Como Usar TTS para Dublagem de Vídeos com API?

Por Equipe editorial LocDub Studio · Atualizado 2026-11-19

Descubra como integrar nossa API de texto-para-fala no seu fluxo de localização, desde a preparação do texto até a entrega do arquivo de áudio. Este guia prático mostra freelancers e agências como gerar narrações consistentes para vídeos, ajustando vozes, idiomas e formatos com precisão técnica.

Você aprenderá a preparar textos, controlar velocidades e calcular custos por caractere, além de automatizar processos com scripts. Entenda as limitações reais, como a ausência de streaming ou SSML, e veja como usar os 8 presets de voz disponíveis para entregar áudio de qualidade sem complicações.

Como Usar TTS para Dublagem de Vídeos com API?

Perguntas frequentes

O que é TTS na localização de vídeos?

É uma API cloud que converte texto em áudio via POST. Você envia o texto e recebe o arquivo de áudio pronto para uso. Ideal para criar narrações consistentes em 23 idiomas.

Como escolher a voz ideal para dublagem?

Escolha entre 8 presets baseados em gravações licenciadas. Para narrativas, use Aria ou Luna; para conversas, Milo; para notícias, Atlas. Cada voz suporta todos os 23 idiomas. Selecione a que melhor se adapta ao tom do seu projeto de dublagem, desde documentários até promoções dinâmicas.

Posso usar a API para vídeos YouTube?

Sim. A API gera arquivos de áudio (mp3, wav, opus, flac, pcm) que você pode baixar e editar. Como não há streaming, você processa o texto, baixa o arquivo e o integra ao seu vídeo no YouTube usando softwares de edição tradicionais.

Qual formato de áudio usar para edição?

Use WAV ou FLAC para edição profissional sem perda de qualidade. Use MP3 ou Opus para distribuição final. PCM é útil para testes. O formato é definido no campo response_format da requisição JSON enviada para o endpoint de speech.

A voz muda se o texto for muito longo?

Não. A voz permanece consistente dentro de uma única requisição (até 4096 caracteres). Para textos maiores, divida em partes, gere os áudios separadamente e junte os arquivos. A voz escolhida não altera entre as partes geradas sequencialmente.

Preciso ajustar o tempo manualmente?

Não manualmente, mas ajuste a velocidade via parâmetro speed (0.25–4.0). O texto é gerado em tempo real aproximado (25 caracteres por segundo). Use o parâmetro para acelerar ou desacelerar a narração conforme necessário para sincronizar com o vídeo.

As vozes soam robóticas?

As vozes são baseadas em gravações licenciadas (LibriTTS-R e LibriVox), soando naturais. Cada arquivo possui uma marca d'água inaudível que indica ser fala sintética. Não são imitações de celebridades.

Posso usar a API em projetos comerciais?

Sim. O texto de entrada não é usado para treinamento. Você paga apenas pelos caracteres gerados ($0,01 por 1.000 caracteres). Não há planos mensais ou cotas rígidas, permitindo uso escalável para qualquer quantidade de projetos de dublagem ou localização.

Como tratar textos com nomes próprios?

A API não oferece dicionário de pronúncia personalizado nem SSML. Escreva o nome foneticamente no texto de entrada se a pronúncia automática não for precisa. Como não há controle de fonemas, a precisão depende da escrita do texto enviado.

A API suporta acentos e caracteres especiais?

Sim. O suporte depende do idioma selecionado nos 23 disponíveis. Se o language não for definido, o script latino assume inglês. Para acentos corretos em outros idiomas latinos ou não latinos, defina explicitamente o código ISO do idioma na requisição.

Qual a diferença entre tts-1 e tts-1-hd?

Ambos usam o mesmo motor de síntese e têm o mesmo preço. A diferença é apenas a qualidade do áudio. Ambos aceitam os mesmos parâmetros e vozes.

Posso clonar a voz do narrador original?

Não. A API oferece apenas 8 vozes predefinidas. Não há recurso de clonagem de voz personalizada nem upload de amostras de áudio para criar novas vozes. Você deve selecionar uma das vozes existentes que melhor se aproxime do tom desejado.

Como medir o tempo de geração?

O tempo varia conforme a carga do servidor. Textos longos geram em tempo real aproximado. Curtos podem levar alguns segundos. As requisições são processadas em fila, então tempos de espera podem ocorrer. Não há garantia de latência específica ou SLA.

A API funciona para podcasts também?

Sim. Você pode gerar episódios completos dividindo o texto em partes de 4096 caracteres e unindo os arquivos. Com 23 idiomas e 8 vozes, é ideal para produção de conteúdo de áudio escalável e com custo previsível por caractere.

