Perguntas frequentes
A API VoizEngine oferece voz de narrador para vídeos de YouTube?
Sim. A API entrega áudio sintetizado via endpoint POST, com vozes como Aria, Luna e Felix. O texto é processado e retornado como arquivo de áudio, permitindo integração direta em fluxos de produção de vídeo sem complexidade de infraestrutura.
Quantas vozes estão disponíveis para narração?
Existem 8 vozes predefinidas: Aria, Nova, Luna, Sage, Felix, Milo, Atlas e Orion. Cada uma possui características distintas, como voz feminina ou masculina, adequadas para diferentes estilos de narração em vídeos, desde narrativas até promoções energéticas.
Posso usar a API para gerar narrações em lote para vários vídeos?
Sim. O limite é de 60 requisições por minuto por chave. Para textos longos, divida o conteúdo em partes de até 4096 caracteres e junte os arquivos de áudio resultantes. Isso permite automatizar a geração de áudio para múltiplos vídeos.
O texto enviado é armazenado ou usado para treinar modelos?
O texto de entrada é usado apenas para produzir o áudio e não é utilizado para treinamento. O áudio gerado é retornado na resposta e não é armazenado. Apenas metadados da solicitação (tempo, caracteres, status) são mantidos para faturamento.
Quais idiomas são suportados para a narração?
São suportados 23 idiomas: Árabe, Chinês, Dinamarquês, Holandês, Inglês, Finlandês, Francês, Grego, Hebraico, Hindi, Italiano, Japonês, Coreano, Malaio, Norueguês, Polonês, Português, Russo, Espanhol, Suaíli, Sueco e Turco. Qualquer voz pode falar qualquer um desses idiomas.
A velocidade da voz pode ser ajustada para sincronização com vídeo?
Sim. O parâmetro speed aceita valores entre 0.25 e 4.0. Isso permite ajustar a velocidade da narração para sincronizar o áudio com o vídeo, garantindo que o ritmo da fala se adapte ao conteúdo visual gerado.
Há suporte para SSML ou marcações de entonação?
Não. A API não oferece suporte para SSML, dicionários de fonemas ou lexicons personalizados de pronúncia. A entonação é controlada pelas configurações de voz e velocidade, sem marcações de áudio avançadas ou tags de emoção disponíveis na interface atual.
O que acontece se a síntese de áudio falhar?
Se a síntese falhar, a cobrança é devolvida integralmente. Você não paga pelo caractere processado em solicitações que não resultam em áudio gerado com sucesso, garantindo que apenas o trabalho concluído seja faturado na sua conta.
Qual o limite de caracteres por solicitação?
Cada solicitação aceita até 4096 caracteres de texto. Para textos mais longos, é necessário dividir o conteúdo em partes dentro desse limite e juntar os arquivos de áudio resultantes. Espaços e pontuação contam como caracteres.
Como funciona o pagamento via USDT?
O pagamento é feito via USDT na rede TRON (TRC-20), com depósito mínimo de $5. O crédito é adicionado automaticamente em minutos após a transferência. Não há cartões, PayPal ou assinaturas; o saldo não expira e não há faturas com IVA.
Existe garantia de uptime ou SLA empresarial?
Não. Não há garantia de uptime, contrato empresarial, SLA ou instalação on-premise. A API é fornecida como serviço sem compromissos de disponibilidade específica. O suporte é realizado exclusivamente por e-mail, sem número de telefone ou chat ao vivo.
Posso clonar minha própria voz para usar como narrador?
Não. A API oferece 8 vozes predefinidas baseadas em gravações licenciadas. Não há recurso de clonagem de voz personalizada, nem upload de sua própria voz para uso como narrador. As vozes são fixas e não podem ser modificadas pelo usuário.
A API retorna o áudio em tempo real ou via arquivo?
A API retorna o áudio como um arquivo no corpo da resposta (mp3, wav, opus, flac, pcm). Não há streaming, WebSocket ou áudio parcial em tempo real. O arquivo completo é entregue após o processamento da solicitação na fila.
