Perguntas frequentes
O que é TTS?
TTS (Text-to-Speech) é uma API que converte texto em áudio. Você envia um script via POST e recebe um arquivo de áudio pronto. Ideal para agências que precisam narrar vídeos para TikTok, Reels e Shorts rapidamente, sem precisar de estúdio ou elenco.
Qual a diferença entre TTS e voz humana?
O TTS gera áudio sintético a partir de vozes baseadas em gravações licenciadas (LibriTTS-R). Cada arquivo possui uma marca d'água inaudível que o identifica como síntese. Não há emoções ou clonagem de voz personalizada, mas oferece consistência e escalabilidade para produção em massa.
A voz soa robótica nos vídeos?
As vozes são baseadas em gravações reais de audiobooks e narradores, resultando em um som natural e profissional. Embora não tenham tags de emoção, a entonação é clara e adequada para narração, evitando o som típico de robôs antigos comum em ferramentas básicas.
Posvozes falarem qualquer idioma?
Cada uma das 8 vozes pode falar qualquer um dos 23 idiomas suportados. Se não especificar o idioma, o sistema tenta adivinhar pelo script (texto em latim assume inglês). Para outros idiomas latinos, defina o campo 'language' explicitamente para evitar erros.
Como escolher a melhor voz?
Escolha entre 8 presets: femininas (Aria, Nova, Luna, Sage) e masculinas (Felix, Milo, Atlas, Orion). Use Felix para promos energéticos, Luna para storytelling ou Atlas para notícias. Consulte /docs para ver a lista completa e características de cada voz disponível.
A voz muda se eu alterar o texto?
A voz permanece consistente, pois você seleciona um preset específico (ex: 'nova' ou 'atlas'). O sistema mantém o mesmo timbre e estilo vocal para todos os textos enviados, garantindo uniformidade na narração de diferentes vídeos ou partes de um mesmo conteúdo.
Posso usar a voz em vídeos pagos?
Sim. As vozes são baseadas em gravações licenciadas (LibriTTS-R CC BY 4.0 e LibriVox). Você pode usar o áudio gerado em vídeos comerciais para TikTok, Reels e Shorts sem restrições adicionais, desde que respeite os termos da licença original das gravações base.
A narração é gerada instantaneamente?
Não é instantânea. Textos longos levam tempo real aproximado (25 caracteres por segundo). Pedidos são processados em fila, então há latência. Para textos maiores que 4096 caracteres, você deve dividi-los e juntar os arquivos de áudio manualmente ou via script.
Quantos idiomas são suportados?
São suportados 23 idiomas, incluindo inglês, português, espanhol, japonês, árabe e hindi. Não suportamos vietnamita, indonésio, tailandês, ucraniano, romeno, tcheco, bengali ou outros não listados. Verifique a lista completa em /docs para garantir a compatibilidade com seu script.
Posso usar a API no celular?
Não há SDK mobile oficial, mas você pode usar a API via HTTP ou qualquer biblioteca que suporte requisições REST. Como a estrutura é similar à OpenAI, você pode integrar facilmente em apps ou scripts executados no celular ou em automações.
A voz da narradora é única?
Cada voz tem características distintas (ex: Luna é suave para storytelling, Nova é animada). No entanto, todas são baseadas no mesmo pool de gravações licenciadas. Não há clonagem de voz personalizada, então as vozes são fixas e não exclusivas para sua marca.
Preciso de software especial?
Não. Basta enviar texto via JSON para o endpoint da API. Você pode usar curl, Python, ou qualquer linguagem de programação. O áudio é retornado no corpo da resposta, pronto para ser baixado e editado em seu editor de vídeo favorito.
A API funciona offline?
Não. A API é baseada na nuvem. Você precisa de conexão com a internet para enviar o texto e receber o áudio. Não há instalação local ou versão offline do serviço, pois o processamento de síntese ocorre nos servidores da PlayBuji.
Posso baixar o áudio para editar?
Sim. A API retorna o arquivo de áudio (mp3, wav, opus, flac ou pcm) na resposta. Você pode baixar o arquivo, editá-lo, adicionar trilha sonora ou efeitos no seu software de edição antes de publicar no TikTok, Reels ou Shorts.
O que é TTS para vídeos curtos
Texto para fala (TTS) converte roteiro escrito em arquivo de áudio sintetizado via API. Para agências que produzem TikTok, Reels e Shorts, isso permite transformar roteiros em narração profissional em escala, sem necessidade de estúdio ou elenco.
