Perguntas frequentes
O que é uma API de voz de narrador para vídeos?
É um serviço em nuvem que converte texto em áudio via endpoint POST. Você envia o texto e recebe o arquivo de áudio. O formato de requisição é compatível com o SDK da OpenAI, facilitando a integração técnica para automação de produção de conteúdo.
Como funciona a síntese de voz em nuvem?
Você envia texto via JSON para o endpoint /v1/audio/speech. O sistema processa a requisição e retorna o arquivo de áudio. O processamento é sequencial, podendo haver fila sob carga. O tempo de geração é aproximadamente de 25 caracteres por segundo para textos longos.
Qual a diferença entre tts-1 e tts-1-hd?
Ambos utilizam o mesmo motor de síntese e possuem o mesmo preço. A escolha entre 'tts-1' e 'tts-1-hd' não altera o custo nem a qualidade do áudio gerado. Ambos aceitam os mesmos parâmetros de entrada e produzem resultados idênticos em qualidade.
Posso usar a API para vídeos do YouTube?
Sim. A API é ideal para criadores de conteúdo e agências que produzem narrativas. Você pode enviar textos de até 4096 caracteres por requisição. O áudio gerado é entregue via resposta HTTP, pronto para ser incorporado em sua edição de vídeo.
Quais formatos de áudio são melhores para edição?
Você pode escolher entre mp3, wav, opus, flac e pcm. O WAV é não comprimido e ideal para edição profissional. O MP3 é leve e eficiente para distribuição. O FLAC oferece compressão sem perda. A escolha depende da sua necessidade de qualidade versus tamanho de arquivo.
A API detecta o idioma automaticamente?
Sim, mas com ressalvas. Se o idioma não for definido, o sistema tenta adivinhar pelo script. Textos em latim padrão assumem inglês. Para textos em outros idiomas com alfabeto latino, defina o parâmetro 'language' explicitamente para garantir a pronúncia correta.
Como evitar que o texto seja muito longo?
O limite é de 4096 caracteres por requisição. Para textos maiores, divida o texto em partes dentro desse limite. Gere o áudio de cada parte separadamente e junte os arquivos resultantes. Isso garante que cada solicitação seja processada corretamente sem erros de tamanho.
O áudio gerado tem direitos autorais?
Cada arquivo gerado contém uma marca d'água inaudível que o identifica como fala sintética. As vozes são baseadas em gravações licenciadas (LibriTTS-R e LibriVox). O texto enviado não é usado para treinamento. Os direitos dependem da licença da API e do uso do conteúdo.
Posso ajustar a velocidade da voz?
Sim. O parâmetro 'speed' aceita valores entre 0.25 e 4.0. Isso permite acelerar ou desacelerar a fala conforme necessário para o ritmo do vídeo. O ajuste é aplicado diretamente na síntese, sem necessidade de pós-processamento adicional no arquivo de áudio final.
A API suporta SSML para pausas?
Não. A API não suporta marcação SSML. Você não pode definir pausas específicas ou ênfase usando tags XML. Para controlar o ritmo, ajuste a velocidade geral ou divida o texto em frases menores e gere áudios separados para inserir pausas na edição.
Como funciona o pagamento por carácter?
O custo é de $10 por 1 milhão de caracteres. Isso equivale a $0.01 por 1.000 caracteres. Espaços e pontuação contam como caracteres. Pedidos falhos são gratuitos. O saldo não expira e pode ser recarregado via USDT (TRC-20) a partir de $5.
O que acontece se o servidor cair?
Não há garantia de uptime nem SLA. Se a síntese falhar, o valor é devolvido integralmente. Pedidos são processados em fila; sob carga, pode haver espera. Não há suporte telefônico ou chat ao vivo. O suporte é feito exclusivamente por e-mail.
Há limite de uso por dia?
O limite é de 60 requisições por minuto por chave. Antes do primeiro recarga, o limite é de 10 requisições por minuto. Não há limite diário específico, mas a taxa por minuto pode ser um gargalo em picos de uso. Não há plano mensal.
Posso usar a API em projetos comerciais?
Sim. A API é projetada para criadores e agências. Não há restrições de uso comercial. Basta ter saldo suficiente na conta. O áudio gerado é entregue via API e pode ser incorporado em seus projetos de vídeo, podcasts ou outras mídias.
Como exportar as vozes disponíveis?