Há suporte por telefone ou chat ao vivo?
Não. O suporte é realizado exclusivamente por e-mail. Não há número de telefone disponível, nem chat ao vivo. Para dúvidas técnicas ou sobre a API, o canal oficial de comunicação é o endereço de e-mail listado.
Primeira solicitação
curl
curl https://api.vk444.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3Síntese de voz escalável para produção de vídeo
A API de síntese de voz para narração de vídeos é projetada para agências que necessitam de volume e consistência. O endpoint JSON simples aceita texto e retorna áudio, eliminando a complexidade de infraestrutura para criadores de conteúdo que produzem narrativas em escala.
Endpoint JSON simples
Envie texto via POST no endpoint https://api.vk444.info/v1/audio/speech. A estrutura segue o padrão de APIs REST modernas, facilitando a integração contínua nos pipelines de edição de vídeo.
Integração com SDK OpenAI
Utilize os SDKs oficiais da OpenAI alterando apenas o base_url para https://api.vk444.info/v1. Isso permite reutilizar código existente e manter a familiaridade da equipe de desenvolvimento.
Geração de áudio em lote
Textos longos são divididos em partes de até 4096 caracteres e unidos automaticamente. O processamento sequencial garante que o áudio final mantenha a consistência temporal, ideal para narrações de vídeos explicativos ou documentais.
8 vozes profissionais pré-configuradas
O VoizEngine oferece oito vozes pré-configuradas, derivadas de gravações licenciadas (LibriTTS-R) e leituras de domínio público do LibriVox. Cada voz é otimizada para consistência narrativa em longas produções de vídeo.
Abaixo detalhamos três perfis vocais essenciais para agências de conteúdo, garantindo clareza e tom adequado para diferentes formatos de narração.
Narrador quente e claro (Aria)
Aria entrega uma voz feminina quente e clara, ideal para documentários e narrativas explicativas. Sua articulação precisa mantém a atenção do espectador sem distrações.
Para textos longos, a consistência de Aria evita a fadiga auditiva, mantendo um ritmo natural.
- Perfil: feminino, quente, claro
Voz calma e instrucional (Sage)
Sage é projetada para conteúdo educacional e tutoriais. Sua tonalidade calma e instrucional transmite autoridade sem ser rígida, facilitando a compreensão de conceitos técnicos.
Recomendada para vídeos explicativos onde a clareza da mensagem é prioritária sobre a expressividade dramática.
- Perfil: feminino, calma, instrucional
Voz neutra para notícias (Atlas)
Atlas oferece uma voz masculina neutra, padrão para boletins informativos e reportagens. Sua entrega direta e sem viés emocional garante que a informação seja o foco principal.
Ideal para agências que produzem conteúdo jornalístico ou atualizações de produtos, onde a neutralidade é exigida.
- Perfil: masculino, neutro, notícias
Suporte a 23 idiomas e formatação flexível
Oferecemos suporte completo para 23 idiomas, incluindo inglês, português e espanhol, permitindo que criadores de conteúdo e agências produzam narrativas para audiências globais sem complicações de infraestrutura.
O sistema aceita formatos de áudio mp3, wav, opus, flac e pcm.
Idiomas principais: inglês, português, espanhol
Nossa API suporta 23 idiomas, incluindo os principais mercados para conteúdo de vídeo: inglês, português e espanhol. Qualquer voz pode falar qualquer idioma listado, garantindo consistência de timbre independentemente do idioma selecionado.
- Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkish
Formatos: mp3, wav, opus, flac, pcm
Você define o formato de saída via parâmetro response_format na requisição JSON. As opções disponíveis são mp3, wav, opus, flac e pcm, permitindo escolha entre compressão leve ou áudio sem perdas conforme a necessidade do fluxo de pós-produção.