Definição de texto para fala
O TTS é uma API cloud que recebe texto e retorna áudio. Você envia o roteiro via JSON e recebe o arquivo de áudio pronto para edição.
Aplicações em redes sociais
É ideal para canais de notícias automatizados, vlogs com narração externa ou conteúdo educativo em série. A consistência da voz mantém a identidade da marca em todos os vídeos.
Vantagens sobre gravação humana
Elimina a logística de agendar locutores e alinhar agendas. Você controla o custo por caractere e escala a produção sem aumentar a equipe fixa.
Escolhendo a voz certa
A escolha da voz define a percepção imediata do seu conteúdo. No PlayBuji, cada preset é calibrado para um contexto específico, garantindo que a entonação corresponda à intenção do roteiro sem necessidade de ajustes manuais complexos.
Aria para narrativas emocionantes
Aria possui uma timbre quente e claro, ideal para narrativas que exigem conexão emocional. Sua voz naturaliza histórias, mantendo a atenção do espectador em vídeos de lifestyle ou storytelling.
- Aproxima-se de uma narradora profissional
- Ideal para roteiros com carga emocional
Atlas para notícias rápidas
Atlas oferece um tom neutro e direto, perfeito para notícias ou updates rápidos. Sua clareza exata facilita a digestão de informações curtas, mantendo o ritmo ágil que o TikTok exige.
- Tom jornalístico e impessoal
- Alta clareza em informações factuais
Felix para promoções dinâmicas
Felix traz energia e dinamismo, característico de promoções e anúncios. Sua voz ativa gera urgência e excitement, ideal para converter visualizações em ações imediatas em vídeos de produtos.
- Energia alta e envolvente
- Ótimo para call-to-action
Preparação do texto
O limite de 4096 caracteres por solicitação exige planejamento prévio do roteiro. Para vídeos mais longos, o texto deve ser dividido em partes menores que sejam processadas e unidas posteriormente.
Limitação de 4096 caracteres
Cada requisição à API aceita no máximo 4096 caracteres, incluindo espaços e pontuação. Exceder esse limite resulta em erro, então é necessário verificar o tamanho do texto antes do envio.
Quebra de textos longos
Para narrativas extensas, divida o roteiro em segmentos respeitando o limite. Após gerar os arquivos de áudio individuais, você deve concatená-los para criar a trilha final, mantendo a fluidez da narração.
Tratamento de pontuação
A pontuação influencia diretamente as pausas e o ritmo da voz sintética. Use vírgulas para pequenas pausas e pontos finais para respirações mais longas, garantindo uma leitura natural e clara para o algoritmo de retenção.
Configuração de velocidade
A velocidade de narração é um parâmetro crítico para o ritmo dos vídeos curtos. Com a API da PlayBuji, você controla a velocidade entre 0.25 e 4.0, permitindo ajustar a entrega vocal exatamente como o roteiro exige. Isso elimina a necessidade de edições manuais de áudio para acelerar ou desacelerar trechos específicos.
Ajuste de 0.25 a 4.0
O campo speed aceita valores decimais que alteram diretamente a taxa de fala. Valores abaixo de 1.0 desaceleram a narração, ideal para ênfase dramática ou instruções complexas. Valores acima de 1.0 aceleram o texto, permitindo condensar informações em poucos segundos sem perder a inteligibilidade.
- Valores válidos: 0.25 a 4.0.
- Padrão não especificado, ajuste conforme necessidade.
- Aplicável a todas as 8 vozes disponíveis.
Impacto na retenção do vídeo
Velocidades mais altas mantêm o ritmo dinâmico exigido pelo TikTok e Reels, reduzindo o tempo de retenção por segundo de vídeo. Para agências que produzem volume, isso significa menos tempo de edição e vídeos mais concisos, que tendem a ter melhor desempenho algorítmico por manterem a atenção do espectador.
Textos muito longos devem ser ajustados para velocidades próximas a 1.0 ou superiores para evitar que o áudio ocupe mais tempo que o vídeo disponível.
Velocidade natural vs acelerada
A velocidade natural (próxima de 1.0) oferece clareza máxima, adequada para narrativas emocionais ou educativas. A velocidade acelerada é útil para listas rápidas ou atualizações de notícias, onde a informação é prioritária sobre a entonação. Teste diferentes valores para encontrar o equilíbrio entre clareza e agilidade.
Lembre-se que a síntese é processada sequencialmente; velocidades muito altas podem reduzir ligeiramente o tempo de geração, mas o impacto é mínimo comparado ao valor de produção em escala.
