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

Texto para fala

Transforme texto em fala natural com o ElevenLabs v4, v3 e Turbo ou com vozes Gemini de baixo custo. Escolha uma voz, use tags de emoção e fale 46 idiomas.

O nó Texto para fala transforma texto em áudio falado com os modelos de voz da ElevenLabs ou do Google Gemini. Você escreve ou conecta o texto e escolhe uma voz e um modelo. O nó retorna um arquivo de áudio que você pode colocar sob um vídeo, sincronizar com os lábios de um rosto ou mixar com música. O modelo padrão, o ElevenLabs v4, fala 46 idiomas e entende tags de áudio como [laughs] e [whispers]. Quatro modelos Gemini custam muito menos por caractere e falam com vozes próprias.

Quando usar

  • Você precisa de uma locução ou de uma narração para um vídeo, um vídeo explicativo ou um anúncio.
  • Você quer que um personagem diga uma fala, por exemplo antes de a Sincronização labial animar um retrato.
  • Você quer um áudio no estilo podcast a partir de um roteiro escrito.
  • Você quer o mesmo roteiro em vários idiomas.
  • Você quer uma interpretação expressiva, com emoções, reações e pausas escritas direto no texto.

Para uma conversa entre várias vozes em um só arquivo, use o Texto para diálogo.

Início rápido

Adicione o nó

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

Forneça o texto

Conecte um nó Texto, Gerar texto - qualquer LLM ou Gerar roteiro à entrada Prompt. Para digitar o texto no próprio nó, abra o painel de configurações e defina Origem do texto como Escrever diretamente.

Escolha a voz e o modelo

Em Voz, abra o explorador de vozes, ouça algumas prévias e escolha uma. Em Modelo, mantenha o ElevenLabs v4, a menos que você precise de um texto mais longo ou de um preço menor.

Execute

Clique em Executar no nó. A fala aparece no nó com um reprodutor de áudio, e todos os resultados anteriores ficam no histórico de resultados dele.

promptáudioáudiovídeoTextoO roteiroTexto para falaElevenLabs v4Efeitos de áudioSala (ambiente interno)Gerar vídeoMesclar vídeo e áudio
Um roteiro vira uma narração, uma reverberação de sala coloca a voz na cena, e a voz é mesclada a um vídeo.

Entradas

EntradaAceitaO que faz
PromptNós de texto, como Texto, Gerar texto - qualquer LLM, Gerar roteiro e Combinar textoO texto a falar, quando a Origem do texto é Do nó conectado.

Texto anterior e Texto seguinte também podem receber o texto de outro nó por um mapeamento de campos. Veja Continuidade entre clipes.

A saída, Áudio, é a URL do áudio falado. Ela pode alimentar quantos nós você quiser ao mesmo tempo.

