Crie uma chave na sua conta, indique um modelo de voz, envie o texto e receba um arquivo de áudio. O catálogo tem 24 modelos de texto para voz de vários provedores, então um narrador de app, um menu telefônico e um agente de voz podem ter cada um a voz que combina. Teste qualquer roteiro hoje no toolkit.
O texto para voz não tem uma única melhor voz. Um modelo lê uma história de ninar com calor humano, outro mantém nítido um menu telefônico, outro foi feito para responder no meio de uma conversa. Uma API de texto para voz do Picasso IA coloca todos eles atrás de uma só chave: você indica um modelo, envia o texto e recebe um arquivo de áudio, sem abrir uma conta em cada provedor de voz.
Cada provedor de voz tem seu próprio cadastro, seu próprio faturamento e seu próprio jeito de descrever uma voz. Isso é tolerável quando você precisa de um único narrador. Cansa quando seu app precisa de um leitor calmo para as aulas, um claro para os menus telefônicos e um ágil para um agente de voz, porque cada escolha significa outra conta, outra chave e outro conjunto de ajustes para aprender.
A API do Picasso IA segue o caminho oposto. Você cria uma chave na sua conta, envia uma requisição que nomeia um modelo e suas entradas, e o resultado volta como um arquivo que você pode baixar. A categoria de texto para voz do catálogo reúne 24 modelos de donos como elevenlabs, google, inworld, xai e minimax, de um total de 502 modelos. O formato da requisição continua o mesmo: um modelo e suas entradas. Trocar de voz vira trocar o nome do modelo, e não uma integração nova.
O custo funciona como no toolkit. Uma geração gasta créditos, e quantos dependem do modelo e dos ajustes que você escolhe, então a página de preços é o lugar para ler sobre os planos. O toolkit roda o mesmo catálogo, o que significa que você pode ouvir cada voz hoje, antes de construir qualquer coisa em volta dela.
Uma requisição tem quatro partes. A chave prova que o pedido vem da sua conta. O nome do modelo diz qual voz deve falar. As entradas levam o seu texto e os ajustes que aquele modelo entende. A resposta é o áudio gerado, entregue como um arquivo que você baixa.
É nas entradas que os modelos se diferenciam, e isso é útil, não incômodo. O google/gemini-3.1-flash-tts oferece 30 vozes e aceita uma instrução de estilo em linguagem comum, como fale devagar e com confiança, além de etiquetas como whispering ou laughing dentro do texto. O inworld/tts-1.5-max e o inworld/realtime-tts-1.5-max leem etiquetas de emoção como happy ou sad e aceitam uma voz sua pelo identificador dela. O elevenlabs/v3 deixa você ajustar a estabilidade, a velocidade e o quanto a entrega deve ser teatral. O xai/grok-text-to-speech tem cinco vozes e pode exportar formatos pensados para sistemas telefônicos.
Você não precisa decorar nada disso. A página de cada modelo na coleção lista o que ele aceita, e o toolkit mostra os mesmos campos como um formulário, então dá para aprender um modelo clicando antes de escrever a requisição.
Os quatro usos mais perguntados são narração de apps, menus telefônicos, audiolivros e agentes de voz. A tabela abaixo é um ponto de partida sobre o que testar primeiro e o que ouvir. Não é um ranking: passe o mesmo roteiro por dois modelos e confie nos seus ouvidos mais do que nesta página.
| Trabalho | Modelo para testar primeiro | O que ouvir |
|---|---|---|
| Narração de app | elevenlabs/v3 | Uma voz que se mantém estável da primeira tela à última |
| Menus telefônicos | xai/grok-text-to-speech | Números claros e um formato de arquivo que seu sistema telefônico aceite |
| Audiolivros | elevenlabs/v3 | O mesmo narrador e o mesmo ritmo, capítulo após capítulo |
| Agentes de voz | inworld/realtime-tts-1.5-max | Respostas curtas que soam faladas, não lidas |
| Vários idiomas | google/gemini-3.1-flash-tts | Sotaque e pronúncia em cada idioma que você publicar |
| Uma voz sua | inworld/tts-1.5-max | O mesmo tom em tudo o que você gerar |
Um modelo que serve para uma aula pode soar errado num menu telefônico, e o contrário é igualmente comum. Manter dois ou três candidatos para cada trabalho e escolher entre eles por projeto é exatamente o que uma única chave entre provedores torna barato. Para a parte de produção da narração, locução com IA para vídeos e narração de audiolivros aprofundam o ritmo e os capítulos.
Quase todo áudio decepcionante é problema do roteiro, não do modelo. As vozes leem exatamente o que você entrega, então escreva para o ouvido. Frases curtas respiram melhor que as longas. Escreva do jeito que quer ouvir tudo o que precisa ser dito de uma forma específica: o nome de um produto com pronúncia estranha, um telefone agrupado como as pessoas falam, uma sigla que você quer lida por extenso.
Envie um idioma por requisição e combine o ajuste de idioma com o texto. Frases com idiomas misturados são onde as vozes chutam, e um chute soa como erro de sotaque. Use só as etiquetas que o modelo escolhido documenta, porque uma etiqueta que funciona num modelo pode ser lida em voz alta como uma palavra em outro.
Leia seu roteiro em voz alta uma vez antes de enviar. Onde você tropeçar, a voz vai tropeçar também, e corrigir uma frase não custa nada enquanto regenerar custa créditos.