Faça uma requisição GET para /v1/voices. O endpoint retorna a lista de vozes, idiomas, formatos e preços disponíveis. Isso permite programaticamente selecionar a voz adequada para seu projeto sem precisar consultar a documentação web manualmente para cada nova integração.
A marca d'água é audível?
Não. A marca d'água é inaudível. Ela marca o arquivo como fala sintética, mas não é percebida pelo ouvinte. Isso permite o uso comercial sem distrações auditivas. A marcação é técnica e serve para identificação de origem do áudio gerado.
Posso clonar uma voz específica?
Não. Não oferecemos clonagem de voz personalizada. As vozes são predefinidas (8 presets) e baseadas em gravações licenciadas. Você não pode enviar sua própria voz nem criar vozes sob medida. A clonagem de conteúdo explica consentimento e a lei, e a clonagem personalizada não é oferecida.
Entendendo a necessidade de narração automatizada
A API de narração para vídeos do VoizEngine processa texto e retorna áudio sintetizado, permitindo que agências e criadores gerem trilhas sonoras em escala sem depender de estúdios físicos. O endpoint aceita requisições JSON e entrega arquivos de áudio prontos para edição, eliminando gargalos logísticos na produção de narrativas.
Escalabilidade na produção de conteúdo
Com capacidade de 60 requisições por minuto, é possível automatizar a geração de narrações para múltiplos vídeos simultaneamente. Textos longos são divididos internamente e unidos, permitindo a criação de episódios completos ou séries de conteúdo sem limites rígidos de duração por chamada.
- Processamento paralelo viável até o limite de 60 req/min
- Unificação automática de segmentos de áudio para textos extensos
Consistência de tom em múltiplos vídeos
A escolha de uma das 8 vozes presets garante uniformidade vocal em toda a biblioteca de vídeos da agência. Diferente de locutores humanos que podem variar o tom ou ter indisponibilidade, a voz selecionada mantém a mesma entonação e velocidade definida (0.25–4.0) em todas as entregas.
- 8 vozes fixas para manter identidade sonora da marca
- Controle preciso de velocidade para sincronização visual
Redução de custos com locutores humanos
O custo é de US$ 10 por 1 milhão de caracteres, cobrando apenas pelo volume efetivo. Sem custos fixos de estúdio, horas extras ou direitos autorais recorrentes complexos, o modelo de pagamento por uso reduz drasticamente o custo marginal de cada novo vídeo produzido.
- Cobrança baseada em caracteres processados
- Sem custos fixos de infraestrutura de gravação
Seleção de voz para o projeto
A API oferece oito vozes pré-configuradas, divididas entre masculinas e femininas, projetadas para diferentes contextos narrativos. Você pode selecionar desde a voz clara de Aria para narrações padrão até Atlas para notícias neutras, ou Orion para documentários mais profundos. Cada voz é baseada em gravações licenciadas, garantindo consistência acústica sem a necessidade de design personalizado.
Escolha entre 8 presets profissionais
As opções incluem Aria, Nova, Luna e Sage (femininas) e Felix, Milo, Atlas e Orion (masculinas). A escolha deve basear-se no tom do vídeo: Felix para promoções energéticas, Milo para conversas diretas ou Sage para instruções. O SDK da OpenAI permite alternar a voz no parâmetro voice sem alterar a infraestrutura.
- Aria: narradora clara e quente
- Felix: energético, ideal para promoções
- Atlas: neutro, estilo noticiário
- Orion: grave, para documentários
Ajuste de velocidade para sincronização
O parâmetro speed aceita valores entre 0,25 e 4,0. Isso permite sincronizar a narração com cortes de vídeo ou legendas. Para textos longos, a geração ocorre em tempo real aproximado (25 caracteres por segundo), mas requests rápidos podem entrar em fila sob carga.
Teste de idioma e sotaque
Suportamos 23 idiomas, mas qualquer voz pode falar qualquer idioma da lista. Se o texto for em latim mas não for inglês, defina o parâmetro language explicitamente para evitar que o sistema adivinhe erroneamente o sotaque. Idiomas como vietnamita ou tailandês não são suportados.
Integração técnica da API
O endpoint principal para síntese é POST https://api.vk444.info/v1/audio/speech. A estrutura do JSON segue o padrão do OpenAI, permitindo o uso das SDKs oficiais com apenas a alteração do base_url para https://api.vk444.info/v1. A autenticação utiliza o cabeçalho Authorization: Bearer com a chave única da conta.
