Como usar a API de texto para fala para VTubers?

Por Equipe editorial VozCanta · Atualizado 2026-11-19

Esta página explica como integrar a API de texto para fala da VozCanta em fluxos de trabalho de VTubers e streamers. Você aprenderá a gerar áudio consistente para avatares, gerenciar múltiplos idiomas e automatizar a produção de conteúdo sem interrupções manuais.

O guia cobre desde a seleção de vozes licenciadas até a integração técnica via REST API, passando por formatos de áudio e custos previsíveis. Ideal para criadores que precisam de escalabilidade e precisão em transmissões ao vivo ou gravações.

Como usar a API de texto para fala para VTubers?

Perguntas frequentes

O que é texto para fala?

É uma API REST que converte texto em arquivos de áudio. Você envia uma requisição POST com o texto e recebe o arquivo de áudio pronto para uso. O endpoint principal é /v1/audio/speech, seguindo o formato JSON padrão, o que facilita a integração com ferramentas existentes.

Para que serve TTS em VTubers?

Permite gerar vozes consistentes para streams ao vivo e gravações. Você pode usar as 8 vozes pré-definidas para manter a identidade do personagem sem necessidade de gravação manual constante. A API aceita até 4096 caracteres por solicitação; textos maiores devem ser divididos manualmente ou por script pelo cliente.

Como escolher a voz certa?

Escolha entre 8 presets: ARIA, NOVA, LUNA, SAGE (femininas) ou FELIX, MILO, ATLAS, ORION (masculinas). Cada uma tem uma característica específica, como narradora ou noticiário. Consulte /v1/voices para ver as opções disponíveis e selecionar a que melhor se adapta ao seu conteúdo.

As vozes são licenciadas?

Sim. As vozes são baseadas em gravações licenciadas do LibriTTS-R (CC BY 4.0) e leituras de audiolivros de domínio público do LibriVox. Isso garante que o uso das vozes na sua produção esteja amparado por licenças claras, sem riscos de direitos autorais complexos.

Posso usar vozes em streams?

Sim. O áudio gerado pode ser utilizado em streams ao vivo e gravações. O arquivo final contém uma marca d'água inaudível que identifica o conteúdo como fala sintética, mas isso não impede o uso comercial ou em transmissões públicas.

Quais idiomas estão disponíveis?

São suportados 23 idiomas: Árabe, Chinês, Dinamarquês, Holandês, Inglês, Finlandês, Francês, Alemão, Grego, Hebraico, Hindi, Italiano, Japonês, Coreano, Malaio, Norueguês, Polonês, Português, Russo, Espanhol, Sueco e Turco. Qualquer voz pode falar qualquer um desses idiomas.

O que é detecção de idioma?

Se o campo 'language' não for definido, o sistema tenta adivinhar o idioma com base no script. Texto em latim padrão assume Inglês. Para outros idiomas em latim, defina 'language' explicitamente para evitar erros de pronúncia e garantir a precisão na fala.

Como funciona o pagamento?

O pagamento é feito via USDT na rede TRON (TRC-20). O mínimo é $5 e o crédito é adicionado automaticamente em minutos. Não há mensalidades, cartões ou faturas. O saldo não expira e você pode emitir uma nova chave a qualquer momento.

Qual o custo por minuto de áudio?

O custo é $10 por 1 milhão de caracteres. Com uma velocidade média de 25 caracteres por segundo, isso equivale a aproximadamente $0,40 por minuto de áudio gerado. O cálculo é baseado nos caracteres enviados, incluindo espaços e pontuação.

O áudio é armazenado?

Não. O áudio gerado é retornado na resposta da requisição e não é armazenado em nossos servidores. Apenas os metadados da solicitação (hora, caracteres, status) são mantidos para fins de faturamento e controle de uso da API.

Posso editar a velocidade?

Sim. O parâmetro 'speed' aceita valores entre 0.25 e 4.0. Isso permite acelerar ou desacelerar a fala conforme necessário para o ritmo da sua transmissão ou gravação, mantendo a clareza da voz selecionada dentro dos limites suportados.

