NodaroAccount
Docs do Nodaro
DocumentaçãoReferência de nósModelosTemplatesAgentes de IA (MCP)DesenvolvedoresAuto-hospedagemPesquisaComparações
Áudio

Texto para diálogo

Dê voz a uma conversa inteira em um só arquivo de áudio, com uma voz por fala e tags de emoção. Usa o ElevenLabs Dialogue v3, o v4 ou um modelo Gemini.

O nó Texto para diálogo dá voz a uma conversa inteira em um só arquivo de áudio. Você escreve as falas, dá uma voz a cada uma, e o ElevenLabs Dialogue v3, o ElevenLabs Dialogue v4 ou um modelo de fala Gemini as fala em ordem, como uma troca natural. Use-o para entrevistas, conversas no estilo podcast e cenas de diálogo, em vez de gerar clipes de fala separados e emendá-los.

Quando usar

  • Uma conversa no estilo podcast entre dois ou mais falantes.
  • Uma entrevista com uma voz de apresentador e uma voz de convidado.
  • Uma faixa de diálogo para um vídeo animado ou um vídeo explicativo.
  • Uma cena de diálogo em um audiolivro, com uma voz por personagem.
  • Um protótipo rápido, em áudio, de uma conversa.

Para uma única voz lendo um texto, use Texto para fala.

Início rápido

Adicione o nó

Pressione Tab no canvas e escolha Áudio › Fala e narração › Texto para diálogo.

Escreva as falas

Abra o painel de configurações. Em Falas, escolha uma voz para a primeira fala e digite o texto dela. Clique em Adicionar fala para cada nova fala da conversa.

Ou preencha as falas com um roteiro

Conecte a saída Diálogo de um nó Gerar roteiro à entrada Prompt. No painel de configurações, clique no botão que preenche as falas, como Preencher falas do roteiro (12). Depois, escolha uma voz para cada falante.

Execute

Clique em Executar no nó. O nó retorna um só arquivo de áudio com todas as falas em ordem.

promptáudioáudioGerar roteiroSaída DiálogoTexto para diálogoDuas vozesTexto para áudioAmbiente de caféMixar áudio
Um roteiro preenche as falas do diálogo, e a conversa é mixada sobre um som ambiente gerado.

Entradas

EntradaAceitaO que faz
PromptNós de texto, como Gerar roteiroQuando a saída Diálogo de um nó Gerar roteiro está conectada, o painel de configurações oferece um botão que preenche as falas com o roteiro. As falas do painel são o que o nó fala.
SaídaO que leva
ÁudioUm só arquivo de áudio contínuo, com todas as falas ditas em ordem.
TranscriçãoSó nos modelos ElevenLabs. Os tempos do diálogo: cada palavra com o tempo de início, o tempo de fim e o falante, e um segmento para cada fala. O falante é a voz daquela fala.

Conecte a saída Transcrição à entrada Transcrição do Adicionar legendas. O Adicionar legendas então usa as próprias palavras e os tempos do diálogo, em vez de transcrever o áudio de novo. As tags de áudio das falas nunca viram palavras da legenda.