Configuração do endpoint POST
Configure o base_url da SDK para https://api.vk444.info/v1. Envie solicitações POST com o corpo JSON contendo o modelo (tts-1 ou tts-1-hd), o texto de entrada e a voz desejada. O limite é de 60 requisições por minuto por chave.
Envio de texto e parâmetros
Transmita o texto até 4096 caracteres no campo input. Especifique a voice (ex: nova, atlas) e o response_format (mp3, wav, opus, flac, pcm). O campo language é opcional; se omitido, o sistema detecta o idioma, mas deve ser definido explicitamente para textos em latim não ingleses.
- Modelo:
tts-1outts-1-hd(mesmo motor e preço). - Velocidade: ajustável de 0.25 a 4.0.
- Texto máximo: 4096 caracteres por requisição.
Recebimento do arquivo de áudio
A resposta contém o arquivo de áudio binário. Para textos longos, o cliente deve dividir o texto em blocos de 4096 caracteres e concatenar os arquivos resultantes. O tempo de geração é aproximadamente em tempo real para textos extensos.
Gestão de caracteres e limites
O custo é calculado por caractere, incluindo espaços e pontuação. Cada requisição aceita até 4096 caracteres. Limitar o texto ao máximo evita erros de validação e garante que a geração seja processada em uma única etapa, mantendo a consistência do áudio sem cortes abruptos.
Contagem de caracteres incluída
Todos os símbolos contam para o valor cobrado. Para textos extensos, o cliente deve dividir o texto em partes de até 4096 caracteres e unir os arquivos finais. Isso elimina a necessidade de gerenciar manualmente os cortes do seu script.
- Espaços e pontuação contam como caracteres
- Limite máximo de 4096 chars por requisição
- Junção automática de arquivos para textos longos
Truncamento de textos longos
Se o texto exceder 4096 caracteres, a API processará a parte correspondente. Para narrativas contínuas, o cliente deve dividir o input e concatenar os arquivos resultantes. Essa abordagem mantém a fluidez da narração sem necessidade de edição manual de segmentos.
Otimização de prompts para economia
Para reduzir custos, remova espaços desnecessários e caracteres especiais não essenciais antes do envio. Como cada caractere tem custo direto, a limpeza do texto input aumenta o volume útil de narração por cada dólar gasto na conta.
Pós-produção do áudio gerado
O fluxo de trabalho é direto: a API devolve o arquivo de áudio pronto para edição. Não há necessidade de infraestrutura de streaming ou processamento em tempo real. O áudio gerado pode ser importado imediatamente para qualquer editor de vídeo padrão, facilitando a sincronização com a trilha sonora e efeitos visuais do projeto final.
Inserção em editor de vídeo
O arquivo recebido é um recurso estático, sem dependência de conexão contínua. Isso permite que equipes de edição trabalhem offline, aplicando compressão e masterização conforme a necessidade do entregável final, seja para YouTube ou plataformas corporativas.
Marca d'água invisível identificável
Cada arquivo sintetizado contém uma marca d'água inaudível que identifica o áudio como gerado por IA. Isso permite a verificação da origem do conteúdo, útil para direitos autorais e transparência, sem afetar a experiência auditiva do espectador.
Qualidade de áudio vs. custo
A qualidade é consistente, baseada em vozes licenciadas do LibriTTS-R. O custo é fixo por caractere ($0,01 por mil), independentemente da complexidade da frase. A relação entre fidelidade e preço é linear, permitindo previsão exata de orçamento para grandes volumes de narração.
- Audio baseado em gravações licenciadas (CC BY 4.0)
- Custo fixo por caractere, não por segundo de áudio
- Marca d'água digital invisível no arquivo gerado
Casos de uso para agências
Agências que gerenciam múltiplos canais de YouTube podem automatizar a narração integrando a API ao pipeline de produção. Com 23 idiomas suportados e 8 vozes distintas, é possível manter a consistência da marca em vídeos gerados em escala, sem depender de agendamentos de locutores.
A API aceita textos de até 4096 caracteres por requisição. Para roteiros longos, o texto é dividido e as faixas são unidas, permitindo a criação de vídeos completos via código, otimizando o tempo de produção e reduzindo custos operacionais.
Produção de canais no piloto automático
Integre o endpoint POST ao seu sistema de gestão de conteúdo para gerar áudios automaticamente assim que o roteiro for aprovado. A velocidade de geração acompanha o tempo real, permitindo processamento em lote durante a noite ou em horários de baixa demanda.
