Como transformar texto em áudio (grátis, audiobook e iPhone)

A resposta curta

Se você só precisa que um texto seja lido em voz alta agora — para revisar um escrito de ouvido, seguir uma receita ou ouvir um artigo no trânsito —, seu sistema operacional já traz um motor de voz e nada do que você instala vence a conveniência dele. Em toda plataforma relevante a leitura em voz alta está a um gesto de distância e não custa nada.

Se você precisa de um arquivo de áudio para guardar, incrustar ou distribuir, esta página localizada não é a ferramenta: ela lê em voz alta com as vozes que já estão no seu dispositivo e não salva áudio nenhum. A versão desta ferramenta que renderiza um arquivo baixável é a página em inglês; aqui a saída é só escuta, sem download e sem modelo para esperar.

Se você precisa de uma locução que passe por voz humana — uma demonstração de produto, o aviso de um totem, um capítulo de livro que você vai distribuir —, a primeira decisão é a origem do áudio: na versão em inglês há um modelo neural que gera o arquivo; aqui quem fala é a voz que seu sistema operacional coloca à disposição do navegador. Nos dois casos as emendas de uma voz sintética são específicas e corrigíveis: pausas no lugar errado, nomes mal pronunciados e entonação plana no fim das frases. As seções de ofício mais abaixo tratam de cada uma.

• Ouvir um texto: seu sistema operacional já faz isso. Grátis, instantâneo, sem instalar nada.
• Um arquivo de áudio reutilizável: não é esta página que o produz; ele é renderizado na versão em inglês da ferramenta.
• Uma voz que soa humana: as vozes do seu dispositivo mais hábitos de escrita e de revisão.

Três coisas que você talvez queira de verdade

A maioria de quem busca «transformar texto em áudio» não disse em voz alta qual dos três resultados precisa. A escolha do motor, o que dá para guardar no final e quanto esforço investir na escrita mudam conforme a resposta, então esclarecer isso primeiro economiza tempo.

Ouvir um texto

Este é o caso de acessibilidade e conveniência. Você quer palavras faladas para conferir um rascunho de ouvido, seguir uma receita com as mãos na farinha ou ouvir um artigo longo caminhando. Você não precisa de um arquivo, nem de uma voz específica, nem de instalar nada.

Todo sistema operacional relevante traz um sintetizador de voz e um atalho de leitura em voz alta. O macOS tem «Conteúdo Falado» em Acessibilidade. O Windows tem o Narrator e o botão «Ler em voz alta» do Edge. iOS e Android oferecem leitura da seleção em nível de sistema. São a voz integrada do sistema, são genuinamente grátis e, para ouvir, são tão bons quanto qualquer coisa que você monte nos próximos cinco minutos.

Nada do que você instala vence essa conveniência aqui. Não faz sentido abrir uma aba nova nem colar texto num formulário quando o próprio sistema lê o parágrafo que você acabou de selecionar. E esta página, aliás, não baixa nada: ela usa o mesmo motor de voz do sistema.

Um arquivo de áudio reutilizável

Este é o caso em que a voz do sistema não basta. Você precisa de algo para entregar a um editor de vídeo, subir numa árvore telefônica, incrustar num módulo de aprendizado ou distribuir como parte de um audiobook. A propriedade-chave é «renderiza num arquivo que é seu», e é aí que a diferença entre motores importa.

O motor de voz do sistema operacional foi desenhado para sair pela rota de áudio do sistema. Alguns navegadores permitem capturar essa saída, mas é inconsistente, e a própria voz do sistema costuma ter licença que não permite redistribuí-la como arquivo. Mesmo que você consiga gravá-la, estará trabalhando contra as premissas do sistema, e não com elas.

A distinção honesta é esta: a ferramenta de navegador que sintetiza para um arquivo é a versão em inglês desta página; lá você cola o texto e baixa um WAV. Nesta página localizada o áudio só toca no alto-falante e não é salvo, então, se o seu objetivo real é um arquivo reutilizável, esta rota não entrega isso.