O fluxo de trabalho de localização

Ilustração de onda sonora para: O fluxo de trabalho de localização

O processo de localização começa com a adaptação do roteiro original para o idioma de destino, garantindo que o sentido e o tom sejam preservados. É fundamental alinhar a tradução com os limites técnicos da API antes da geração.

Tradução do roteiro original

Adapte o texto mantendo a naturalidade. Cada caractere, incluindo espaços e pontuação, conta para o custo de $0,01 por 1.000 caracteres.

Ajuste de tempo para sincronia

Considere que a geração é aproximadamente em tempo real (25 caracteres por segundo). Planeje pausas no roteiro para sincronia labial futura.

Geração de áudio via API

Envie o texto adaptado para o endpoint de síntese. O sistema processa as requisições sequencialmente, retornando o arquivo de áudio pronto para edição.

Escolha da voz certa

Ilustração de onda sonora para: Escolha da voz certa

A consistência vocal é crítica para projetos de dublagem em série. Identifique o tom do material original — seja narrativo, comercial ou informativo — para selecionar a predefinição que melhor corresponde ao personagem ou à voz off do projeto.

Com oito vozes distintas, é possível manter a identidade acústica em todos os episódios ou idiomas, garantindo que o público reconheça imediatamente o narrador principal sem interrupções na imersão.

Analisar o tom do vídeo original

Comece classificando o gênero do vídeo. Textos jornalísticos ou documentais exigem neutralidade ou profundidade, enquanto promoções e conteúdos informais beneficiam-se de vozes mais energéticas ou conversacionais. A escolha errada quebra a credibilidade da localização.

Considere a audiência final. Áudios técnicos ou instrucionais funcionam melhor com vozes calmas, enquanto narrativas de ficção necessitam de timbres mais expressivos e quentes para prender a atenção do ouvinte.

  • Identifique o gênero do conteúdo (documentário, promo, tutorial).
  • Defina a emoção principal (neutro, energético, suave).
  • Analise a faixa etária e o perfil do público-alvo.

Selecione entre 8 presets disponíveis

O catálogo oferece opções específicas para cada necessidade. Para narrativas de ficção ou contação de histórias, a Luna oferece um tom suave, enquanto a Aria garante clareza em narrações mais diretas.

Para conteúdos promocionais ou dinâmicos, a Felix traz a energia necessária. Já o Atlas e o Orion são ideais para notícias e documentários, oferecendo neutralidade ou profundidade, respectivamente. Mil e Nova atendem a conversas e tons mais leves.

  • Aria: narradora clara e quente.
  • Luna: suave, ideal para histórias.
  • Felix: energético, ótimo para promos.
  • Atlas: neutro, padrão para notícias.

Consistência de voz por série

Em projetos de longa duração, mantenha a mesma voz para o protagonista ou narrador em todos os episódios. Isso cria familiaridade e profissionalismo, evitando que o espectador note mudanças abruptas no estilo vocal.

Utilize a mesma predefinição em todos os idiomas quando possível. A API permite que qualquer voz fale qualquer um dos 23 idiomas suportados, garantindo que a identidade vocal permaneça uniforme na localização global.

  • Padronize a voz principal em todos os episódios.
  • Teste a mesma voz em diferentes idiomas.
  • Documente a escolha na planilha de produção.

Preparação do texto

Ilustração de onda sonora para: Preparação do texto

Para garantir uma síntese bem-sucedida, o texto de entrada deve respeitar o limite de 4.096 caracteres por solicitação. Para roteiros longos, é necessário dividir o texto em partes menores e unir os arquivos de áudio gerados posteriormente.

O processo exige atenção aos caracteres especiais, que contam como caracteres na faturação. Verifique a codificação para evitar erros de formatação antes de enviar os dados para a API.

Quebra de textos longos em partes

Divida o roteiro em blocos manejáveis antes da chamada à API. Cada parte deve ter no máximo 4.096 caracteres. Após a geração de cada bloco, utilize ferramentas de edição para unir os arquivos de áudio em um único arquivo final.

Essa abordagem garante que a API processe cada segmento com estabilidade, evitando falhas silenciosas em textos muito extensos.

  • Mantenha o controle do índice de cada parte para ordenação correta.
  • Verifique se há pontuação completa no final de cada bloco para naturalidade.

Limite de 4096 caracteres

O campo input aceita até 4.096 caracteres, incluindo espaços e pontuação. Exceder esse limite resulta em erro na requisição. Planeje a distribuição do texto considerando o tamanho médio de cada parágrafo.