Configurações

ConfiguraçãoO que faz
ModeloElevenLabs Dialogue v3 (o padrão), ElevenLabs Dialogue v4, Gemini 3.8 Flash-Lite TTS, Gemini 3.8 Flash TTS, Gemini 3.1 Flash TTS ou Gemini 2.5 Pro TTS. Veja Modelos.
FalasAs falas da conversa, em ordem. Cada fala tem a própria voz e o próprio texto. Digite [ ou / em uma fala para inserir uma tag de áudio. Falas vazias são ignoradas.
Adicionar falaAdiciona uma fala no final. O botão de lixeira remove uma fala.
Preencher falas do roteiro (…)Aparece quando a saída Diálogo de um nó Gerar roteiro está conectada. Substitui as falas por uma fala para cada linha do roteiro. Cada fala mantém o nome do falante e começa com a voz padrão, Sarah.
EstabilidadeMais baixo é mais dramático, e mais alto é mais uniforme. O padrão é 0,5. No Dialogue v3, escolha Mais variável (0), Equilibrado (0,5) ou Mais estável (1,0). No Dialogue v4, um controle deslizante aceita qualquer valor de 0 a 1. Quando você muda para o v3, um valor entre os passos vai para o passo mais próximo.
SemelhançaSó no Dialogue v4. De 0 a 1, o quanto cada fala mantém o caráter da própria voz. O padrão é 0,75.
IdiomaDetecção automática (o padrão) ou um idioma.
SeedUm número inteiro de 0 a 4.294.967.295. A mesma seed, as mesmas falas e as mesmas configurações reproduzem o mesmo áudio. Deixe vazio para ter um take aleatório.
Normalização de textoAutomática (o padrão), Ativada ou Desativada. Quando ativada, números, datas e abreviações são escritos por extenso, para soarem naturais.
Estilo da fala …Gemini 3.8 Flash-Lite e 3.8 Flash. Como uma fala é dita, em palavras, com até 1.000 caracteres, por exemplo “cansada, lenta, quase dormindo”. Nunca é falado e não entra no preço.
FalantesGemini 3.1 Flash e 2.5 Pro. Para cada voz: um Estilo de fala (Vocal Smile, Newscaster, Whisper, Empathetic, Promo/Hype ou Deadpan), um Ritmo (Natural, Rapid Fire, The Drift ou Staccato), um Sotaque e um Perfil de áudio que diz quem está falando, com até 1.000 caracteres. Nada disso é falado nem entra no preço.
Palavras de preenchimentoGemini 3.8 Flash-Lite e 3.8 Flash, com exatamente duas vozes. Os dois falantes acrescentam palavras de preenchimento naturais, como “hum” e “sabe”.
ArquivoModelos Gemini. MP3, 128 kbps (o padrão), MP3, 192 kbps ou WAV, 24 kHz, pelos mesmos créditos. Os modelos ElevenLabs entregam só o MP3 de 128 kbps.
Vozes clonadasGemini 3.8 Flash. Adiciona um falante que fala com a própria voz de uma pessoa, clonada só para esta execução. Veja Modelos Gemini.

O painel conta as vozes e os caracteres enquanto você escreve, por exemplo 2/10 voices e 840/5000. A contagem de caracteres mostra o limite do modelo escolhido.

Limites

LimiteValor
Texto somando todas as falas5.000 caracteres no Dialogue v3 e 10.000 caracteres no Dialogue v4. Até 2.000 caracteres dá a melhor qualidade.
Texto somando todas as falas, modelos Gemini10.000 caracteres.
Vozes diferentes por execução10 nos modelos ElevenLabs, 2 em um modelo Gemini. Usar uma voz em várias falas conta uma vez só.

Um diálogo precisa de pelo menos uma fala com texto. Uma execução sem texto em nenhuma fala é recusada antes de começar. Um roteiro acima do limite do modelo escolhido também é recusado antes de qualquer cobrança de créditos.

Vozes e tags de áudio

Nos modelos ElevenLabs, cada fala pode usar qualquer voz: vozes prontas, vozes da Biblioteca de vozes e as suas próprias vozes, em qualquer combinação. Não existe uma lista separada de vozes para diálogo. Um modelo Gemini fala só as próprias vozes, descritas abaixo.

Nos dois modelos ElevenLabs, as falas entendem as mesmas tags de áudio que o ElevenLabs v3 e o v4 no Texto para fala, como [laughs], [whispers] e [sighs].

Modelos

O Texto para diálogo executa um de dois modelos ElevenLabs ou um de quatro modelos Gemini. Os dois modelos ElevenLabs falam os mesmos 46 idiomas e entendem tags de áudio.

