026-11-15).

# Text-to-speech (TTS, síntese de voz)

Atualizado em 2026-11-15

Text-to-speech (TTS), ou síntese de voz, converte texto escrito em áudio falado. Uma API de TTS recebe um texto, uma voz e um formato de saída, como MP3 ou WAV, e devolve a fala gerada. É o inverso do speech-to-text, que transforma áudio em texto.

Também chamado de: síntese de voz, texto para fala, conversão de texto em voz, voz sintética, TTS, text to speech, speech synthesis

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:

```python
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:

```xml
<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](https://broadrouter.com/pt/glossary/speech-to-text/), depois um modelo de chat, depois TTS. Cada etapa acrescenta [latência](https://broadrouter.com/pt/glossary/latency/) 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](https://broadrouter.com/pt/glossary/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](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) e o [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-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](https://broadrouter.com/pt/blog/text-speech-vision/) mostra quais tarefas a BroadNet cobre e onde você precisa de outro serviço, e o post sobre a [arquitetura de um chatbot de WhatsApp](https://broadrouter.com/pt/blog/arabic-whatsapp-chatbot-architecture/) 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.

## Perguntas frequentes

### A BroadNet Inference oferece text-to-speech?

Não. A BroadNet documenta dois endpoints, chat completions e transcrição de áudio. Não existe /v1/audio/speech. Use um provedor de TTS separado se o seu app precisa falar.

### O que é SSML?

Speech Synthesis Markup Language, uma Recommendation do W3C (versão 1.1, 2010). É um XML que controla pronúncia, pausas, tom, velocidade e troca de idioma na fala sintetizada. O suporte varia entre provedores de TTS.

### Preciso avisar os usuários que uma voz é gerada por IA?

As políticas de uso da OpenAI, citadas no guia de TTS, exigem uma indicação clara de que a voz é gerada por IA. Confira os termos do seu provedor e a legislação local.

## Veja também

-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [IA multimodal (multimodal AI)](https://broadrouter.com/pt/glossary/multimodal/) (termo)
-   [Ogg Opus](https://broadrouter.com/pt/glossary/ogg-opus/) (termo)
-   [WAV (arquivo de áudio WAV)](https://broadrouter.com/pt/glossary/wav/) (termo)
-   [Streaming](https://broadrouter.com/pt/glossary/streaming/) (termo)
-   [Texto, voz ou visão? Comece pela tarefa](https://broadrouter.com/pt/blog/text-speech-vision/) (artigo)
-   [Arquitetura de chatbot de WhatsApp em árabe: de áudios a respostas](https://broadrouter.com/pt/blog/arabic-whatsapp-chatbot-architecture/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-text-to-speech&utm_content=page-cta) ·

**Fontes**

-   [Documentação da API da OpenAI, guia de text-to-speech: /v1/audio/speech, vozes, formatos de saída, regra de transparência (conferido em 2026-11-15)](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C, Speech Synthesis Markup Language (SSML) Version 1.1, Recommendation (conferido em 2026-11-15)](https://www.w3.org/TR/speech-synthesis11/)
-   [Referência da API da BroadNet Inference: endpoints de chat completions e transcrição de áudio (conferido em 2026-11-15) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-text-to-speech&utm_content=sources)