Integração com editor de vídeo
A API retorna o áudio como arquivo binário direto na resposta. Para TikTok, Reels e Shorts, o formato MP3 ou WAV é o mais compatível com a maioria dos editores móveis e desktop. Basta salvar o conteúdo bruto da resposta em um arquivo local ou na nuvem para uso imediato.
Download do arquivo de áudio
Após enviar o texto via POST, o arquivo gerado deve ser armazenado localmente antes da importação. Certifique-se de que o formato escolhido (mp3, wav, opus, flac ou pcm) seja aceito pelo seu software de edição para evitar conversões desnecessárias que podem reduzir a qualidade.
Sincronização com legendas
Como não há suporte a SSML ou timestamps automáticos, a sincronização manual é necessária. Importe o arquivo de áudio no editor, adicione as legendas frame a frame ou use ferramentas externas de transcrição para alinhar o texto falado com a imagem, garantindo legibilidade rápida para o algoritmo.
Fluxo de trabalho em lote
Agências podem automatizar o processo: o script gera os arquivos de áudio via API, e um script de segunda mão (Python, Node.js) organiza os arquivos por projeto. Isso permite importar dezenas de narrações de uma só vez para a timeline, acelerando a produção de conteúdo em escala.
Idiomas e localização
O suporte da API abrange 23 idiomas, incluindo português, espanhol, inglês, japonês, árabe e hindi, entre outros. Qualquer voz pode falar qualquer um desses idiomas, o que simplifica a produção de conteúdo multilíngue para agências que atendem públicos globais.
Suporte a 23 idiomas
Além do português, o sistema oferece narração fluida em línguas como alemão, italiano, russo e turco. Isso permite criar versões locais de vídeos sem contratar novos locutores, mantendo a consistência do projeto.
- Suporte completo para 23 idiomas distintos
- Qualquer voz pode falar qualquer idioma da lista
- Ideal para audiências internacionais e nichos específicos
Detecção automática
A API tenta adivinhar o idioma pelo script do texto enviado. Para textos em latim, o padrão é o inglês. Essa configuração automática agiliza o workflow, mas pode falhar com línguas menos comuns ou misturas.
Forçar idioma com código ISO
Para garantir precisão, defina o campo language com o código ISO (ex: pt-BR, es-MX). Isso evita que textos em português sejam interpretados erroneamente como inglês, garantindo a pronúncia correta dos fonemas.
Qualidade e consistência
A qualidade do áudio é construída sobre alicerces sólidos: as oito vozes são derivadas de gravações licenciadas do LibriTTS-R e de audiobooks de domínio público do LibriVox, garantindo uma base natural e profissional sem necessidade de estúdios complexos. Cada arquivo gerado carrega uma marca d'água inaudível que identifica a fala como sintética, mantendo a transparência da produção.
A consistência é crítica para agências que produzem volume diário. O motor de síntese mantém o mesmo timbre e características vocais em todas as gerações, permitindo que você padronize a identidade sonora de seus canais TikTok e Reels sem variações aleatórias entre vídeos consecutivos.
Vozes baseadas em licenciamento
Todas as oito vozes disponíveis na API são baseadas em gravações licenciadas do conjunto de dados LibriTTS-R, que por sua vez deriva de leituras de domínio público do LibriVox. Isso garante uma qualidade auditiva premium e livre de restrições de uso comercial complexas para o produto final.
Diferente de vozes geradas puramente por IA sem fonte humana, as características vocais preservam nuances naturais de entonação e respiração, resultando em narrações mais fluidas e menos robóticas para seus vídeos curtos.
- Licenciamento transparente via LibriTTS-R
- Fonte em domínio público (LibriVox)
- Qualidade auditiva premium
Marca d'água inaudível
Cada arquivo de áudio gerado contém uma marca d'água inaudível que marca explicitamente o conteúdo como fala sintética. Isso é útil para conformidade e transparência, indicando claramente a origem da narração sem afetar a experiência do espectador.
A marca d'água não é um artefato de compressão visível ou audível, mas um identificador digital integrado ao arquivo, permitindo a verificação da origem do áudio quando necessário.
Manutenção de tom de voz
O motor garante que a mesma voz mantenha suas características tonais consistentes entre diferentes solicitações. Isso permite que agências criem séries de conteúdo onde a identidade vocal permanece inalterada, fortalecendo o reconhecimento de marca.
A consistência é mantida independentemente do idioma ou da velocidade ajustada, desde que a mesma voz seja selecionada, garantindo uniformidade na narrativa dos seus vídeos.
