Como funciona a API de texto para fala com IA?

Por Equ editorial Spinaudio · Atualizado 2026-11-19

Esta página explica o funcionamento técnico da API de texto para fala do Spinaudio, focada em educadores e criadores de cursos. Você verá como enviar seus materiais didáticos e receber arquivos de áudio prontos para uso em plataformas LMS.

Entenda o fluxo completo: desde o envio do JSON autenticado até o retorno do arquivo de áudio. Abordamos integração, controle de velocidade, vozes disponíveis e tratamento de erros, com exemplos práticos para você implementar com clareza e eficiência.

Como funciona a API de texto para fala com IA?

Perguntas frequentes

O que é uma API de texto para fala?

É um serviço em nuvem onde você envia texto e recebe um arquivo de áudio. Basta enviar uma requisição POST para o endpoint da API com o texto e as configurações desejadas. É uma solução técnica, sem interface visual, focada em integração direta com seus sistemas ou plataformas LMS.

Como o texto é convertido em áudio?

Você envia o texto via JSON para o endpoint /v1/audio/speech. O sistema processa a solicitação e retorna o arquivo de áudio no formato escolhido (mp3, wav, opus, flac ou pcm). O texto é limitado a 4096 caracteres por requisição, sendo necessário dividir textos maiores.

Preciso de conhecimento técnico para usar?

Sim, pois é uma API REST. Você precisa enviar requisições HTTP com o corpo JSON adequado e autenticar com um token Bearer. Se usar o SDK da OpenAI, basta alterar a URL base. Não há interface gráfica, apenas código e integração técnica.

O áudio é gerado na hora?

Sim, o áudio é gerado sob demanda. O tempo varia: textos longos geram cerca de 25 caracteres de texto por segundo de áudio. Em picos de uso, as requisições podem aguardar na fila. Não há streaming; o arquivo completo é retornado apenas após a síntese terminar.

Posso usar a API em um site WordPress?

Não oferecemos plugin oficial para WordPress. Você pode integrar usando o SDK da OpenAI ou requisições HTTP diretas do seu tema ou plugin personalizado. Basta configurar a URL base da API e usar sua chave de autenticação nas chamadas de código.

A API suporta SSML?

Não. A API aceita apenas texto simples no campo 'input'. Não há suporte para marcação SSML, tags de emoção ou controle fino de pronúncia. A entonação segue as configurações padrão da voz selecionada e da velocidade definida.

Qual o formato do arquivo retornado?

Você escolhe o formato na requisição: mp3, wav, opus, flac ou pcm. O arquivo é retornado no corpo da resposta HTTP. Escolha mp3 para compatibilidade geral ou wav/flac para alta qualidade sem perda de compressão.

Posso ouvir o áudio no navegador?

Sim, se o formato for mp3, wav ou opus, navegadores modernos reproduzem nativamente. Para pcm, você precisará de um player específico ou converter o arquivo. O áudio é retornado como binário na resposta da API.

Como funciona a autenticação?

Use o cabeçalho 'Authorization: Bearer tts-...' com sua chave única. Cada conta tem uma chave ativa. Se você gerar uma nova, a anterior é invalidada imediatamente. A chave é obtida na página /get-api-key/ após o cadastro.

O que acontece se a internet cair?

Se a conexão falhar durante o envio, você receberá um erro e não será cobrado.

Existe limite de tamanho de arquivo?

O limite é de 4096 caracteres de texto por requisição. O tamanho do arquivo de áudio depende da duração e do formato. Para textos maiores, divida-o em partes, gere cada áudio e junte os arquivos no seu sistema.

Posso salvar o áudio localmente?

Sim. O áudio é retornado na resposta HTTP e você pode gravá-lo no seu servidor ou dispositivo. Não armazenamos os arquivos gerados; eles são entregues apenas durante a transferência. Você é responsável por guardar suas cópias.

A API funciona em tempo real?

Não oferece streaming ou áudio parcial. A síntese é processada e o arquivo completo é retornado ao final. O tempo varia conforme o texto, sendo mais rápido para frases curtas e mais lento para textos longos.

Posso misturar vozes em um único arquivo?

A API gera um arquivo por requisição com uma única voz. Para misturar vozes, você deve gerar arquivos separados para cada trecho e usá-los em um editor de áudio externo para combiná-los antes ou depois do uso.

Como saber o custo de uma requisição?

O custo é $0,01 por 1.000 caracteres. O cálculo é baseado no tamanho do texto enviado. Requisições falhas são gratuitas. Consulte o saldo e o uso na página /get-api-key/ para acompanhar os gastos em tempo real.