Lembre-se de que a velocidade de geração é aproximadamente real-time para textos longos, mas frases curtas podem levar alguns segundos.

Verificação de caracteres especiais

Caracteres não suportados ou malformados podem interromper a síntese. Utilize UTF-8 padrão e evite emojis complexos ou símbolos específicos de idiomas não listados.

Antes de enviar, valide o texto em uma ferramenta de contagem de caracteres para garantir precisão no cálculo do custo.

Configuração de idioma

Ilustração de onda sonora para: Configuração de idioma

A configuração de idioma determina como o modelo interpreta os caracteres. Se o campo language não for informado, o sistema tenta adivinhar com base no script. Para textos em latim fora do inglês, essa detecção automática falha frequentemente.

Definir o código ISO explicitamente garante que a pronúncia e a entonação correspondam exatamente ao idioma de destino, evitando resultados inconsistentes na dublagem final.

Definição manual vs. automática

A detecção automática funciona bem para inglês, mas é imprecisa para outros idiomas em script latino. A definição manual elimina ambiguidades.

Sempre defina o parâmetro language para garantir a pronúncia correta, especialmente em textos técnicos ou com nomes próprios.

  • Use language para forçar a pronúncia esperada.
  • Evite depender da detecção automática para português, espanhol ou francês em script latino.

Códigos ISO recomendados

Utilize códigos ISO 639-1 para especificar o idioma alvo. Isso garante que a voz sintetizada utilize a entonação adequada.

Exemplos: pt para português, es para espanhol, fr para francês, de para alemão.

  • pt (Português)
  • es (Espanhol)
  • fr (Francês)
  • de (Alemão)
  • ja (Japonês)
  • zh (Chinês)

Tratamento de textos em latim

Textos em idiomas como português, italiano ou holandês, que usam o alfabeto latino, são frequentemente interpretados erroneamente como inglês sem o parâmetro language.

Verifique sempre a saída se o idioma não for inglês para evitar sotaque ou pronúncia incorreta.

  • Defina language explicitamente para idiomas latinos não-ingleses.
  • Teste frases-chave para validar a pronúncia antes da geração em massa.

Seleção de formato de áudio

Ilustração de onda sonora para: Seleção de formato de áudio

A escolha do formato de áudio impacta diretamente o fluxo de trabalho de dublagem. O MP3 oferece compressão eficiente para distribuição, enquanto o WAV preserva a qualidade máxima para edições posteriores. Ambos são suportados pela API.

MP3 para distribuição web

O formato MP3 é ideal para arquivos finais de dublagem. Ele equilibra tamanho reduzido e qualidade auditiva aceitável, facilitando o upload para plataformas de vídeo ou sites de clientes sem ocupar espaço desnecessário.

  • Tamanho de arquivo pequeno
  • Ampla compatibilidade de players

WAV para pós-produção

Utilize WAV quando precisar editar o áudio gerado. Como é um formato sem perda, ele preserva todos os detalhes da voz sintetizada, permitindo ajustes precisos de volume, equalização ou cortes na mesa de som.

  • Qualidade sem compressão
  • Ideal para mixagem profissional

Opus para streaming eficiente

O formato Opus é excelente para aplicações onde a largura de banda é limitada. Oferece alta qualidade de áudio com arquivos compactos, sendo uma opção técnica válida para transmissão rápida de áudio.

  • Alta eficiência de compressão
  • Baixo uso de banda

Controle de velocidade

Ilustração de onda sonora para: Controle de velocidade

Ajuste a velocidade entre 0.25x e 4.0x para alinhar a narração ao ritmo visual. Valores acima de 1.0 aceleram o texto; abaixo, desaceleram para clareza.

Use esse controle para compensar diferenças linguísticas naturais entre o original e a dublagem, mantendo a sincronia labial aproximada sem cortes bruscos.

Ajuste de 0.25x a 4.0x

Defina o parâmetro speed na requisição JSON. Valores padrão são 1.0; reduza para textos densos ou aumente para narrações rápidas.

A API processa os pedidos sequencialmente. Velocidades extremas podem afetar ligeiramente o tempo de geração, mas mantêm a qualidade do áudio.

  • Mínimo: 0.25x para leitura calma
  • Máximo: 4.0x para narrações ágeis
  • Valores intermediários permitem ajuste fino

Sincronização com vídeo

Gere primeiro com velocidade padrão para obter o tempo base. Compare a duração do áudio com a duração do clipe original.