Detecção automática de idioma
Se o campo language não for especificado, o sistema tenta adivinhar o idioma com base na script do texto (texto em latino padrão para inglês). Para textos em latim não ingleses, é recomendável definir o código ISO explicitamente para evitar erros de pronúncia.
Idiomas não suportados incluem vietnamita, indonésio, tailandês, ucraniano, romeno, tcheco e bengali.
Infraestrutura técnica para agências
Para agências que processam volumes elevados de narrativas, a infraestrutura é dimensionada para consistência. O endpoint aceita JSON padrão, permitindo integração direta com SDKs existentes ou chamadas HTTP simples.
Limite de 60 requisições por minuto
Cada chave de API possui limite de 60 requisições por minuto. Antes do primeiro recarga, o limite é de 10 requisições por minuto.
- Limite padrão: 60 req/min por chave ativa.
- Limite inicial: 10 req/min até primeira recarga.
Texto de até 4096 caracteres por chamada
Cada chamada POST aceita até 4096 caracteres de texto. Para textos mais longos, o cliente deve dividir o texto em partes e juntar os arquivos de áudio resultantes.
- Máximo de 4096 caracteres por requisição.
- Espaços e pontuação contam como caracteres.
Processamento sequencial garantido
As requisições são processadas uma após a outra. Sob carga, uma requisição pode aguardar na fila. Isso garante ordem de processamento, mas pode aumentar o tempo total para grandes volumes.
Cobrança transparente por carácter
A cobrança é baseada estritamente no volume de caracteres processados, incluindo espaços e pontuação. Cada mil caracteres custam $0,01 USD, o que equivale a $10 por milhão de caracteres. Essa métrica linear facilita o cálculo exato dos custos de produção de narrativas longas sem surpresas na fatura.
$0.01 por 1.000 caracteres
O cálculo é direto: o sistema conta cada caractere enviado no corpo da requisição. Não há taxas fixas por chamada de API, apenas o custo proporcional ao tamanho do texto sintetizado.
Falhas na síntese são gratuitas
Se a síntese falhar devido a erro do servidor ou invalidação de parâmetros, o valor correspondente é devolvido integralmente. Você paga apenas pelo áudio gerado com sucesso.
Saldo não expira
Seus fundos permanecem disponíveis indefinidamente. Não há mensalidades obrigatórias ou expiração de crédito, permitindo que você utilize a API conforme a demanda da sua agência, sem pressão de tempo.

Controle total sobre a saída de áudio
O endpoint aceita parâmetros que permitem ajustar a velocidade e o modelo de síntese. Cada requisição POST para /v1/audio/speech processa textos de até 4096 caracteres, retornando o áudio finalizado.
A velocidade pode ser ajustada de 0.25x a 4.0x, facilitando a sincronização com cortes de vídeo. Modelos tts-1 e tts-1-hd usam o mesmo motor e preço.
Defina o idioma explicitamente usando o código ISO na solicitação para evitar detecção automática incorreta de scripts latinos.
A resposta retorna o arquivo de áudio no formato selecionado (mp3, wav, opus, flac, pcm), pronto para ser integrado ao pipeline de edição.
Velocidade ajustável de 0.25x a 4.0x
Ajuste a velocidade da narração para se alinhar ao ritmo do vídeo. O parâmetro speed aceita valores de 0.25 até 4.0.
Essa flexibilidade facilita a sincronização de áudio com transições visuais ou legendas.
- Suporte a velocidade variável de 0.25x a 4.0x
- Ajuste fino para sincronização com cortes de vídeo
Modelos tts-1 e tts-1-hd
Os modelos tts-1 e tts-1-hd utilizam o mesmo motor de síntese e possuem o mesmo preço. A escolha depende apenas da preferência de qualidade.
Ambos os modelos processam o texto enviado e retornam o arquivo de áudio finalizado via endpoint JSON.