O áudio tem marca d'água?

Sim. Todos os arquivos gerados contêm uma marca d'água inaudível que identifica o áudio como fala sintética. Isso é aplicado automaticamente em todas as sínteses, independentemente da voz ou formato escolhido.

Posso usar a API em aplicativos móveis?

Sim, você pode integrar a API em apps móveis via requisições HTTP ou SDKs compatíveis. Não oferecemos um SDK específico para mobile, mas a integração via HTTP funciona em iOS e Android.

Há suporte para múltiplos idiomas?

Sim, suportamos 23 idiomas, incluindo português, inglês, espanhol e japonês. Qualquer voz pode falar qualquer um dos idiomas suportados. Defina o parâmetro 'language' se o texto não estiver em inglês para garantir a pronúncia correta.

Como atualizo a chave da API?

Acesse a página /get-api-key/ e gere uma nova chave. A chave antiga é invalidada imediatamente. Isso é útil para segurança ou renovação periódica. Você deve atualizar o token 'Bearer' em suas integrações para usar a nova chave.

O serviço tem garantia de disponibilidade?

Não. Não oferecemos SLA, contrato empresarial ou garantia de uptime. O serviço pode sofrer variações de performance, especialmente sob carga. Recomendamos implementar lógica de retry em suas integrações para lidar com possíveis instabilidades temporárias.

Solicitação de síntese

Ilustração de onda sonora para: Solicitação de síntese

A API de síntese de voz do Spinaudio opera por meio de uma simples requisição POST para o endpoint https://api.spinaud.info/v1/audio/speech. Você envia o texto a ser convertido em um corpo JSON que segue o mesmo formato utilizado pela API de speech da OpenAI, permitindo o uso dos SDKs oficiais apenas com a alteração do base_url.

O sistema aceita textos de até 4096 caracteres por solicitação. Para materiais didáticos mais longos, a estratégia recomendada é dividir o conteúdo em partes menores, gerar o áudio de cada segmento e unir os arquivos resultantes. Isso garante que a síntese seja processada corretamente sem perda de qualidade.

Envio do texto JSON

Para iniciar a conversão, você deve enviar uma requisição POST contendo os parâmetros model, input, voice e response_format. O campo input recebe o texto bruto (com espaços e pontuação) que será transformado em áudio. O modelo tts-1 ou tts-1-hd define a qualidade, enquanto o formato de saída pode ser mp3, wav, opus, flac ou pcm.

Autenticação com Bearer

A segurança da sua chave de API é garantida pelo cabeçalho Authorization: Bearer tts-.... Cada conta possui uma chave ativa por vez. Caso precise revogar ou substituir sua chave, uma nova chave emitida invalida imediatamente a anterior, prevenindo acessos não autorizados aos seus créditos e dados de uso.

Validação de tamanho

Cada requisição é limitada a 4096 caracteres. Textos excedentes devem ser fragmentados antes do envio. O sistema não aceita chamadas com texto maior que esse limite, retornando um erro de validação. Isso permite um controle preciso do consumo de caracteres e dos custos associados à geração de cada áudio.

Processamento no servidor

Ilustração de onda sonora para: Processamento no servidor

Após receber sua solicitação, nosso servidor valida os parâmetros e seleciona o motor de síntese adequado. Você pode escolher entre "tts-1" ou "tts-1-hd", ambos utilizando o mesmo engine e preço, garantindo consistência na qualidade do áudio gerado.

O texto é processado para criar o arquivo de áudio final. Para textos longos, a estratégia recomendada é dividir o conteúdo em partes de até 4096 caracteres, gerar o áudio de cada segmento e unir os arquivos resultantes.

Seleção do modelo

A escolha entre "tts-1" e "tts-1-hd" determina apenas a qualidade do motor, sem alterar o preço ou a lógica de processamento. Ambos utilizam a mesma base tecnológica para garantir que seus materiais didáticos tenham clareza audível.

Geração de áudio

O servidor processa o texto enviado, convertendo os caracteres em ondas sonoras sintéticas. O tempo de geração é de aproximadamente 25 caracteres de texto por segundo de áudio para textos longos.

Para frases curtas, o processo pode levar alguns segundos adicionais devido à inicialização do motor. Cada arquivo gerado recebe uma marca d'água inaudível que identifica o conteúdo como fala sintética.