Ajuste progressivamente o speed até que o início e o fim da narração coincidam com as cenas, evitando silêncio excessivo ou cortes abruptos.

  • Compare duração do áudio vs. vídeo
  • Ajuste incremental de 0.1 em 0.1
  • Evite variações bruscas de ritmo

Testes de naturalidade

Ouça trechos de 10 segundos em velocidade ajustada. Verifique se a entonação permanece natural e se as palavras não ficam distorcidas.

Textos muito rápidos podem perder clareza; textos muito lentos podem soar robóticos. Encontre o ponto médio que soa humano para o seu público.

  • Ouça trechos curtos para validar
  • Verifique clareza em alta velocidade
  • Evite entonação artificial ou robótica
Controle de velocidade

Integração com ferramentas de edição

Ilustração de onda sonora para: Integração com ferramentas de edição

A API retorna arquivos de áudio prontos para edição, eliminando a necessidade de conversões complexas. Importe WAV ou MP3 diretamente no seu software de edição, como Premiere ou DaVinci Resolve, para manter a qualidade máxima durante o corte e ajuste de tempo.

Os arquivos gerados são estáveis e consistentes, facilitando a organização de múltiplas faixas de idioma para um mesmo projeto de dublagem.

Importação de arquivos de áudio

Baixe os arquivos gerados pela API e importe-os na timeline de áudio. Formatos como WAV preservam a integridade para cortes precisos, enquanto MP3 oferece tamanho reduzido para workflows mais leves.

Verifique se a taxa de amostragem e o formato são compatíveis com seu projeto para evitar resampling automático que pode alterar levemente a entonação.

  • Suporte a MP3, WAV, Opus, FLAC e PCM.
  • Arquivos finais prontos para mixagem, sem etapas de renderização adicionais.

Sincronização labial

Use os marcadores de tempo do script original para alinhar as faixas de TTS. A velocidade ajustável (0.25x a 4.0x) permite micro-ajustes para melhor sincronia visual.

Gere versões com leves variações de velocidade para encontrar o melhor encaixe nas ações dos atores na tela.

  • Ajuste fino de velocidade para sincronia.
  • Uso de marcadores de texto para alinhamento temporal.

Mistura com trilha sonora

Adicione efeitos de reverberação e equalização para integrar a voz gerada ao ambiente do vídeo. Como a API não oferece controle de emoção, use automação de volume para dar naturalidade às falas.

Exporte a mixagem final mantendo os arquivos de áudio separados para futuras alterações de idioma ou correções de roteiro.

  • Aplicação de efeitos de ambiente.
  • Mixagem independente por faixa de idioma.

Qualidade e marca d'água

Ilustração de onda sonora para: Qualidade e marca d'água

A qualidade sonora é garantida por vozes baseadas em gravações licenciadas do LibriTTS-R e leituras do LibriVox. Cada arquivo gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética, facilitando a gestão de direitos em projetos de dublagem.

Vozes baseadas em gravações reais

As oito vozes disponíveis são derivadas de áudios reais com licença CC BY 4.0. Isso garante uma base natural e consistente para suas narrações, sem necessidade de design customizado ou clonagem de voz.

  • Baseadas em gravações licenciadas (LibriTTS-R e LibriVox)

Marca d'água inaudível presente

Cada arquivo de áudio gerado carrega uma marca d'água digital inaudível. Essa tecnologia marca o arquivo como síntese artificial, permitindo que você identifique rapidamente o conteúdo gerado pela API em suas linhas de produção.

Uso comercial permitido

O texto de entrada é usado apenas para produzir o áudio e não entra em treinamento. Como os dados de voz são licenciados, você pode usar os arquivos gerados comercialmente em seus projetos de localização sem restrições adicionais.

Cálculo de custos por projeto

Ilustração de onda sonora para: Cálculo de custos por projeto

Calcular o custo de uma locução TTS exige precisão na contagem de caracteres, pois o preço é cobrado por unidade de texto, não por segundo de áudio. Espaços e pontuação contam como caracteres, o que impacta diretamente o valor final.

Para agências de localização, ter estimativas exatas evita surpresas na fatura e permite orçar projetos de dublagem com margem de lucro definida, seja para um curta-metragem ou uma série completa.

Cada request aceita até 4096 caracteres. Textos maiores devem ser divididos para garantir que todos os caracteres sejam processados corretamente sem truncamentos inesperos.

O preço é fixo em $0,01 por mil caracteres. Multiplicar o volume total do roteiro por este valor dá o custo exato de produção.

Pedidos falhos são gratuitos, eliminando o risco de pagar por áudio corrompido ou não gerado, o que é comum em pipelines automatizados de alta escala.