- Identidade vocal consistente
- Uniformidade em séries de conteúdo
- Reconhecimento de marca fortalecido

Erros comuns na narração
Erro ao enviar textos ultrapassarem o limite de 4096 caracteres gera falha imediata. A solução é dividir o roteiro em partes menores e concatenar os arquivos resultantes para manter a continuidade da narração.
Texto muito longo por vez
O API aceita no máximo 4096 caracteres por requisição. Exceder esse limite interrompe o processamento e pode resultar em custo sem entrega. Para roteiros longos, divida o texto, gere cada segmento e una os arquivos de áudio posteriormente.
Ignorar a configuração de idioma
A detecção automática assume texto em latim como inglês por padrão. Se seu script for português ou alemão, defina explicitamente o parâmetro language com o código ISO. Isso evita pronúncias incorretas que quebram a imersão do vídeo.
Não tratar falhas de síntese
Solicitações falhas são gratuitas, mas exigem retry manual. Implemente lógica para identificar erros na resposta da API e reenviar a requisição, garantindo que nenhum trecho do seu vídeo fique mudo ou sem narração devido a instabilidade momentânea.
Otimização para algoritmos
O algoritmo do TikTok prioriza a retenção nos primeiros segundos. Narrações com TTS bem ajustadas mantêm a atenção do espectador, reduzindo as taxas de abandono. A consistência auditiva sinaliza qualidade, incentivando o algoritmo a distribuir o conteúdo para audiências maiores.
Clareza e ritmo são fatores cruciais para o engajamento. Vozes claras como Aria ou Felix, combinadas com velocidades otimizadas, garantem que a mensagem seja compreendida rapidamente. Isso aumenta o tempo de visualização, um sinal positivo para a promoção do vídeo.
Retenção de audiência
Vídeos com narração profissional têm maior probabilidade de serem assistidos até o final. A voz humana sintetizada mantém o interesse, evitando que o usuário pule o conteúdo nos primeiros segundos críticos.
- Use vozes claras para maximizar a compreensão imediata.
- Evite pausas longas que possam causar o swipe.
Clareza da voz da narradora
A escolha da voz impacta diretamente a percepção do conteúdo. Vozes como Aria e Atlas oferecem clareza excepcional, essencial para mensagens rápidas em feeds acelerados.
- Aria para narrativas emocionantes.
- Atlas para notícias rápidas.
Ritmo do conteúdo
Ajustar a velocidade entre 0.25 e 4.0 permite sincronizar a narração com as edições visuais. Um ritmo adequado mantém o espectador engajado e melhora a retenção.
- Acelere textos longos para manter o dinamismo.
- Reduza a velocidade para ênfase em pontos-chave.
Escalonamento para agências
Para agências que gerenciam dezenas de canais, a consistência de voz é crítica. A API permite definir a mesma voz para todas as campanhas, garantindo identidade visual e auditiva sem a logística de estúdio.
O custo é transparente: $0,01 por mil caracteres. Não há planos mensais ou taxas de licença, permitindo escalar a produção de vídeos apenas conforme o volume de conteúdo necessário.
Gestão de múltiplos projetos
Cada conta mantém uma chave única, facilitando a separação de custos por cliente ou campanha. É possível emitir uma nova chave a qualquer momento, revogando a anterior instantaneamente para controle de acesso.
- Chave única por conta, revogação instantânea
- Suporte via email para questões técnicas
Controle de custos por caractere
O pagamento é feito apenas pelo uso real. Créditos de top-up via USDT (TRC-20) são creditados em minutos, sem necessidade de faturas ou impostos complexos. O saldo não expira.
Textos com mais de 4096 caracteres devem ser divididos em partes. Cada parte gera um arquivo de áudio separado, que pode ser concatenado no editor.
- Custo fixo: $10 por 1 milhão de caracteres
- Sem mensalidades ou gastos mínimos
Automação de produção
A estrutura de requisição JSON permite integrar TTS a ferramentas de automação (como Make ou Zapier). Scripts podem enviar roteiros e receber arquivos de áudio (mp3, wav, opus) automaticamente.
Com velocidade ajustável entre 0,25 e 4,0, é possível adaptar a narração ao ritmo do corte de vídeo, mantendo a sincronia com as legendas.
- Integração via HTTP ou SDKs compatíveis
- Formatos de áudio variados para edição
Casos de uso práticos
Agências que operam canais de notícias automatizados usam a API para gerar narrativas diárias sem depender de locutores. Com vozes como Atlas para notícias neutras ou Felix para promoções energéticas, o texto é convertido em áudio via endpoint POST, permitindo escala imediata sem custos fixos de estúdio ou agendas.