Fila de processamento

As requisições são processadas sequencialmente. Sob alta demanda, sua solicitação pode aguardar na fila antes de iniciar a síntese. Isso garante a estabilidade do serviço, mas pode aumentar levemente o tempo de resposta em picos de uso.

Não há limite rígido de filas, mas a velocidade média é calculada com base no tempo real de geração. Planeje o envio de grandes volumes de aulas considerando essa latência natural.

Retorno do arquivo

Ilustração de onda sonora para: Retorno do arquivo

Após o processamento, o servidor retorna o arquivo de áudio diretamente na resposta, sem necessidade de polling. O conteúdo é entregue no formato solicitado, pronto para ser reproduzido ou armazenado localmente na plataforma LMS.

Download do arquivo

O arquivo é entregue como corpo da resposta HTTP. Você pode salvá-lo diretamente no servidor ou reproduzi-lo em tempo real. O áudio gerado é retornado na resposta e não é armazenado em nossos servidores.

Cabeçalhos HTTP

A resposta inclui cabeçalhos padrão que indicam o tipo de conteúdo (Content-Type) e a codificação. Verifique sempre o status code para confirmar o sucesso da operação antes de processar o binário.

Formatos suportados

Você pode escolher entre mp3, wav, opus, flac ou pcm. O mp3 é recomendado para web devido ao equilíbrio entre qualidade e tamanho. O wav oferece alta fidelidade sem compressão, ideal para edições.

  • mp3: padrão web, leve
  • wav: alta fidelidade, sem compressão
  • opus: compactação eficiente
  • flac: qualidade sem perda
  • pcm: áudio bruto não comprimido

Tratamento de erros

Ilustração de onda sonora para: Tratamento de erros

Entender como a API responde quando algo sai do esperado é essencial para uma integração estável. O tratamento de erros do Spinaudio segue padrões REST claros, garantindo que você saiba exatamente quando e por que uma geração falhou.

Requisições falhas

Se a síntese não for concluída por algum motivo técnico, o valor é devolvido integralmente. Você não paga por áudio que não foi gerado com sucesso, mantendo seu crédito intacto para novas tentativas.

Limite de caracteres

Cada solicitação aceita no máximo 4.096 caracteres. Textos maiores devem ser divididos manualmente em partes menores e unidos posteriormente para garantir a coerência do áudio final.

Chave inválida

Se a chave de API estiver incorreta ou expirada, a resposta indica erro de autenticação. Basta gerar uma nova chave na página /get-api-key/ para retomar o uso imediato.

Integração técnica

Ilustração de onda sonora para: Integração técnica

O endpoint principal aceita requisições POST em JSON, seguindo o formato padrão da API de speech. Basta enviar o texto, o modelo e a voz desejada para receber o arquivo de áudio gerado.

API REST padrão

A integração é feita via HTTP, sem necessidade de bibliotecas proprietárias. Envie os dados em formato JSON para o endpoint v1/audio/speech e receba o arquivo de áudio diretamente na resposta.

  • Endpoint: POST https://api.spinaud.info/v1/audio/speech
  • Formato de entrada: JSON
  • Autenticação: Header Authorization: Bearer

SDKs compatíveis

Como a estrutura de requisição é idêntica à da OpenAI, você pode utilizar os SDKs oficiais deles. Basta alterar o base_url para https://api.spinaud.info/v1 e usar sua chave API.

Armazenamento local

O arquivo de áudio é retornado na resposta e não é armazenado em nossos servidores. Você pode salvá-lo localmente ou enviar direto para sua plataforma LMS, mantendo controle total sobre os dados.

Controle de velocidade

Ilustração de onda sonora para: Controle de velocidade

O parâmetro speed permite ajustar a velocidade da síntese de voz, variando de 0.25 a 4.0. Isso oferece controle direto sobre a cadência da fala gerada pela API.

Ajustar a velocidade é útil para adaptar o conteúdo didático ao nível de compreensão dos alunos, garantindo clareza e acessibilidade sem complicações técnicas.

Parâmetro speed

Defina a velocidade enviando o campo speed no corpo da requisição JSON. O valor padrão é 1.0, mantendo a cadência natural da voz selecionada.

Range 0.25 a 4.0

O intervalo permitido varia de 0.25 (muito lento) a 4.0 (muito rápido). Valores fora dessa faixa retornarão erro na validação da requisição.

Ajuste fino

Para materiais didáticos complexos, reduzir a velocidade ajuda na compreensão. Para resumos rápidos, aumentar a agilidade é mais eficiente. Teste diferentes valores com seu conteúdo.