Configurações

ConfiguraçãoO que faz
Origem do textoDo nó conectado (o padrão) fala o texto conectado a Prompt. Escrever diretamente fala o texto que você digita em Texto.
TextoO texto a falar, quando a Origem do texto é Escrever diretamente. Digite [ ou / para inserir uma tag de áudio. Você pode inserir o valor de outro nó escrevendo o rótulo dele entre chaves, como {Script}.
ModeloElevenLabs v4 (o padrão), ElevenLabs v4 Turbo, ElevenLabs v3, ElevenLabs Turbo v2.5, ElevenLabs Multilingual v2, Gemini 3.8 Flash-Lite TTS, Gemini 3.8 Flash TTS, Gemini 3.1 Flash TTS ou Gemini 2.5 Pro TTS.
VozA voz que fala. Abre o explorador de vozes. A voz padrão é Rachel. Em um modelo Gemini, você escolhe entre as vozes do próprio modelo: a padrão é Fola no 3.8 e Kore no 3.1 Flash e no 2.5 Pro.
IdiomaDetecção automática (o padrão) ou um idioma da lista do modelo.
EstabilidadeDe 0 a 1. Valores mais baixos soam mais expressivos e variados; valores mais altos soam mais uniformes.
SemelhançaDe 0 a 1. O quanto o resultado se aproxima do timbre da voz. Só no ElevenLabs v4, no v4 Turbo, no Turbo v2.5 e no Multilingual v2.
Exagero de estiloDe 0 a 1. Reforça o estilo da voz original. Só no Turbo v2.5 e no Multilingual v2.
VelocidadeDe 0.7x a 1.2x. Só no Turbo v2.5 e no Multilingual v2.
Texto anteriorFica em Continuidade. A fala dita logo antes deste clipe. O modelo a lê como contexto e não a fala. Até 1.000 caracteres.
Texto seguinteFica em Continuidade. A fala dita logo depois deste clipe. Até 1.000 caracteres.
Direção de estiloSó nos modelos Gemini. No 3.8 Flash-Lite e no 3.8 Flash, uma descrição livre de como o texto é falado, com até 1.000 caracteres, por exemplo “lento e seco, como um locutor de rádio do turno da noite”. No 3.1 Flash e no 2.5 Pro, um Estilo de fala de uma lista: Sorriso na voz, Locutor de telejornal, Sussurro, Empático, Promocional e animado ou Inexpressivo. A direção nunca é falada e não entra no preço.
RitmoGemini 3.1 Flash e 2.5 Pro: Natural, Muito rápido, Arrastado ou Staccato.
SotaqueGemini 3.1 Flash e 2.5 Pro: Neutro, Americano (geral), Americano (Valley), Americano (Sul), Britânico (RP), Britânico (Brixton), Transatlântico ou Australiano.
Perfil de áudioGemini 3.1 Flash e 2.5 Pro: quem está falando, em palavras, com até 1.000 caracteres, por exemplo “um locutor de rádio calmo da madrugada”.
ArquivoO arquivo de áudio, em todos os modelos, com os mesmos créditos: MP3, 128 kbps (o padrão), MP3, 192 kbps ou WAV, 24 kHz. Uma execução do workflow, um app publicado e a API entregam o mesmo arquivo.
Texto antes e depoisTexto sempre adicionado antes e depois do texto a falar. Fica oculto para quem usa o seu workflow como app. Veja Texto antes e depois do prompt.

O painel mostra só as configurações que o modelo escolhido usa. O ElevenLabs v3 tem só a Estabilidade. O ElevenLabs v4 e o v4 Turbo têm a Estabilidade e a Semelhança. Os modelos v2 têm os quatro controles. Quando você escolhe outro modelo, as configurações que o novo modelo não usa são apagadas, e um idioma que ele não oferece volta para Detecção automática.

As configurações de voz seguem a prévia da voz. Quando você não mexe nos controles deslizantes, o nó usa as configurações salvas da própria voz, as mesmas com que a prévia dela foi feita. Assim, o resultado soa como a prévia que você ouviu. Quando você move um controle, só aquele valor muda, e a voz mantém as outras configurações salvas.

Em um app publicado, você pode expor a Estabilidade e a Semelhança como controles deslizantes. Eles começam no valor do próprio nó, ou em 0,5 e 0,75 quando o nó não tem valor. O ElevenLabs v3 ignora a Semelhança.

O painel de configurações do Texto para fala com Origem do texto, Modelo, Voz, Idioma e o controle deslizante Estabilidade.O painel de configurações do Texto para fala com Origem do texto, Modelo, Voz, Idioma e o controle deslizante Estabilidade.

Modelos

O Texto para fala pode executar cinco modelos de fala da ElevenLabs e quatro modelos de fala Gemini. Clique em um modelo da ElevenLabs abaixo para ver o preço em créditos.