Algo que soe como uma pessoa

Este é o objetivo mais difícil, e é onde o ofício de escrever e as conferências das seções abaixo realmente importam. As vozes sintéticas de hoje estão muito mais perto da fala natural do que os velhos sintetizadores robóticos, e para trechos curtos uma boa voz do sistema passa em contextos informais. As emendas aparecem em material longo e em lugares específicos e previsíveis: nomes próprios mal lidos, perguntas sem subida de tom e deriva do ritmo ao longo de muitos parágrafos. Cada uma tem contramedida; e tenha claro que aqui quem fala é a voz que seu sistema operacional tiver instalada, não um modelo que se baixe.

Uma fronteira honesta: o seletor de idioma desta página oferece inglês (EUA), inglês (Reino Unido), espanhol, português e indonésio, e o que ele faz é dizer ao motor do navegador em que idioma ler; a voz concreta é a que seu sistema operacional tiver para esse idioma. Se sua máquina não tiver vozes instaladas para ele, você não vai ouvir nesse idioma, e ninguém — nem esta página — pode prometer que uma voz em espanhol, português ou indonésio exista no seu dispositivo.

O que faz uma voz soar natural de verdade

As pessoas dizem «a voz soa robótica» e assumem que o problema é o timbre, a textura do som. Os motores de voz modernos resolveram bem o timbre. O que ainda entrega uma síntese como mecânica são três traços prosódicos mais difíceis de modelar.

O contorno de tom é a forma da melodia ao longo da frase. A fala natural sobe no início de uma oração, atinge o pico na sílaba tônica e cai no fim de uma frase declarativa. Uma pergunta sobe forte antes da última palavra. Uma frase que seria lida com surpresa ou dúvida se curva de outro jeito. Quando o motor achata esse contorno — quando toda frase termina na mesma nota descendente independentemente da pontuação —, o resultado soa genérico, mesmo que cada fonema esteja correto.

O agrupamento organiza as palavras em unidades de respiração como faria um falante. «O gato se sentou em / o tapete» é uma unidade. Uma síntese mal agrupada corta «O gato / se sentou em / o tapete», em lugares onde nenhum humano cortaria. O ouvinte registra isso como «leitura em voz alta» em vez de «estão me contando algo». Motores construídos sobre grandes corpora de fala aprendem os cortes de agrupamento mais comuns, mas se perdem quando uma frase tem estrutura incomum, orações subordinadas longas ou pontuação que viram pouco em seus dados.

A colocação das pausas é o terceiro eixo. Vírgula = pausa curta. Ponto = pausa média. Quebra de parágrafo = pausa longa. Um bom motor respeita as três, mas na prática muitas tratam a quebra de parágrafo como «o mesmo silêncio de um ponto» se não forem configuradas, e isso faz a narração soar sem fôlego — como um leitor que não consegue parar para respirar.

A narração longa é onde os três problemas se acumulam. Numa frase isolada, até um motor mediano soa aceitável. Ao longo de 200 frases, três coisas específicas quebram a ilusão:

• Deriva: o andamento ou a cadência mudam sutilmente ao longo de uma passagem longa — os primeiros parágrafos soam medidos, os últimos soam apressados ou lentos sem motivo.
• Pronúncia: nomes próprios, abreviaturas e vocabulário incomum dependem das regras de leitura do motor; quando a palavra é rara, a síntese erra, e erra sempre do mesmo jeito, então cada nova tentativa comete o mesmo erro.
• Entonação plana em perguntas: um ponto de interrogação no fim de um parágrafo ou de uma seção costuma perder a subida porque o motor também está tentando sinalizar o fechamento estrutural.

Como escrever para uma voz

O erro mais comum com síntese de voz é entregar textos escritos para o olho. Copy de web, redação acadêmica e até e-mail são estruturados para serem escaneados: cadeias longas de subordinadas, parênteses no meio, abreviaturas, números densos. Nada isso vira áudio com limpeza, e o motor não tem como saber que você pensava visualmente.

O conserto é escrever ou reescrever pensando no ouvido. Não é difícil, e uma vez que você pega os hábitos, a primeira síntese soa muito melhor sem nenhuma pós-produção.

Uma ideia por frase

Mantenha frases curtas. Mire em 15 a 20 palavras. Um motor que lê uma frase de 45 palavras com duas subordinadas precisa adivinhar onde cai o verbo principal, e costuma achatar o arco de tom na parte subordinada, fazendo tudo soar incerto. Frases curtas e declarativas dão ao motor um contorno limpo a seguir.