- Modelos tts-1 e tts-1-hd com mesmo preço
- Mesmo motor de síntese para ambos os modelos
Controle de idioma via código ISO
Se o idioma não for definido, o sistema tenta adivinhar com base no script, assumindo inglês para texto latino.
Para textos em línguas não inglesas com script latino, defina o parâmetro language com o código ISO correto para garantir precisão.
O suporte inclui 23 idiomas, garantindo consistência na pronúncia para agências que produzem conteúdo multilíngue.
- Definição explícita de idioma via código ISO
- Evita detecção automática incorreta de scripts latinos
Dados e privacidade para criadores
O texto enviado para síntese é processado exclusivamente para gerar o arquivo de áudio e não é utilizado para treinar modelos de linguagem. Isso garante que suas narrativas permaneçam proprietárias durante o fluxo de produção.
O arquivo de áudio gerado é entregue na resposta HTTP e não permanece armazenado em nossos servidores após a entrega. Apenas os metadados da requisição são retidos para fins de controle de faturamento e auditoria.
Texto não é usado para treinamento
Seus scripts e diálogos permanecem seus. Não utilizamos o conteúdo enviado para melhorar ou treinar nossos motores de TTS.
Áudio gerado não é armazenado
Após o envio do arquivo de áudio para sua aplicação via resposta da API, não mantemos cópias do áudio sintetizado.
Metadados mantidos para faturamento
Retemos apenas o carimbo de data/hora, a contagem de caracteres e o status da requisição. Esses dados servem exclusivamente para calcular o uso e gerar seu histórico de consumo.
Essas informações não incluem o conteúdo do texto enviado, apenas o volume processado.
Comece com crédito gratuito
Ao se registrar no site usando sua conta do Google, você recebe automaticamente $0,50 de crédito para testar a API. Esse valor equivale a aproximadamente 50.000 caracteres, suficiente para gerar narrações curtas e validar a qualidade das vozes antes de qualquer investimento.
O processo é imediato: após o login, seu saldo já está disponível para uso nas requisições de síntese.
$0,50 de crédito ao criar conta com Google
O crédito é concedido automaticamente durante o cadastro. Não há etapas manuais nem confirmações pendentes.
Válido por 7 dias
O crédito experimental expira 7 dias após a criação da conta. Após esse período, o saldo restante é perdido.
Sem necessidade de cartão
Não solicitamos dados de cartão de crédito para liberar o teste. A conta é criada apenas com autenticação Google.
Diferenciais para produção de vídeo
Para agências que geram alto volume de narrativas, a consistência e a conformidade são críticas. Nossa API entrega áudio pronto para edição, com marca d'água invisível em cada arquivo para identificar fala sintética.
As vozes são baseadas em gravações licenciadas (LibriTTS-R e LibriVox), oferecendo timbres naturais sem necessidade de clonagem personalizada. O processamento é 100% em nuvem, simplificando o pipeline de produção.
Marca d'água invisível em cada arquivo
Cada arquivo gerado contém uma marca d'água inaudível, marcando o áudio como sintetizado. Isso facilita a identificação de conteúdo gerado por IA em suas produções finais.
Vozes baseadas em gravações licenciadas
Nossas 8 vozes derivam de gravações licenciadas (LibriTTS-R, CC BY 4.0) e leituras de domínio público do LibriVox. Isso garante qualidade de áudio profissional sem a complexidade de treinar modelos do zero.
Não oferecemos clonagem de voz personalizada, mas a base licenciada assegura consistência tonal para narrativas longas.
Processamento em nuvem sem latência de download
Tudo ocorre na nuvem. O endpoint retorna o arquivo de áudio pronto, sem necessidade de transferências adicionais ou infraestrutura local.
A geração segue o tempo real aproximado (25 caracteres por segundo), garantindo previsibilidade para pipelines de automação de vídeo.
Ouça as 8 vozes
Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Testes em diferentes níveis de volume ajudam a identificar vozes que 'cortam' melhor a mixagem.
23 idiomas
Qualquer voz fala qualquer um desses idiomas.