O áudio tem marca d'água?

Sim. Cada arquivo de áudio gerado contém uma marca d'água inaudível que marca o conteúdo como fala sintética. Isso é feito automaticamente durante a síntese e não requer ação adicional sua para identificar a origem do áudio.

É necessário SDK específico?

Não. A API segue o formato de solicitação do endpoint de fala da OpenAI. Você pode usar HTTP padrão ou qualquer biblioteca HTTP que suporte JSON. Não há necessidade de baixar um SDK proprietário específico para utilizar o serviço.

Posso usar o SDK do OpenAI?

Sim. Você pode usar os SDKs oficiais da OpenAI, alterando apenas o 'base_url' para https://api.zbaj.info/v1 e utilizando sua chave de API. Isso permite reutilizar o código existente sem grandes adaptações na estrutura das requisições.

Qual o limite de caracteres?

Cada requisição pode conter até 4096 caracteres. Para textos mais longos, você deve dividi-los em partes e unir os arquivos de áudio resultantes. Isso garante que o processamento seja eficiente e que o limite de caracteres por chamada seja respeitado.

O que é tts-1-hd?

É um dos dois modelos disponíveis, junto com 'tts-1'. Ambos utilizam o mesmo motor de síntese e possuem o mesmo preço. A escolha entre eles não afeta o custo ou a velocidade de processamento.

Há suporte para streaming ao vivo?

Não há streaming de áudio em tempo real ou WebSocket. O serviço retorna o arquivo de áudio completo após o processamento. Para streams ao vivo, você deve gerar o áudio antecipadamente ou gerenciar o buffer localmente, pois não há suporte para áudio parcial.

Posso clonar minha voz?

Não oferecemos clonagem de voz personalizada. As vozes são fixas e baseadas em gravações licenciadas. Você não pode enviar uma amostra de áudio para criar uma nova voz personalizada. O catálogo de 8 vozes é fixo e disponível para todos os usuários.

Há clonagem de voz personalizada?

Não. A API não permite upload de amostras de voz para criação de vozes customizadas. O cliente utiliza apenas os 8 presets disponíveis. Não há recurso de design de voz ou clonagem para clientes individuais, mantendo o foco na escala e consistência.

Como contato o suporte?

O suporte é realizado exclusivamente por e-mail. Não há número de telefone, chat ao vivo ou SLA garantido. Para dúvidas sobre uso, faturamento ou技术问题, envie uma mensagem para o endereço de suporte indicado no site.

Introdução ao TTS para streams

Ilustração de onda sonora para: Introdução ao TTS para streams

A API de texto para fala converte texto em arquivos de áudio via endpoint JSON, oferecendo uma solução técnica para streamers e VTubers que necessitam de geração de conteúdo em escala. O serviço opera como um mecanismo de produção de voz consistente, permitindo o uso de vozes licenciadas em transmissões ao vivo e gravações.

Para criadores de conteúdo, a integração via API elimina a necessidade de estúdios físicos, fornecendo áudio pronto para uso imediato. A estrutura permite a automatização de diálogos e narrações, garantindo que o fluxo de trabalho de produção seja contínuo e previsível, sem a dependência de gravações manuais para cada peça de conteúdo.

Definição de TTS

O Text-to-Speech (TTS) é um serviço de API onde se envia texto e recebe um arquivo de áudio. A interface segue o padrão JSON, compatível com SDKs oficiais, facilitando a integração técnica em softwares de streaming ou ferramentas de produção.

O sistema aceita entradas de até 4096 caracteres por solicitação, processando-as para gerar áudio em formatos como MP3, WAV ou OPUS. Cada requisição resulta em um arquivo de áudio distinto, pronto para ser inserido na linha de áudio do streamer.

  • Endpoint POST para envio de texto
  • Retorno de arquivo de áudio em formato selecionado
  • Compatibilidade com SDKs padrão da indústria

Uso em VTubers

VTubers utilizam a API para manter a consistência da voz do avatar durante transmissões longas ou gravações de vídeos. As vozes disponíveis, baseadas em gravações licenciadas, oferecem timbres distintos que ajudam na identificação da marca pessoal do criador.