Vlogs gravados em locações variadas beneficiam-se da consistência vocal oferecida por vozes como Milo para conversas amigáveis. O fluxo de trabalho integra a API ao editor de vídeo, sincronizando a narração gerada com as legendas, garantindo que o conteúdo mantenha um padrão auditivo profissional independentemente do ambiente de gravação.
Canais de notícias automatizados
A API permite transformar roteiros diários em áudio em segundos, utilizando vozes como Atlas para notícias neutras. O custo de $0,01 por mil caracteres facilita o orçamento preciso de cada vídeo, sem surpresas em faturas mensais ou horas extras, ideal para alto volume de conteúdo.
A integração via SDK OpenAI ou HTTP direto automatiza a produção, permitindo que agências gerem centenas de vídeos por dia com consistência vocal, sem necessidade de estúdio ou elenco fixo.
- Endpoint POST para geração rápida de áudio
- Vozes como Atlas para tom jornalístico neutro
- Custo fixo por caractere gerado
Vlogs com narração externa
Para vlogs gravados em locações variadas, use a voz Felix para promoções dinâmicas ou Milo para conversas amigáveis. A consistência da voz sintética unifica a experiência do espectador, mesmo quando o vídeo é gravado em diferentes ambientes.
A marca d'água inaudível marca o áudio como sintetizado, mantendo a transparência sem comprometer a qualidade narrativa do conteúdo criado por agências de conteúdo.
- Vozes Milo e Felix para diferentes tons
- Consistência entre locações variadas
- Marca d'água inaudível incluída
Conteúdo educativo em série
Séries de conteúdo educativo exigem repetição de vozes e tom consistente. As vozes Sage (calma, instrucional) e Luna (suave, narrativa) são ideais para manter o engajamento do público em episódios longos.
Com suporte a 23 idiomas e detecção automática, agências podem escalar conteúdo educacional para mercados globais, ajustando a velocidade entre 0.25 e 4.0 para adaptar o ritmo ao tipo de aprendizado.
- Vozes Sage e Luna para instrução
- Suporte a 23 idiomas
- Ajuste de velocidade para ritmo de aprendizado
Próximos passos
Para iniciar, acesse playbuji.com/get-api-key/ e registre-se via Google ou e-mail. A página exibirá sua chave API, saldo e um exemplo de comando curl pronto para uso. Não há planos mensais ou custos fixos; a fatura é baseada estritamente nos caracteres processados.
Utilize os $0,50 de crédito gratuito (válido por 7 dias) para validar a integração. Este crédito permite gerar aproximadamente 50.000 caracteres, suficiente para testar diferentes vozes e formatos sem compromisso financeiro imediato.
Criar conta e obter chave
O registro é imediato. Ao acessar a página de configuração, você recebe uma chave única no formato tts-.... Essa chave autentica todas as requisições para o endpoint https://api.playbuji.com/v1.
- Registro via Google ou e-mail + senha
- Chave ativa imediatamente após a criação
- Uma chave por conta; pode ser renovada a qualquer momento
Testar com o crédito grátis
O crédito inicial de $0,50 é automático para contas criadas com Google. Ele expira em 7 dias, permitindo testes reais sem risco. Contas criadas apenas com e-mail não recebem este bônus.
- Equivalente a 50.000 caracteres
- Válido por 7 dias após o login
- Solicitações falhas são cobradas como zero
Implementar integração básica
Envie um POST para /v1/audio/speech com sua chave no cabeçalho Authorization. Use o SDK OpenAI ajustando o base_url para https://api.playbuji.com/v1. Defina o modelo tts-1, o texto e a voz desejada.
- Endpoint: POST /v1/audio/speech
- Formato de resposta: mp3, wav, opus, flac ou pcm
- Limitação: 4.096 caracteres por requisição
Ouça as 8 vozes
Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Verifique sempre a compatibilidade antes de iniciar a produção em massa para evitar retrabalho na locução.
23 idiomas
Qualquer voz fala qualquer um desses idiomas.
Fontes e leituras adicionais
- Wikipedia
- Creative Commons Attribution 4.0
- ISO 639 language codes
- TRON developer hub: TRC-20
- openai-python on GitHub
- Tether (USDT)
- LibriVox public-domain audiobooks
- W3C WAI: making audio and video accessible
- LibriTTS-R corpus (OpenSLR 141)
- FFmpeg documentation
- Python documentation
- OpenAI API reference: create speech