Contagem de caracteres do roteiro

O cálculo inicia com a contagem exata dos caracteres do texto final em cada idioma, incluindo espaços e pontuação.

Use ferramentas simples de contagem de texto para obter o número total antes de enviar para a API.

  • Espaços contam como caracteres.
  • Pontuação conta como caracteres.
  • Limites de 4096 chars por request.

Multiplicação pelo preço unitário

O custo é de $10 por milhão de caracteres, ou $0,01 por mil caracteres.

A fórmula é: (Total de Caracteres / 1000) * $0,01.

  • $0,01 por 1.000 caracteres.
  • Cálculo linear e previsível.
  • Sem taxas de setup.

Estimativa para múltiplos idiomas

Para projetos de localização com 5 idiomas, multiplique o custo base por 5.

Textos podem variar ligeiramente entre idiomas, então conte cada versão separadamente para precisão.

Não há custo adicional por idioma ou voz, apenas pelo volume de caracteres processados.

  • Custo por idioma separado.
  • Sem taxa extra por voz.
  • Balance de não expira.

Automação do processo

Ilustração de onda sonora para: Automação do processo

Automatize a geração de áudio para múltiplos idiomas usando scripts Python. A API REST aceita JSON padrão, permitindo integração direta com bibliotecas como requests ou o SDK da OpenAI, ajustando apenas o base_url.

Scripts de batch podem ler roteiros traduzidos e disparar requisições sequenciais ou paralelas, otimizando o tempo de entrega para projetos de dublagem em larga escala.

Scripts Python para batch

Use Python para ler arquivos CSV ou JSON com os textos traduzidos. O script deve quebrar textos acima de 4096 caracteres e enviar múltiplas requisições POST para o endpoint /v1/audio/speech, unindo os arquivos de áudio resultantes no final do processo.

A autenticação é feita via cabeçalho Authorization, garantindo segurança sem necessidade de SDK proprietário. O código pode ser versionado e executado em CI/CD para consistência.

  • Ler input de texto traduzido de CSV/JSON
  • Quebra automática em blocos de 4096 chars
  • Unir arquivos de áudio gerados
  • Reutilizar SDK OpenAI com base_url alterado

API REST para integração

A API expõe endpoints claros para vozes e modelos. Scripts podem consultar GET /v1/voices para validar a disponibilidade de idiomas antes do envio do texto, evitando erros em tempo de execução.

O formato JSON padrão facilita a conexão com ferramentas de automação como Zapier, Make ou pipelines personalizados, sem dependência de bibliotecas específicas da marca.

Geração paralela de idiomas

Para dublagem simultânea em vários idiomas, envie requisições paralelas para diferentes vozes e códigos ISO. Isso reduz o tempo total de processamento, já que as requisições são independentes.

Monitore a taxa de limites (60 req/min) para evitar filas. Use controle de concorrência no script para manter a eficiência sem exceder o limite por chave.

  • Disparo paralelo de requisições por idioma
  • Controle de concorrência para limites de taxa
  • Validação prévia de vozes disponíveis

Depuração de problemas comuns

Ilustração de onda sonora para: Depuração de problemas comuns

Problemas técnicos podem interromper o fluxo de dublagem. Conheça os três obstáculos mais frequentes e saiba resolvê-los rapidamente.

Texto muito longo para um pedido

Cada requisição aceita no máximo 4.096 caracteres. Textos excedentes devem ser divididos manualmente em partes menores.

  • Divida o roteiro em blocos de até 4.096 caracteres.

Idioma detectado incorretamente

O sistema infere o idioma pelo script (ex.: latim assume inglês). Para textos em português ou outros, defina o parâmetro language explicitamente para evitar erros de pronúncia.

  • Sempre envie o código ISO quando o texto não for inglês.

Limites de taxa excedidos

O limite é de 60 requisições por minuto. Em picos, as solicitações aguardam na fila. Use scripts para lotes maiores e evite múltiplas chaves ativas simultaneamente.

  • Monitore o cabeçalho de limite na resposta da API.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Utilize a mesma predefinição em todos os idiomas quando possível.

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. curl documentation
  3. Python documentation
  4. LibriTTS-R corpus (OpenSLR 141)
  5. TRON developer hub: TRC-20
  6. Tether (USDT)
  7. openai-python on GitHub
  8. ISO 639 language codes
  9. openai-node on GitHub
  10. IETF RFC 7845: Ogg Opus
  11. W3C WAI: making audio and video accessible
  12. Node.js documentation

Mais neste site