  • ElevenLabs Dialogue v3 é o padrão. É expressivo, e a Estabilidade dele tem três passos.
  • ElevenLabs Dialogue v4 é o modelo mais novo. Aceita qualquer Estabilidade de 0 a 1, acrescenta a Semelhança e aceita roteiros de até 10.000 caracteres.
ModeloDesenvolvedorModosCréditosDetalhes
ElevenLabs Dialogue v3ElevenLabsDiálogo com vários falantesa partir de 5Diálogo com vários falantes pela API direta da ElevenLabs — você fornece um roteiro e ele dá voz a cada papel (qualquer voz: pronta, da biblioteca ou clonada).
ElevenLabs Dialogue v4ElevenLabsDiálogo com vários falantesa partir de 5Diálogo com vários falantes no ElevenLabs v4 — marcações de áudio entre colchetes, controle de estabilidade e similaridade. API direta.

Modelos Gemini

Os quatro modelos de fala Gemini do Google dão voz a um diálogo de um ou dois falantes: Gemini 3.8 Flash-Lite TTS (o mais barato), Gemini 3.8 Flash TTS, Gemini 3.1 Flash TTS e Gemini 2.5 Pro TTS. O ElevenLabs Dialogue v3 continua sendo o padrão.

  • Duas vozes, cada uma da lista do próprio modelo. As listas são as mesmas do Texto para fala: 70 vozes nos modelos 3.8 e 30 no 3.1 Flash e no 2.5 Pro. Uma terceira voz, ou uma voz que não está na lista, é recusada antes de qualquer cobrança.
  • Trocar de modelo mantém dois falantes. Quando você troca para um modelo Gemini, cada voz que o modelo fala é mantida, e cada outra voz passa para uma voz do modelo ainda não usada. Quando você volta para um modelo ElevenLabs, as vozes Gemini são limpas, e você escolhe de novo uma voz para cada fala.
  • Direção. Nos modelos 3.8, cada fala pode ter o próprio estilo de fala, e Palavras de preenchimento acrescenta preenchimentos naturais entre dois falantes. No 3.1 Flash e no 2.5 Pro, cada voz tem um estilo de fala, um ritmo, um sotaque e um perfil de áudio.
  • Tags. Nos modelos 3.8, as tags entre colchetes são reescritas para as tags próprias do modelo ou removidas, como no Texto para fala. O Gemini 3.1 Flash e o 2.5 Pro aceitam as tags entre colchetes como foram escritas.
  • Sem as configurações do ElevenLabs. Estabilidade, Semelhança, Idioma, Seed e Normalização de texto ficam ocultas. O idioma segue o texto.
  • Sem tempos. Um diálogo com Gemini não retorna Transcrição.
  • Um clone único no Gemini 3.8 Flash TTS. Um falante, ou os dois, pode falar com a própria voz de uma pessoa, clonada só para esta execução e nunca salva. Em Vozes clonadas, dê um nome ao falante, envie a gravação de referência e a gravação de consentimento dele, e marque a caixa de consentimento. As falas então escolhem esse nome como voz. As regras das gravações são as mesmas do Texto para fala. Um clone não custa nada a mais.

Créditos

O preço segue o tamanho do roteiro. Cada bloco iniciado de 100 caracteres, somando todas as falas, custa 5 créditos no Dialogue v3 e 5 créditos no Dialogue v4. Uma execução é cobrada como pelo menos 8 blocos, então todo roteiro de até 800 caracteres custa o mesmo. A saída Transcrição não custa nada a mais.

Um modelo Gemini cobra um diálogo pela mesma tarifa por caractere de um falante no Texto para fala, pela mesma contagem de blocos iniciados de 100 caracteres, com um mínimo de 8. Os estilos das falas e as direções dos falantes não são contados. O nó mostra o preço exato antes de executar.