ModeloDesenvolvedorModosCréditosDetalhes
ElevenLabs v4ElevenLabsTexto para falaa partir de 5O modelo de texto para fala mais recente da ElevenLabs — marcações de áudio entre colchetes, controle de estabilidade e similaridade, até 10.000 caracteres por solicitação. API direta.
ElevenLabs v4 TurboElevenLabsTexto para falaa partir de 3ElevenLabs v4 mais rápido e mais barato, com menor fidelidade — marcações de áudio entre colchetes, controle de estabilidade e similaridade, pelo preço em créditos do Turbo. Prefira o v4 quando a qualidade importa. API direta.
ElevenLabs v3ElevenLabsTexto para falaa partir de 5Modelo expressivo de texto para fala da ElevenLabs — aceita marcações de áudio entre colchetes para emoção e ritmo. API direta.
ElevenLabs Turbo v2.5ElevenLabsTexto para falaa partir de 3Texto para fala rápido e barato da ElevenLabs, pela API direta da ElevenLabs. Bom para narração.
ElevenLabs Multilingual v2ElevenLabsTexto para falaa partir de 5Texto para fala multilíngue da ElevenLabs, pela API direta da ElevenLabs.
ModeloIdiomasTags de áudioContinuidadeCaracteres por execução
ElevenLabs v4 (padrão)46SimSim10.000
ElevenLabs v4 Turbo46SimSim10.000
ElevenLabs v346SimNão5.000
ElevenLabs Turbo v2.532Não, são removidas antes da falaSim40.000
ElevenLabs Multilingual v229Não, são removidas antes da falaSim10.000
Gemini 3.8 Flash-Lite TTSSegue o textoTags de tom própriasNão10.000
Gemini 3.8 Flash TTSSegue o textoTags de tom própriasNão10.000
Gemini 3.1 Flash TTSSegue o textoSimNão10.000
Gemini 2.5 Pro TTSSegue o textoSimNão10.000

Qual modelo escolher

  • ElevenLabs v4 — o padrão. Escolha-o para uma fala expressiva, tags de áudio, o maior número de idiomas e até 10.000 caracteres por execução. Ele não tem as configurações Velocidade e Exagero de estilo.
  • ElevenLabs v4 Turbo — o v4 com as mesmas tags de áudio e configurações, mais rápido e mais barato, com menos fidelidade. Escolha-o para narrações com tags a um preço menor, e o v4 quando a qualidade importa.
  • ElevenLabs v3 — o modelo anterior, com as mesmas tags de áudio e idiomas, até 5.000 caracteres por execução. Um nó salvo com o v3 continua sendo executado no v3.
  • ElevenLabs Turbo v2.5 — mais barato e mais rápido. Escolha-o para narrações simples e textos longos, de até 40.000 caracteres por execução.
  • ElevenLabs Multilingual v2 — fala natural em 29 idiomas, com até 10.000 caracteres por execução.
  • Gemini 3.8 Flash-Lite TTS — o modelo mais barato. Tem 70 vozes com nome, tags de tom próprias e uma direção de estilo em texto livre.
  • Gemini 3.8 Flash TTS — o modelo 3.8 maior, com as mesmas vozes, tags e direção de estilo. Ele também pode falar com um clone de uso único da sua própria voz.
  • Gemini 3.1 Flash TTS e Gemini 2.5 Pro TTS — 30 vozes com nome, [audio tags] e estilo de fala, ritmo, sotaque e perfil de áudio. Custam mais que os modelos 3.8.

Uma voz pode soar bem diferente no v4 e no v3, e muitas vezes sai mais baixa. Compare os dois modelos com a sua própria voz antes de mudar um projeto pronto.

Para conhecer todos os modelos de áudio do Nodaro, leia Como escolher um modelo.

Modelos Gemini

Os quatro modelos Gemini funcionam ao lado dos modelos da ElevenLabs, e o ElevenLabs v4 continua sendo o padrão. Eles se diferenciam dos modelos da ElevenLabs nestes pontos:

  • Só as próprias vozes com nome. Cada modelo Gemini fala só as vozes da própria lista. As vozes prontas da ElevenLabs, as vozes da Biblioteca de vozes e as vozes personalizadas não estão disponíveis. Os modelos 3.8 têm 70 vozes, agrupadas por uso: Tutor, Locução comercial, Instrucional, Podcast, Contador de histórias, Assistente digital, Central de atendimento, Concierge, Suporte técnico e Profissional. O Gemini 3.1 Flash e o 2.5 Pro compartilham 30 vozes. O painel mostra a lista do modelo no lugar do explorador de vozes.
  • Trocar de modelo mantém uma voz válida. Quando a voz do nó não está na lista do novo modelo, o nó usa a voz padrão do novo modelo. O mesmo acontece quando o modelo é definido em outro lugar, por exemplo no cartão Modelo de um app publicado ou em um mapeamento de campo.
  • Sem configuração de idioma. O idioma segue o texto, então o Idioma fica oculto.
  • Tags na forma de cada modelo. O Gemini 3.8 Flash-Lite e o 3.8 Flash aceitam tags próprias entre sinais de menor e maior, como <laugh>, <sigh>, <whispers>, <short pause> e <long pause>. Você ainda pode escrever as tags de sempre, entre colchetes. Cada uma que tem um equivalente no 3.8 é enviada como essa tag, por exemplo [laughs] vira <laugh>. As tags entre colchetes sem equivalente, como [excited] ou um efeito sonoro, são removidas: escreva o clima na Direção de estilo. O Gemini 3.1 Flash e o 2.5 Pro aceitam as tags entre colchetes como estão escritas.
  • Sem tempos e sem continuidade. Os modelos Gemini não retornam o tempo das palavras e não usam o Texto anterior e o Texto seguinte.

Uma implantação que limita as vozes por gênero não oferece os modelos Gemini, porque as vozes deles não têm gênero registrado.

Um clone de uso único da sua própria voz

O Gemini 3.8 Flash TTS pode falar com a própria voz de uma pessoa, clonada a partir de duas gravações para uma única execução. O clone nunca é salvo como voz e não aparece nas suas vozes. Ele não custa nada a mais: a execução tem o preço de qualquer outra execução no Gemini 3.8 Flash TTS. Os outros modelos, incluindo o Gemini 3.8 Flash-Lite TTS, recusam um clone.

No Gemini 3.8 Flash TTS, o painel de configurações mostra Sua própria voz (um clone de uso único). Ele aceita dois arquivos WAV de até 10 MB cada:

  1. Gravação de referência: de 10 a 30 segundos da pessoa falando naturalmente, em uma sala silenciosa, sem eco, música ou outra voz, no idioma que você vai gerar.
  2. Gravação de consentimento: até 30 segundos. A mesma pessoa, na mesma sala e com o mesmo microfone, lê a frase que o painel mostra: “Esta voz é minha, e eu consinto que o Google use esta voz para criar um modelo de voz sintética.”

As duas precisam ser gravações reais do mesmo adulto. Áudio gerado por IA é recusado. Depois, marque a caixa que confirma que a voz é sua, ou que a pessoa dona dela deu consentimento. O nó só executa um clone depois que essa caixa é marcada, e trocar uma gravação desmarca a caixa.

As gravações e a marcação pertencem só a você. Um template, um app, um componente ou um link de compartilhamento feito a partir do seu workflow leva o clone com as gravações vazias e sem marcação. Quem o executa adiciona as próprias duas gravações e marca a caixa. Uma execução sem elas é recusada antes que qualquer crédito seja reservado. Se o Google recusar as gravações, a execução falha com o motivo e nada é cobrado. Os envios ficam na sua biblioteca até você excluí-los.

Escolha uma voz

O explorador de vozes tem três abas:

  • Prontas — as vozes padrão da ElevenLabs.
  • Minhas vozes — as vozes personalizadas que você já tem. Para criar uma nova voz a partir de uma descrição, use o Design de voz.
  • Biblioteca de vozes — a biblioteca compartilhada da ElevenLabs, com busca e filtros de sotaque, idade, idioma, caso de uso e tom.

Cada voz tem uma prévia que você pode ouvir antes de escolhê-la.