Se seu texto-fonte tem frases longas, quebre-as em duas ou três mais curtas antes de alimentar a ferramenta. Em áudio você não perde nada; ganha clareza.

Escreva as abreviaturas por extenso

Escreva «Doutor» em vez de «Dr.» se não puder verificar que o motor expande direito. Escreva «Estados Unidos» em vez de «EUA» se temer que ele soletra as letras. Escreva «N A S A» se quiser pronúncia letra a letra, ou «a agência espacial» se quiser que seja lida como palavra. O motor não sabe qual convenção você pretende; você sabe.

Com siglas que normalmente se leem como palavra («NASA», «FBI», «ONU»), teste uma vez. Se o motor acerta sempre, fique com a sigla. Se não, escreva por extenso ou de outro jeito.

Escreva os números como devem ser ditos

O número «2026» admite três leituras: «dois mil vinte e seis», «vinte e vinte e seis» e «dois zero dois seis». O motor escolhe uma conforme seus dados de treino e o contexto. Se você quer uma pronúncia específica, escreva assim: «vinte e vinte e seis». Isso importa sobretudo com telefones, endereços, anos em narração histórica e quantidades ambíguas em que uma leitura e outra significam coisas distintas.

Decimais: «3.14» pode sair «três ponto um quatro» ou «três catorze». Escreva «três ponto um quatro» se o contexto não desambígua.

Use a pontuação como instrução de pausa

Um ponto diz ao motor «essa ideia acabou; respire». Uma vírgula diz «pausa breve». Uma quebra de parágrafo diz «essa seção terminou; pausa mais longa». Alguns motores tratam as três igual, mas os construídos sobre dados de fala natural as distinguem.

Se o motor atropela uma transição onde você queria uma pausa, tente um travessão ou reticências. «A resposta era clara — não funcionou» dá ao motor um beat antes da revelação. «A resposta era clara... não funcionou» pode dar uma ainda mais longa, dependendo do motor. Teste as duas.

Se você quer uma pausa onde o original não tem pontuação, adicione. Escreva «E então, depois de um longo silêncio, ela falou» em vez de «E então depois de um longo silêncio ela falou». As vírgulas extras são licença para o motor desacelerar.

Reescreva os nomes como soam

Se o motor lê «Siobhan» como «See-oh-ban» e você sabe que ele não vai aprender a pronúncia certa pelo contexto, reescreva na entrada: «Shih-VAWN». Na tela parece errado; no áudio soa certo. Também vale a grafia que um leitor menos treinado acertaria: «Shivawn», «Shivaun».

Nomes próprios de ficção são onde mais dói: nomes inventados de fantasia, termos de ficção científica, personagens de culturas não anglófonas. O motor nunca os viu; cai em regras de grafia-som que produzem algo próximo, mas errado. Escreva-os como você quer que sejam ditos.

Vá por seções, não de uma vez

O instinto com um documento longo é colar tudo na caixa de texto e apertar Gerar. Numa página que fala ao vivo como esta, isso quase sempre é a abordagem errada, e as razões são práticas.

Com leitura ao vivo, um texto de 3,000 palavras de uma tacada não tem rebobinar real: se a voz se perde num parágrafo, não há arquivo salvo nenhum para remendar; resta editar o texto e ouvir de novo a partir de outro ponto.

Se você trabalha por seções, isola os problemas. Uma passagem ruim significa reescrever aquela passagem e gerar só ela de novo. Um nome que sai errado toda vez se corrige em uma ou duas entradas, não no documento inteiro. E trechos curtos se julgam melhor com o ouvido ainda fresco.

Corte em fronteiras naturais: fim de capítulo, título de seção, linha em branco entre assuntos. Não parta uma frase ao meio a menos que não haja alternativa: o motor precisa ver o arco inteiro da frase para fechar a entonação, e um fragmento que começa no meio soa estranho.

Mantenha idioma, ajuste de voz e velocidade iguais em todas as seções. Se você muda o tom ou o idioma entre trechos, ao ouvir o conjunto sentirá saltos de timbre em cada fronteira.