Utilize a velocidade ajustável (0.25–4.0) para sincronizar a narração com a edição de vídeo. Como as requisições são processadas em fila, planeje o volume para evitar latência em prazos curtos.
- Endpoint POST para integração direta
- Processamento em lote para escalabilidade
- Ajuste de velocidade para sincronização
Narração em múltiplos idiomas
Expanda seu alcance global utilizando a mesma base de texto em até 23 idiomas. Cada voz pode falar qualquer idioma da lista, garantindo consistência de timbre entre as versões localizadas.
Defina o código ISO da linguagem para textos em latim que não são inglês. Isso evita a detecção automática incorreta e garante a pronúncia adequada para mercados específicos.
- Suporte a 23 idiomas
- Vozes versáteis por idioma
- Detecção automática ou explícita
A/B testing de vozes
Teste diferentes vozes para identificar a que melhor converte com seu público-alvo. Com 8 presets distintos, de narradores quentes a vozes neutras, você pode comparar desempenho sem custos adicionais de estúdio.
Utilize o formato MP3 para testes rápidos de integração ou WAV para avaliação de qualidade. A ausência de marca d'água audível permite que o áudio seja inserido diretamente no editor para comparação final.
- 8 vozes distintas para teste
- Formatos MP3 e WAV disponíveis
- Sem custos de estúdio adicionais
Autenticação e segurança
A autenticação ocorre via cabeçalho Authorization: Bearer com a chave única fornecida no painel. Cada conta mantém apenas uma chave ativa por vez, simplificando o gerenciamento em ambientes de produção.
Proteção da chave API
Envie sua chave no cabeçalho da requisição. Ela garante que o uso seja rastreado e cobrado corretamente na sua conta.
Rotação de tokens em caso de vazamento
Se houver suspeita de uso indevido, emita uma nova chave no painel. A chave antiga é invalidada imediatamente, interrompendo o acesso dos invasores.
Monitoramento de uso anômalo
A chave está limitada a 60 requisições por minuto. Esse limite ajuda a evitar picos inesperados de consumo ou tentativas de brute force.
- Limite de 60 req/min por chave
- Invalidação instantânea ao gerar nova chave

Formatos de áudio para entrega
O formato de áudio escolhido define o equilíbrio entre qualidade, tamanho de arquivo e compatibilidade com a plataforma de destino. Cada formato atende a uma etapa específica do pipeline de produção de vídeo, desde a entrega final ao espectador até a masterização em estúdio.
MP3 para web e mobile
O MP3 é o padrão para distribuição online devido à sua ampla compatibilidade e tamanho reduzido. Ideal para vídeos em plataformas como YouTube e redes sociais, onde a largura de banda é limitada. A compressão mantém a inteligibilidade da narração sem ocupar espaço desnecessário no servidor.
- Alta compatibilidade com players modernos
- Tamanho de arquivo otimizado para distribuição
- Ideal para conteúdo final publicado
WAV para masters de vídeo
O WAV oferece áudio sem compressão lossy, preservando toda a fidelidade do arquivo original. É a escolha certa para arquivos master que serão editados novamente ou masterizados em estúdio. Garante que não haja perda de qualidade durante o processo de pós-produção.
- Áudio PCM sem compressão
- Máxima fidelidade para edição
- Padrão para masters profissionais
OPUS para streaming eficiente
O formato OPUS oferece excelente compressão com alta qualidade, ideal para aplicações que exigem baixo uso de banda. É recomendado para integrações onde o áudio deve ser carregado rapidamente em dispositivos móveis ou conexões lentas. Permite transmitir narração com eficiência sem sacrificar a clareza.
- Alta eficiência de compressão
- Qualidade superior em baixas bitrates
- Perfeito para transmissão eficiente em dados móveis
Tratamento de erros na integração
O serviço processa solicitações sequencialmente; sob carga, as requisições podem aguardar na fila ou sofrer timeout. Implemente lógica de retentativa com backoff exponencial para lidar com latência variável durante picos de geração.
Como não há streaming, o erro só é detectado após o timeout ou falha síncrona. Registre o status de cada requisição para auditoria de custos e debugging da integração.
Retentativa em caso de timeout
Se a geração ultrapassar o tempo limite, o cliente deve reiniciar a solicitação. Como as requisições são processadas uma após a outra, atrasos podem ocorrer durante alta demanda.
- Implemente retry com delay exponencial.
- Considere a fila de processamento em horários de pico.