A escolha entre vozes femininas e masculinas permite variar os personagens ou manter um padrão auditivo específico. A marca d'água sintética identifica o áudio como gerado por IA, o que é relevante para a transparência do conteúdo gerado.

  • Vozes consistentes para avatares
  • Uso em streams ao vivo e gravações
  • Identificação clara do conteúdo sintético

Automação de conteúdo

A automação é alcançada através da integração programática. Scripts podem enviar grandes volumes de texto para a API, receber os arquivos de áudio e integrá-los diretamente ao software de transmissão ou editor de vídeo, reduzindo o tempo de produção manual.

O fluxo automatizado permite que criadores gerem narrativas ou diálogos sem precisar estar presente durante a gravação vocal. Isso é especialmente útil para canais que necessitam de alta frequência de posts ou transmissões de longa duração com diálogos estruturados.

  • Integração via script ou API
  • Geração em massa de áudio
  • Redução do tempo de produção manual

Escolha de vozes para avatares

Ilustração de onda sonora para: Escolha de vozes para avatares

A API oferece oito vozes pré-definidas, divididas entre perfis femininos e masculinos, projetadas para atender a diferentes arquétipos de avatares. Cada voz possui uma característica acústica distinta, permitindo a criação de personagens com identidades sonoras consistentes.

Vozes femininas

As opções femininas incluem Aria (narradora clara), Nova (energia positiva), Luna (narração suave) e Sage (instrucional). Essas vozes são adequadas para avatares que exigem clareza na dicção ou tons mais suaves para storytelling.

Bulleted list: - Aria: narrativa clara e direta. - Nova: tom vibrante e otimista. - Luna: narração suave e envolvente. - Sage: tom instrucional e calmo.

  • Aria: narrativa clara e direta.
  • Nova: tom vibrante e otimista.
  • Luna: narração suave e envolvente.
  • Sage: tom instrucional e calmo.

Vozes masculinas

As vozes masculinas disponíveis são Felix (energético), Milo (conversacional), Atlas (neutro) e Orion (documentário). Atlas é ideal para notícias ou apresentações neutras, enquanto Orion se destaca para conteúdos mais profundos.

Bulleted list: - Felix: energético e promocional. - Milo: conversacional e amigável. - Atlas: neutro e jornalístico. - Orion: profundo e documental.

  • Felix: energético e promocional.
  • Milo: conversacional e amigável.
  • Atlas: neutro e jornalístico.
  • Orion: profundo e documental.

Consistência de marca

Cada voz é baseada em gravações licenciadas (LibriTTS-R e LibriVox), garantindo qualidade auditiva e direitos claros para uso comercial. A consistência na escolha da voz ajuda a manter a identidade do seu VTuber em todas as gerações de áudio.

Não há clonagem personalizada de voz disponível. Você deve selecionar uma das oito preset disponíveis para manter a coerência do seu projeto.

Linguagens suportadas

Ilustração de onda sonora para: Linguagens suportadas

O serviço oferece suporte nativo para 23 idiomas, incluindo inglês, japonês, coreano, português e espanhol. Qualquer voz pode pronunciar qualquer um desses idiomas, permitindo que criadores de conteúdo multilíngues mantenham a consistência acústica entre diferentes versões de seus streams ou vídeos gravados.

23 idiomas disponíveis

As linguagens suportadas são: árabe, chinês, dinamarquês, holandês, inglês, finlandês, francês, alemão, grego, hebraico, hindi, italiano, japonês, coreano, malaio, norueguês, polonês, português, russo, espanhol, sueco e turco. Idiomas como vietnamita, indonésio, tailandês e ucraniano não estão disponíveis.

  • Árabe, Chinês, Dinamarquês, Holandês, Inglês, Finlandês, Francês, Alemão, Grego, Hebraico, Hindi, Italiano, Japonês, Coreano, Malaio, Norueguês, Polonês, Português, Russo, Espanhol, Sueco, Turco

Detecção automática

Se o campo language não for especificado, o sistema detecta o idioma com base no script do texto. Textos em latim são considerados inglês por padrão. Para textos em outras línguas escritas em latim, é recomendável definir o idioma manualmente para evitar erros de pronúncia.