Se o objetivo final é costurar as peças num arquivo, esse trabalho é da versão que renderiza arquivos: a página em inglês desta ferramenta. Aqui as seções são para ouvir: não há WAV para emendar nem fila em lote; uma passagem por vez que você aperta Gerar, com o botão Parar para cortar onde quiser.

Antes de dar a locução por boa: três checagens

Você não precisa ouvir cada palavra de uma síntese antes de usá-la, mas precisa checar três coisas específicas. São os erros que uma voz sintética não consegue detectar em si mesma, e que um ouvinte pega na hora.

O primeiro e o último segundo de cada escuta. Atenção à largada e ao fechamento de cada passagem. Duas falhas comuns: a voz come a primeira sílaba (um «The» que sai como «he») e o rabo sai cortado ou morre num silêncio esquisito. Ambas ficam óbvias quando você sabe o que olhar. Se o começo sai mordido, acrescente uma pausa breve antes do texto; se o fim é cortado, garanta que a entrada termine em ponto para o motor saber que a frase fechou.

Todos os números. Para cada sequência de dígitos da sua entrada, ouça como o motor a leu. «2026» pode sair «dois mil vinte e seis» quando você precisava de «vinte e vinte e seis». Um telefone pode sair mal agrupado. Se há vários números, confira cada um: a leitura depende do contexto e não é uniforme.

Todos os nomes próprios. Nomes de personagens, de cidades, de marcas, termos científicos, qualquer palavra que só existe no seu texto e em nenhum corpus comum. Ouça se o motor acertou. Se «Nwoye» ou «Gilead» saem errados toda vez, reescreva-os foneticamente na entrada e gere de novo aquele trecho.

Essas três checagens pegam quase todo momento constrangedor. O resto — o andamento geral, a consistência do timbre, se a leitura parece entender o que lê — vem de como você escreveu o texto de entrada, não de mexer no áudio depois. E lembre: aqui o resultado só é escutado; se o que você vai revisar é um arquivo para publicar, esse arquivo é gerado na versão em inglês da ferramenta.

Narração de audiobook: o que saber antes de gravar

Se você busca «transformar texto em áudio para audiobook», a resposta honesta é: depende de onde você quer distribuir, e essa resposta muda.

Livros narrados vendidos pelos grandes canais de varejo têm seus próprios padrões de qualidade e processos de aprovação. A régua não é «a voz soa razoavelmente humana?» — é uma lista mais longa sobre consistência ao longo de todo o livro, ruído de sala, piso de ruído, padrões de edição e a expectativa do ouvinte, formada por narradores humanos que podem atuar. Esses canais hoje não aceitam qualquer título narrado por máquina, e suas políticas sobre voz sintética evoluíram.

O que você precisa fazer antes de gastar horas gerando um livro inteiro: ler a política vigente do distribuidor sobre narração sintética. Não o post de blog do ano passado — a política ativa no dia em que você for submeter. Esse documento dirá se aceitam audiobooks por TTS, se exigem padrões técnicos específicos de áudio, se há uma revisão de qualidade que pode reprovar uma narração que cumpre as specs mas soa antinatural, e se a categoria importa (ficção versus não ficção, domínio público versus recém-publicado).

Não presuma que algum canal aceita narração por máquina só porque a tecnologia melhorou. E também não presuma que rejeita: algumas categorias e alguns distribuidores aceitam sob condições específicas. O único jeito de saber é ler a política antes de gravar.

E o detalhe desta página: aqui nenhum arquivo é gerado, então um audiobook publicável não sai desta rota; a publicação de narração pertence à versão em inglês, que é a que renderiza o arquivo. O que esta página te dá é a escuta: passar capítulos de ouvido e ver como seu texto adaptado soa antes de comprometer uma produção. Se a política do distribuidor permite voz sintética e você segue pela rota do arquivo, o ofício de acima se aplica igual: escreva para a voz, vá por seções e confira cada nome e cada número. Ficção longa é o caso mais difícil, porque a deriva se acumula por horas e porque o ouvinte espera consistência de voz por personagem ao longo do livro inteiro.

No iPhone e no Android

As pessoas buscam «transformar texto em áudio no iPhone» e a resposta é conhecimento geral do sistema, não esta página de navegador. Os sistemas operacionais móveis trazem um sintetizador de voz em nível de sistema e recursos de acessibilidade que leem o texto selecionado em voz alta.