Comece com um parágrafo, não com o capítulo inteiro. Cada geração gasta créditos, então um teste curto mostra se a voz, o idioma e as etiquetas estão certos antes de você comprometer um roteiro longo. Os modelos também limitam quanto texto cada execução aceita, e o limite muda de modelo para modelo, então o material longo é dividido por seções ou capítulos e unido depois.
Este é o caminho do zero a um arquivo nas suas mãos. Antes do primeiro passo, teste um parágrafo do seu roteiro real no toolkit: ele usa os mesmos modelos, então a voz que você escolher lá é a voz que suas requisições vão usar.
Se algum passo não se comportar como esta página descreve, o suporte responde às perguntas sobre isso.
Isto é a descrição de uma chave, uma requisição e um arquivo. Não promete nada além disso, e há cinco lugares onde quem constrói deve ir mais devagar:
Menus telefônicos e agentes de voz merecem um último cuidado. Uma voz sintética que lê um menu é tranquilo; uma voz sintética que lida com dinheiro, saúde ou decisões jurídicas precisa de um processo humano em volta e da sua própria revisão de cada roteiro que ela possa falar.
Uma API de texto para voz permite que um software transforme texto escrito em áudio falado sem que ninguém grave. Com o Picasso IA você cria uma chave na sua conta, envia uma requisição que nomeia um modelo de voz e suas entradas, e o resultado volta como um arquivo de áudio que você pode baixar. O diferencial desta é a variedade: os modelos de voz do catálogo ficam atrás da mesma chave, então você escolhe a voz por trabalho e não por conta.
A categoria de texto para voz do catálogo reúne 24 modelos, incluindo elevenlabs/v3, google/gemini-3.1-flash-tts, inworld/tts-1.5-max, inworld/realtime-tts-1.5-max e xai/grok-text-to-speech. Você não precisa de uma conta separada com cada dono: a mesma chave e os mesmos créditos cobrem todos. O catálogo completo lista todos os modelos, e a página de cada um mostra as vozes e os ajustes que ele aceita.
Trate-a como uma senha. Ela identifica sua conta e gasta seus créditos, então qualquer pessoa com ela pode gerar áudio por sua conta. Mantenha-a longe de repositórios públicos, de código de front-end que os visitantes possam inspecionar, de capturas de tela e de chats compartilhados. Se suspeitar que vazou, remova-a da sua conta, crie uma nova e atualize o lugar onde seu app a guarda.
Custa créditos, e a quantidade depende do modelo e dos ajustes que você escolhe, do mesmo jeito que no toolkit. Esta página não cita números porque qualquer valor ficaria defasado; a página de preços é onde ficam os planos, e contas novas recebem créditos grátis. Um bom hábito é testar primeiro com um parágrafo curto, para conhecer o custo de uma voz antes de enviar um roteiro inteiro.
Você pode gerar os áudios de um. O xai/grok-text-to-speech lista formatos feitos para telefonia ao lado dos comuns, e um menu telefônico é feito principalmente de frases curtas e claras, que combinam bem com vozes sintéticas. O que você sobe no seu sistema telefônico e os formatos de áudio que ele aceita dependem desse sistema, então confira os requisitos atuais dele. Veja também saudações telefônicas com IA para a parte de redação.
A metade do áudio, sim. O inworld/realtime-tts-1.5-max é o modelo do catálogo descrito para uso conversacional, e lê respostas curtas com etiquetas de emoção. Mas uma requisição ainda leva tempo para renderizar e gasta créditos, e esta página não promete nada sobre velocidade, então teste seu próprio fluxo no toolkit antes de desenhar uma experiência que dependa de áudio instantâneo.
Divida-os. Cada modelo aceita uma quantidade limitada de texto por execução, e o limite muda de modelo para modelo, então um capítulo passa como várias seções. Use o mesmo modelo, a mesma voz e os mesmos ajustes em cada seção para o narrador não mudar no meio, e una os arquivos depois no seu editor de áudio. O elevenlabs/v3 tem ajustes de estabilidade que ajudam a manter uma voz consistente num projeto longo.
Depende do modelo. O google/gemini-3.1-flash-tts lista mais de 70 códigos de idioma, o xai/grok-text-to-speech cobre cerca de vinte e os modelos da inworld cobrem 15. Escolha o modelo cuja lista inclua o seu, ajuste o idioma para combinar com o texto e ouça o sotaque e a pronúncia antes de publicar. Uma voz excelente num idioma pode ser apenas aceitável em outro.
Só uma voz sua ou a de um personagem fictício. Alguns modelos aceitam uma voz personalizada pelo identificador, útil para manter consistente a sua própria voz de marca. Nunca use a voz de uma pessoa real identificável sem a permissão dela, e não faça áudio que possa se passar por alguém que não o disse. Para a parte do consentimento na clonagem, leia clonagem de voz com IA.
Sim, e é o melhor primeiro passo. O toolkit roda o mesmo catálogo: escolha um modelo de voz, cole um parágrafo do seu roteiro real, gere e compare. Faça isso com dois ou três modelos e você vai saber qual voz nomear na sua primeira requisição. A comparação com o ElevenLabs é uma boa leitura se um provedor específico é o seu ponto de partida.
Antes de conectar qualquer coisa, ouça as vozes você mesmo: abra o toolkit, cole um parágrafo do seu roteiro real e compare dois modelos. As perguntas sobre a API vão para o suporte.
Escolha seu idioma