Configuração manual

Especificar o código ISO do idioma no corpo da requisição garante a pronúncia correta, especialmente para textos em línguas não inglesas que utilizam alfabeto latino. Isso evita que o sintetizador assuma erroneamente o idioma padrão.

Geração de áudio em lote

Ilustração de onda sonora para: Geração de áudio em lote

A API aceita textos de até 4.096 caracteres por solicitação. Para roteiros de streams ou gravações VTuber que excedem esse limite, o fluxo de trabalho exige a divisão manual ou programática do texto em partes menores antes do envio para o endpoint de síntese.

Texto longo dividido

Cada segmento deve respeitar o limite de 4.096 caracteres, incluindo espaços e pontuação. O cliente é responsável por segmentar o texto mantendo a coerência narrativa entre as partes enviadas em solicitações sequenciais.

  • Limite de 4.096 caracteres por requisição

Juntar arquivos de áudio

Após a síntese de cada segmento, os arquivos de áudio resultantes devem ser concatenados pelo usuário para formar o arquivo final. A API retorna cada parte individualmente; a junção ocorre na infraestrutura do criador.

Eficiência de produção

O processamento é sequencial, o que significa que solicitações subsequentes podem aguardar na fila se houver demanda. Para textos longos, o tempo total de geração aproxima-se do tempo real da fala, permitindo planejamento preciso de orçamentos e workflows de pós-produção.

  • Processamento sequencial sujeito a fila

Qualidade e licenciamento

Ilustração de onda sonora para: Qualidade e licenciamento

O áudio gerado utiliza vozes baseadas em gravações licenciadas do LibriTTS-R (CC BY 4.0), originárias de leituras de audiolivros de domínio público no LibriVox. Isso garante que a fonte vocal seja legalmente segura para uso em streams e gravações, sem riscos de direitos autorais sobre a performance em si.

Vozes licenciadas

Cada uma das oito vozes disponíveis (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) deriva diretamente desses bancos de dados licenciados. A estrutura vocal é consistente e profissional, adequada para a manutenção de personagens VTubers ou narração de streams.

Marca d'água sintética

Cada arquivo de áudio gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso permite a verificação da origem do áudio, diferenciando-o de gravações humanas ou de outras fontes, sem impactar a qualidade perceptível pelo ouvinte.

Uso comercial

O uso das vozes licenciadas permite a geração de áudio para fins comerciais, incluindo streams monetizados e vídeos para plataformas como YouTube e Twitch. O texto enviado não é utilizado para treinamento dos modelos, garantindo a privacidade do conteúdo criado.

Integração técnica

Ilustração de onda sonora para: Integração técnica

O endpoint POST https://api.zbaj.info/v1/audio/speech recebe texto e retorna áudio. O formato da requisição JSON é idêntico ao da API de fala da OpenAI, garantindo compatibilidade imediata com bibliotecas padrão do mercado.

API REST

Envie um JSON com os campos model, input, voice, response_format e speed. A autenticação ocorre via cabeçalho Authorization: Bearer tts-.... O servidor retorna o arquivo de áudio diretamente na resposta.

SDK OpenAI

Utilize os SDKs oficiais da OpenAI, ajustando apenas o parâmetro base_url para https://api.zbaj.info/v1. Isso permite reutilizar código existente sem necessidade de adaptações complexas na lógica de chamada da API.

Automação via script

Scripts Python ou Bash podem consumir a API para gerar áudios em lote. Para textos longos, divida o texto em partes de até 4096 caracteres, processe cada parte e junte os arquivos resultantes.

Formatos para streaming

Ilustração de onda sonora para: Formatos para streaming

A escolha do formato de áudio impacta diretamente a estabilidade da transmissão e a qualidade do VOD. A API oferece MP3, WAV e OPUS, atendendo a diferentes necessidades de largura de banda e fidelidade.