No iOS, o sistema inclui um motor de voz acessível pelos ajustes de Acessibilidade; o texto selecionado pode ser lido em apps que suportam isso, e o app Atalhos pode produzir áudio a partir de texto como passo de uma automação. No Android, o motor de TTS do sistema fica disponível para qualquer app que o solicite, e o componente Google Text-to-Speech pode ler texto selecionado se você ativar isso nos ajustes de Acessibilidade.

O que dá para exportar dessas rotas móveis varia. Os recursos de leitura da acessibilidade foram desenhados para tocar no alto-falante, não para produzir um arquivo. E esta página localizada, que usa o motor de voz do navegador, faz exatamente o mesmo: escuta, não arquivo, também no navegador do celular. Se você precisa de um arquivo guardado, ou usa um app que exporte especificamente — com as capacidades daquele app — ou usa a versão em inglês desta ferramenta, que é a que renderiza o WAV baixável.

Não confie num guia que afirma o caminho exato de menu de uma versão específica do iOS ou um formato de exportação como se aquela interface nunca fosse mudar. Apple e Google reorganizam seus ajustes entre versões. O que é estável é o princípio: as duas plataformas sabem falar texto, nenhuma foi desenhada como fábrica de arquivos TTS, e esta página localizada é escuta pura.

A ferramenta do navegador: o que ela faz e o que te dá

A página de texto para fala do ToolHubNest nesta URL localizada não executa nenhum modelo neural: ela fala pela Web Speech API integrada do seu navegador, a mesma família de motor dos recursos de leitura da acessibilidade do sistema. Eis o que isso significa em concreto, e o que significa para o que você obtém no final.

O texto que você escreve é entregue ao motor speechSynthesis do navegador e sai falado pelas vozes que seu sistema operacional tem instaladas. Nenhum modelo é baixado, nada é enviado a um servidor, não há fila nem chamada de API. O áudio acontece ao vivo, no alto-falante, e acaba quando termina.

O seletor de idiomas oferece inglês (EUA), inglês (Reino Unido), espanhol, português e indonésio, e o que ele faz é fixar em que idioma a locução será lida; daí o sistema escolhe a voz que tiver para esse idioma. Que voz você ouve depende inteiramente do que estiver instalado no seu dispositivo: se não houver vozes para o idioma, você não ouvirá nele, e a página não pode acrescentar vozes que seu sistema não tem.

O controle de voz não oferece duas vozes gravadas distintas: a opção feminina/masculina desloca o tom da voz do sistema (mais agudo, 1.15, contra mais grave, 0.85). É mudança de pitch, não uma segunda voz.

Há um controle deslizante de velocidade que vai de 0.5× a 2× em passos de 0.05, e um botão Parar para cortar a leitura no meio. Ao terminar, a linha de resultado informa a contagem de palavras e o motor que falou.

Não há etapa de exportação nem modo em lote: o áudio toca uma vez e não é salvo; nenhum WAV ou MP3 é gerado para você baixar, e se produz uma passagem por vez que você aperta Gerar. Quem precisa do arquivo que se guarda, move e publica o tem na versão em inglês desta ferramenta.

O que não se promete aqui: nenhum número de qualidade, de latência ou de tamanho, porque não há modelo para medir; nenhuma garantia de que tudo funcione sem conexão (a própria página carrega fontes e scripts de CDN), e nenhum indício de que seus textos ou resultados sejam armazenados. É uma ferramenta de escuta única: você gera, ouve, segue.

• Motor: speechSynthesis do navegador (Web Speech API). Sem modelo, sem download.
• Vozes: as que seu sistema operacional tiver instaladas para o idioma escolhido; feminino/masculino é deslocamento de tom (1.15 / 0.85), não duas vozes.
• Saída: só reprodução ao vivo. Sem WAV, sem MP3, sem exportar arquivos. Sem envio de nada.
• Controles: velocidade de 0.5× a 2× em passos de 0.05, e botão Parar.
• Sem modo em lote: uma passagem por vez que você aperta Gerar.
• A opção Kokoro v1.0 do seletor vem marcada como indisponível aqui: nesta URL localizada quem fala é sempre a Web Speech; a versão com arquivo é a página em inglês.

Perguntas frequentes