Gerenciamento de vozes

Ilustração de onda sonora para: Gerenciamento de vozes

A API oferece oito vozes pré-definidas, divididas entre quatro masculinas e quatro femininas, cada uma com uma personalidade distinta para diferentes contextos didáticos. Você pode escolher entre vozes mais neutras, como Atlas para notícias, ou mais envolventes, como Luna para histórias, garantindo que o áudio se adapte ao estilo do seu curso.

Lista de vozes

As vozes disponíveis são: Aria, Nova, Luna e Sage (femininas), e Felix, Milo, Atlas e Orion (masculinas). Cada voz possui características acústicas únicas, como tom e ritmo, projetadas para diferentes tipos de conteúdo, desde narrações calmas até promoções energéticas.

  • Aria: narradora clara e quente
  • Nova: vibrante e animada
  • Luna: suave e contadora de histórias
  • Sage: calma e instrucional
  • Felix: energética e promocional
  • Milo: amigável e conversacional
  • Atlas: neutra e jornalística
  • Orion: profunda e documental

Compatibilidade

Qualquer uma das oito vozes pode falar em qualquer um dos 23 idiomas suportados, incluindo português, inglês, espanhol e japonês. Não há restrição de voz por idioma, permitindo que você mantenha a consistência do seu personagem ou narrador, independentemente do idioma do material didático.

Seleção dinâmica

Você define a voz desejada no campo voice da requisição JSON. Para garantir a pronúncia correta, especialmente em textos em latim que não são inglês, defina o parâmetro language explicitamente. A escolha pode ser alterada a cada requisição, permitindo misturar vozes no mesmo projeto.

Gerenciamento de vozes

Monitoramento de uso

Ilustração de onda sonora para: Monitoramento de uso

O monitoramento de uso no Spinaudio é transparente e direto, focado no controle preciso dos seus recursos. Cada caractere enviado, incluindo espaços e pontuação, é contabilizado para o cálculo do custo, garantindo que você saiba exatamente o que está pagando.

Com o saldo visível no painel, você evita surpresas na fatura. A interface mostra o saldo restante e o histórico, permitindo que você ajuste o volume de produção conforme o orçamento da sua plataforma LMS ou curso.

Contagem de caracteres

O sistema conta cada caractere da entrada para determinar o valor devido. Como o preço é $10 por 1 milhão de caracteres, pequenas variações no texto refletem diretamente no custo final.

Textos longos são divididos internamente, mas a contagem total é consolidada para sua visão única.

  • Espaços e pontuação contam como caracteres
  • Limite de 4.096 caracteres por requisição

Log de requisições

Cada solicitação gera um registro com data, hora, status e caracteres consumidos. Esses logs ajudam a auditar o uso e identificar gargalos na geração.

Se uma síntese falhar, o registro mostra o erro, mas sem cobrança, permitindo que você reenvie o texto sem custo.

Relatórios de custo

Seu painel exibe o saldo atual e o histórico de recargas via USDT. Não há faturas complexas com IVA ou mensalidades fixas.

Você paga apenas pelo que usar, com controle total sobre quando realizar novas recargas para continuar produzindo áudio.

Exemplos de código

Ilustração de onda sonora para: Exemplos de código

Implementar a geração de áudio no seu LMS é direto. Utilize o formato JSON padrão para enviar texto e receber o arquivo de áudio instantaneamente.

Os exemplos abaixo mostram como integrar rapidamente, seja via linha de comando, script Python ou requisição HTTP direta.

Solicitação básica

A estrutura JSON é idêntica à da API de speech da OpenAI. Envie o texto no campo input, escolha o model e a voice desejada.

  • Endpoint: POST https://api.spinaud.info/v1/audio/speech
  • Body: JSON com model, input, voice, response_format

Uso com Python

Use a biblioteca openai padrão. Basta alterar o base_url para https://api.spinaud.info/v1 e inserir sua chave API no header.

  • Instale: pip install openai
  • Configure base_url para o domínio da Spinaudio

Uso com cURL

A forma mais rápida de testar é via terminal. Substitua SUA_CHAVE pela sua chave de API e execute a requisição POST.

  • Use curl para enviar JSON e salvar o áudio em disco

Segurança da conexão

Ilustração de onda sonora para: Segurança da conexão

A comunicação entre sua plataforma e a Spinaudio é protegida por HTTPS, garantindo que seus textos didáticos cheguem ao servidor de forma segura.