O WAV é o padrão para gravações de alta fidelidade, enquanto o OPUS garante eficiência em transmissões ao vivo. O MP3 reduz o tamanho do arquivo para conexões menos estáveis.

MP3 leve

O formato MP3 reduz o tamanho do arquivo. Este formato é recomendado para streams em plataformas com restrições de upload ou para usuários com conexões de internet menos estáveis.

WAV alta qualidade

O WAV oferece áudio sem perda de qualidade. É a escolha padrão para gravações de alta fidelidade ou quando a latência não é crítica. Ideal para VTubers que priorizam a clareza vocal em seus VODs e produções postadas posteriormente.

OPUS eficiente

O formato OPUS combina alta eficiência de compressão com excelente qualidade. Recomendado para streams em tempo real onde a estabilidade da conexão é crucial, garantindo que o áudio chegue ao público sem interrupções.

Formatos para streaming

Velocidade de geração

Ilustração de onda sonora para: Velocidade de geração

A geração de áudio opera em velocidade aproximadamente real, gerando cerca de 25 caracteres de texto por segundo de áudio produzido. Para frases curtas, o tempo de resposta pode variar devido à inicialização do motor, enquanto textos longos mantêm uma taxa de conversão constante e previsível.

Tempo real aproximado

O motor processa texto a uma taxa média de 25 caracteres por segundo. Isso significa que 10.000 caracteres geram aproximadamente 400 segundos de áudio. A latência inicial é mínima, mas varia conforme a carga do servidor.

Processamento sequencial

Cada solicitação é processada individualmente, uma após a outra. Não há paralelismo agressivo para solicitações isoladas. Se o servidor estiver ocupado, sua requisição aguarda na fila antes de iniciar a síntese.

Fila de espera

Em momentos de alta demanda, as requisições podem sofrer atrasos significativos. O limite de 60 requisições por minuto por chave é rigoroso. Exceder esse limite resulta em erro, sem cobrança, mas com perda de tempo de produção.

  • Limite: 60 req/min/chave
  • Carregamento inicial: 10 req/min

Custos para criadores

Ilustração de onda sonora para: Custos para criadores

O modelo de precificação é baseado em consumo, cobrando US$ 10 por milhão de caracteres processados, o que equivale a US$ 0,01 por 1.000 caracteres. Espaços e pontuação contam como caracteres. Solicitações falhas não geram cobrança, com o valor sendo estornado integralmente.

Pagamento por uso

Não há planos mensais fixos, assentos ou gastos mínimos. O pagamento é realizado exclusivamente via USDT na rede TRON (TRC-20), com depósito mínimo de US$ 5. O saldo é creditado automaticamente em poucos minutos e não expira.

  • Sem taxas de cartão ou PayPal
  • Saldo sem validade

Cálculo de caracteres

O custo é diretamente proporcional ao tamanho do texto enviado. Como cada request aceita até 4.096 caracteres, textos longos são divididos em lotes, e o custo total é a soma das partes processadas com sucesso.

Orçamento previsível

Criadores podem calcular o custo exato antes da geração. Com uma taxa fixa por caractere, é possível estimar o custo de um script de 10 minutos com precisão, facilitando o controle financeiro para streams recorrentes.

Pós-produção de áudio

Ilustração de onda sonora para: Pós-produção de áudio

O áudio gerado é entregue como arquivo completo, permitindo edição tradicional em DAWs. Cada solicitação retorna um arquivo estático que pode ser cortado ou ajustado fora do fluxo de geração.

Edição de arquivos

Como o formato é estático, você pode usar qualquer editor de áudio para remover pausas ou silêncios indesejados. Isso garante precisão no timing da transmissão ao vivo.

Mudança de velocidade

A API permite ajustar a velocidade entre 0.25 e 4.0 durante a geração. Para ajustes finos pós-geração, use ferramentas de edição padrão sem alterar a entonação base.

Composição final

Combine múltiplas faixas geradas para criar diálogos ou narrativas complexas. A consistência das vozes licenciadas facilita a mistura das faixas em uma única trilha de áudio.