Log de falhas para auditoria
Registre o timestamp, o ID da chave e o código de erro retornado. Isso facilita identificar se o problema foi de rede, limite de taxa ou falha no serviço.
Reembolso automático por erro
Se a síntese falhar, o valor dos caracteres não é cobrado. Não há necessidade de solicitar reembolso manual; o crédito não é descontado se o áudio não for gerado com sucesso.
Otimização de custos
Otimizar custos na API de narração exige gestão ativa dos caracteres, pois cada espaço e pontuação conta na fatura. Com o preço fixo de $0,01 por mil caracteres, pequenas inefficiências se acumulam rapidamente em volumes altos de produção para YouTube.
Agrupamento de textos curtos
Minimize o overhead de requisição agrupando frases curtas em um único payload, respeitando o limite de 4096 caracteres. Isso reduz a quantidade de chamadas API e simplifica a lógica de junção dos arquivos de áudio gerados.
Uso de tts-1 para volume alto
Utilize o modelo tts-1 para a maioria das produções, pois ele oferece o mesmo motor de síntese e o mesmo preço do tts-1-hd. Reserve o tts-1-hd apenas quando a fidelidade de áudio for crítica para o projeto.
- Mesmo motor de síntese entre modelos.
- Custo por caractere idêntico.
- Sem garantia de SLA para prioridade.
Monitoramento de caracteres por vídeo
Mantenha o controle do consumo por vídeo para evitar gastos surpresa. O saldo não expira e créditos falhos são reembolsados, mas a eficiência do texto direto impacta o custo final operacional.
Privacidade e direitos autorais
O texto enviado para síntese é utilizado exclusivamente para gerar o arquivo de áudio e não é incorporado para treinar ou aprimorar o modelo subjacente. Essa separação garante que suas guias de estilo, roteiros secretos ou dados proprietários não se tornem parte do treinamento contínuo da engine.
Os arquivos de áudio gerados são retornados imediatamente na resposta da API e não são persistidos em nossos servidores após a entrega. Apenas metadados de requisição (tempo, caracteres, status) são mantidos estritamente para fins de faturamento e auditoria de uso.
Texto não treinado em modelos
O texto inserido no campo input é processado em tempo real para produzir o fonema e a prosódia desejados. Após a conclusão da síntese, essa informação textual não é armazenada nem utilizada para ajustar os parâmetros do motor TTS para outros usuários. Isso preserva a confidencialidade de roteiros exclusivos usados em campanhas de marketing.
Áudio não armazenado no servidor
O fluxo de dados é projetado para ser efêmero. Assim que o arquivo de áudio é entregue ao cliente através da resposta HTTP, ele não permanece em nosso armazenamento. A única informação retida são os registros de transação necessários para calcular o saldo da conta e garantir a precisão na cobrança por caractere.
Licenciamento das vozes base
As vozes disponíveis (Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion) são derivadas de gravações licenciadas do projeto LibriTTS-R (CC BY 4.0), originárias de audiobooks em domínio público do LibriVox. Isso garante uma base legal sólida para o uso comercial das vozes, sem a necessidade de royalties variáveis por geração. O áudio final contém uma marca d'água inaudível que identifica o conteúdo como speech sintetizado.
- Baseado em LibriTTS-R (CC BY 4.0)
- Origem: leituras de domínio público do LibriVox
- Uso comercial permitido sem royalties adicionais
Suporte e documentação
O acesso à documentação técnica é direto na raiz da API. Todos os endpoints, parâmetros de requisição e exemplos de resposta estão documentados para integração imediata.
Acesso à documentação técnica
Acesse /docs/ para ver a especificação completa dos campos model, input, voice e response_format. A estrutura segue o padrão OpenAI, permitindo uso com SDKs oficiais apenas alterando o base_url para https://api.vk444.info/v1.
- Endpoints listados com exemplos de corpo JSON
- Descrição detalhada dos formatos de áudio suportados
Exemplos de código prontos
Utilize o exemplo cURL fornecido na página /get-api-key/ para testes rápidos. A estrutura de requisição é idêntica à do OpenAI Speech, facilitando a migração de scripts existentes.
- Exemplo cURL para geração de áudio
- Configuração de
base_urlpara SDKs OpenAI
Canal de suporte por email
O suporte técnico é exclusivo via email. Não há chat ao vivo, telefone ou SLA de resposta garantida. Para dúvidas sobre integração ou status de conta, escreva diretamente para o endereço de suporte listando o erro e os parâmetros enviados.
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.