Essa camada de segurança é fundamental para manter a integridade dos seus materiais em trânsito, especialmente quando integrados a sistemas LMS que processam dados sensíveis dos alunos.

HTTPS obrigatório

Todas as requisições à API devem ser feitas via HTTPS, garantindo que os dados não possam ser interceptados ou alterados durante o transporte.

O uso do protocolo seguro é padrão nas URLs de base e nas respostas, assegurando a confidencialidade da sua integração.

  • URLs sempre iniciam com https://

Chave no header

Sua chave de API (Bearer token) é enviada no cabeçalho de autenticação, mantendo a credencial separada dos parâmetros de texto e voz.

Essa prática reduz o risco de exposição acidental em logs ou URLs, protegendo seu acesso exclusivo à geração de áudio.

Dados não expostos

O texto enviado é processado exclusivamente para a síntese e não é utilizado para treinar nossos modelos de IA.

O áudio gerado é retornado na resposta imediata e não fica armazenado em nossos servidores após o envio, preservando a privacidade do conteúdo dos seus cursos.

Latência de resposta

Ilustração de onda sonora para: Latência de resposta

A velocidade de geração varia conforme o volume de texto e a carga do servidor. Em geral, o processamento ocorre em tempo aproximadamente real, gerando cerca de 25 caracteres de texto por segundo de áudio para textos longos. Frases curtas podem levar alguns segundos adicionais para serem finalizadas.

A latência não é garantida, pois as requisições são processadas sequencialmente. Em períodos de alta demanda, sua solicitação pode entrar em uma fila de espera até que o servidor esteja disponível para processar o áudio.

Tempo de geração

O tempo de processamento depende da complexidade da síntese e da velocidade da internet. Textos longos são gerados em tempo aproximadamente real (cerca de 25 caracteres por segundo de áudio), enquanto frases curtas podem levar alguns segundos.

Textos muito curtos podem apresentar latência fixa mínima, enquanto textos maiores seguem a proporção de 25 caracteres por segundo, sem variações drásticas de formato.

  • ~25 caracteres processados por segundo de áudio

Fila de processamento

Como as requisições são atendidas uma após a outra, picos de uso podem aumentar o tempo de resposta. Se houver muitas solicitações simultâneas, sua API entrará em uma fila até ser processada.

Essa característica garante que cada arquivo seja gerado com integridade, mesmo que isso implique um pequeno atraso adicional durante horários de pico.

  • Processamento sequencial de requisições

Textos longos

Para textos excedendo 4.096 caracteres, é necessário dividir o conteúdo em partes menores e unir os arquivos de áudio resultantes. Isso adiciona tempo de processamento proporcional ao número de fragmentos.

Recomendamos ajustar o parâmetro speed para otimizar o tempo total de geração, mantendo a clareza didática para seus alunos.

Personalização básica

Ilustração de onda sonora para: Personalização básica

A API oferece 8 vozes predefinidas e suporta 23 idiomas. Você pode especificar o idioma para evitar erros de detecção automática, especialmente em textos latinos não ingleses.

O formato de saída é flexível, permitindo MP3, WAV, OPUS, FLAC ou PCM para se adequar ao seu player ou sistema de arquivos.

Escolha de voz

Selecione entre vozes femininas e masculinas com diferentes timbres, como Aria, Nova ou Atlas.

Todas as vozes falam todos os idiomas suportados, facilitando a criação de conteúdos multilíngues.

  • Aria (narradora clara)
  • Nova (vibrante e animada)
  • Luna (suave)
  • Sage (instrucional)
  • Felix (promo)
  • Milo (conversacional)
  • Atlas (neutro)
  • Órion (documentário)

Idioma explícito

Defina o parâmetro language com o código ISO para garantir a pronúncia correta.

Se não especificado, o sistema tenta adivinhar pelo script, mas textos latinos não ingleses podem ser interpretados incorretamente como inglês.

Formato de saída

Escolha entre mp3, wav, opus, flac ou pcm via response_format.

Formatos mais leves como opus são ideais para transmissão rápida, enquanto wav oferece qualidade sem perda.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. A conversão de texto para fala elimina barreiras de leitura para alunos com baixa visão ou cegueira.

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. FFmpeg documentation
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. IETF RFC 7845: Ogg Opus
  5. Creative Commons Attribution 4.0
  6. curl documentation
  7. Node.js documentation
  8. TRON developer hub: TRC-20
  9. OpenAI API reference: create speech
  10. MDN: Web Speech API
  11. Python documentation
  12. ISO 639 language codes

Mais neste site