Dicas

  • Dê a cada falante uma voz claramente diferente. Assim, quem ouve acompanha a conversa com mais facilidade. Ouça as prévias das vozes no explorador de vozes antes de atribuí-las.
  • Mantenha as falas no tom de conversa. Várias falas curtas soam mais naturais que um parágrafo longo em uma só fala.
  • Comece com a estabilidade em Equilibrado. Diminua para uma cena dramática ou emotiva, e aumente para uma leitura formal, no estilo de narração. No Dialogue v4, você pode escolher qualquer valor intermediário.
  • Defina o idioma em conversas com mais de um idioma. A detecção automática funciona bem para um idioma só. Quando os falantes trocam de idioma, escolha o idioma principal explicitamente.
  • Junte conversas longas. Divida uma conversa longa em vários nós e junte as partes, uma após a outra, com Combinar áudio.

Pela API

A mesma geração está disponível como a ferramenta MCP generate_dialogue. Veja as ferramentas MCP e Voz e mídia.

POST /v1/text-to-dialogue recebe dialogue ([{ text, voice, styleDirection? }], na ordem da fala) e os opcionais provider, stability, similarityBoost, languageCode, seed e applyTextNormalization. provider é elevenlabs-dialogue (Dialogue v3, o padrão), elevenlabs-dialogue-v4, gemini-3-8-flash-lite-tts, gemini-3-8-flash-tts, gemini-3-1-flash-tts ou gemini-2-5-pro-tts. Em um modelo Gemini, a requisição também aceita speakers, fillerWords e outputFormat (mp3_44100_128, o padrão, mp3_44100_192 ou wav_24000). Um outputFormat diferente do padrão em um modelo ElevenLabs é recusado com um 400, assim como uma lista speakers malformada ou que indica a mesma voz duas vezes. A ferramenta MCP chama a mesma escolha de model, e a CLI a chama de --model em nodaro voice dialogue. No Dialogue v3, um stability diferente de 0, 0,5 ou 1 é recusado. O output_data.transcript da tarefa concluída traz os mesmos tempos da saída Transcrição.

Perguntas frequentes

Quantas vozes um diálogo pode ter?

Até 10 vozes diferentes por execução nos modelos ElevenLabs, e até 2 em um modelo Gemini. Usar a mesma voz em várias falas conta uma vez só, então uma conversa entre duas pessoas com 40 falas usa só 2 vozes.

Qual pode ser o tamanho de um diálogo?

Até 5.000 caracteres somando todas as falas no ElevenLabs Dialogue v3, e até 10.000 caracteres no ElevenLabs Dialogue v4 e nos modelos Gemini. Até 2.000 caracteres dá a melhor qualidade. Divida uma conversa mais longa em vários nós “Texto para diálogo” e junte as partes com “Combinar áudio”.

Quanto custa um diálogo?

O preço segue o tamanho do roteiro. Cada bloco iniciado de 100 caracteres, somando todas as falas, custa 5 créditos em qualquer um dos dois modelos ElevenLabs, e uma execução é cobrada como pelo menos 8 blocos. Os modelos Gemini custam muito menos por caractere. O nó mostra o preço exato antes de executar.

Posso receber cada fala como um arquivo de áudio separado?

Não. O “Texto para diálogo” retorna um único arquivo contínuo com todas as falas em ordem, e a saída “Transcrição” informa onde cada fala começa e termina. Para ter clipes separados, use um nó “Texto para fala” por fala.

Posso transformar um roteiro escrito em falas de diálogo automaticamente?

Sim. Conecte a saída “Diálogo” de um nó “Gerar roteiro” à entrada “Prompt” do nó. No painel de configurações, clique no botão que preenche as falas, como “Preencher falas do roteiro (12)”, e escolha uma voz para cada falante.

Como obtenho o mesmo take de novo?

Defina uma “Seed”. A mesma seed, as mesmas falas e as mesmas configurações reproduzem o mesmo áudio. Deixe “Seed” vazia para ter um take novo a cada execução.

Última atualização

Nesta página