Suporte e documentação

Ilustração de onda sonora para: Suporte e documentação

O acesso à documentação completa está disponível na página /docs/, onde são detalhados os parâmetros de requisição, formatos de resposta e limites de taxa de 60 solicitações por minuto. A estrutura segue o padrão da API de speech, facilitando a integração técnica imediata.

Exemplos práticos de código, incluindo comandos cURL prontos para uso, são fornecidos para demonstrar a geração de áudio. A autenticação utiliza o cabeçalho Bearer com a chave da conta, garantindo que o texto seja processado conforme as especificações técnicas publicadas.

Documentação técnica

A documentação técnica lista todos os endpoints e campos obrigatórios, como model, input e voice. Ela descreve exatamente como formatar o JSON para a URL https://api.zbaj.info/v1/audio/speech, incluindo os limites de 4096 caracteres por solicitação e os formatos de áudio suportados.

  • Referência completa de parâmetros e respostas JSON
  • Especificação dos formatos de áudio (mp3, wav, opus, flac, pcm)
  • Detalhes sobre limites de taxa e autenticação Bearer

Exemplos de código

São fornecidos exemplos práticos de integração, permitindo que criadores copiem e ajustem rapidamente scripts para suas pipelines de streaming. O uso do SDK oficial da OpenAI com base_url alterado é um método recomendado para automatização.

  • Comandos cURL prontos para geração de áudio
  • Exemplos de integração com SDKs OpenAI
  • Configuração de autenticação e envio de dados

Suporte por e-mail

O suporte técnico é realizado exclusivamente por e-mail, sem número de telefone ou chat ao vivo. Para questões relacionadas à API, contas ou faturamento, os usuários devem enviar uma mensagem diretamente através dos canais indicados na página de contato.

Limitações da API

Ilustração de onda sonora para: Limitações da API

A API processa solicitações de forma sequencial, o que significa que não há streaming de áudio em tempo real nem entrega de áudio parcial. Para streams ao vivo, é necessário gerar o arquivo completo antes da transmissão.

Nem SSML nem clonagem personalizada estão disponíveis. O sistema não interpreta marcações de áudio avançadas e não permite a criação de vozes personalizadas a partir de gravações do usuário, mantendo o foco na estabilidade e escalabilidade.

Sem streaming em tempo real

O endpoint retorna o arquivo de áudio completo apenas após a síntese terminar. Não há conexão WebSocket ou entrega de chunks parciais. Isso exige que scripts de automação aguartem a resposta antes de encadear o áudio ao fluxo de transmissão da stream.

  • Processamento sequencial sob carga
  • Tempo de resposta variável
  • Nenhum áudio parcial disponível

Sem SSML

A API não interpreta marcações SSML para controle fino de prosódia, pausas ou ênfase. A entonação segue as configurações padrão da voz selecionada. Para ajustes finos, a edição deve ser feita na pós-produção do arquivo gerado.

Sem clonagem personalizada

Não há opção de fazer upload de uma amostra de voz para clonagem. O catálogo limita-se às 8 vozes pré-configuradas (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion). Isso evita inconsistências e mantém os custos previsíveis para criadores.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Isso garante que a base de áudio utilizada para a síntese possua licenças claras e verificáveis para uso comercial.

Avatar da voz aria
ariafeminino
Avatar da voz nova
novafeminino
Avatar da voz luna
lunafeminino
Avatar da voz sage
sagefeminino
Avatar da voz felix
felixmasculino
Avatar da voz milo
milomasculino
Avatar da voz atlas
atlasmasculino
Avatar da voz orion
orionmasculino

23 idiomas

Qualquer voz fala qualquer um desses idiomas.

Fontes e leituras adicionais

  1. Wikipedia
  2. openai-python on GitHub
  3. Tether (USDT)
  4. openai-node on GitHub
  5. LibriTTS-R corpus (OpenSLR 141)
  6. curl documentation
  7. W3C WAI: making audio and video accessible
  8. TRON developer hub: TRC-20
  9. Node.js documentation
  10. FFmpeg documentation
  11. OpenAI API reference: create speech
  12. Creative Commons Attribution 4.0

Mais neste site