Os criadores verificam cada voz da Biblioteca de vozes para modelos específicos. Suponha que o nó execute o Turbo v2.5 ou o Multilingual v2, e você escolha uma voz da biblioteca que não foi verificada para esse modelo. O nó então muda o Modelo para um modelo para o qual a voz foi verificada: primeiro o ElevenLabs v4, depois o v3, depois o v4 Turbo e, por fim, o modelo v2 mais barato. Um nó com o ElevenLabs v4, o v4 Turbo ou o v3 nunca muda de modelo por causa da escolha de uma voz.

Adicione emoção com tags de áudio

O ElevenLabs v4, o v4 Turbo e o v3 leem tags de áudio: instruções curtas entre colchetes, colocadas no texto no ponto em que o efeito deve acontecer. Por exemplo: I can't believe it [laughs] that's amazing (não acredito [laughs] que incrível).

TipoExemplos
Emoções[excited], [sad], [angry]
Reações[laughs], [sighs], [gasps]
Modo de falar[whispers], [shouting]
Ritmo[pause], [long pause]
Tom[cheerfully], [deadpan]
Efeitos sonoros[applause], [thunder]

Os modelos v2 removem as tags de áudio antes de falar, e o texto que sobra pode soar estranho. Para adicionar uma pausa em um modelo v2, use uma tag de pausa, como <break time="1.0s" />.

Ouça a diferença

As duas gravações abaixo usam o ElevenLabs v3 e a voz pronta Rachel. O primeiro lê o texto com duas tags de áudio; o segundo lê as mesmas palavras sem elas.

Texto com tags de áudio

Prompt traduzido. O modelo recebeu o original em inglês, que aparece abaixo.

Procurei por toda parte. [whispers] E então eu encontrei, bem embaixo do mapa antigo. [laughs] Estava lá o tempo todo.
Prompt original em inglês
I looked everywhere for it. [whispers] And then I found it, right under the old map. [laughs] It was there the whole time.
Com as duas tags, [whispers] e [laughs].
As mesmas palavras, sem tags.

Idiomas

A Detecção automática funciona bem para a maioria dos textos. Para textos que não estão em inglês, escolher o idioma explicitamente pode melhorar a pronúncia.

  • Multilingual v2 (29 idiomas): inglês, japonês, chinês, alemão, híndi, francês, coreano, português, italiano, espanhol, indonésio, holandês, turco, filipino, polonês, sueco, búlgaro, romeno, árabe, tcheco, grego, finlandês, croata, malaio, eslovaco, dinamarquês, tâmil, ucraniano e russo.
  • Turbo v2.5 (32 idiomas): todos os idiomas do Multilingual v2, mais húngaro, norueguês e vietnamita.
  • v3, v4 e v4 Turbo (46 idiomas): todos os idiomas do Turbo v2.5, mais hebraico, tailandês, bengali, urdu, persa, sérvio, lituano, letão, estoniano, georgiano, islandês, catalão, africâner e suaíli.

Continuidade entre clipes

Uma narração feita um clipe por vez, por exemplo um clipe por tomada, recomeça a entonação a cada corte. O Texto anterior e o Texto seguinte resolvem isso. Defina o Texto anterior com a fala dita logo antes deste clipe, e o Texto seguinte com a fala dita logo depois. O clipe então continua o anterior e leva ao próximo. O modelo lê esse contexto, mas não o fala, e a duração do clipe não muda.

A seção Continuidade aparece, recolhida, só para um modelo que usa contexto: o ElevenLabs v4, o v4 Turbo, o Turbo v2.5 e o Multilingual v2. O ElevenLabs v3 não usa contexto, e mudar o nó para o v3 apaga os dois campos. Cada campo aceita até 1.000 caracteres. Um texto anterior mais longo mantém o final, e um texto seguinte mais longo mantém o início.

Os dois campos podem receber o texto de outro nó por um mapeamento de campos, por exemplo um nó Texto com a fala da tomada anterior. Os dois também podem ser expostos como entradas de texto de um app publicado. O contexto não muda o preço.

Créditos

O preço acompanha o tamanho do texto. Uma execução é cobrada por bloco de 100 caracteres iniciado do texto que ela envia, com um mínimo de 8 unidades por execução.

ModeloCréditos por bloco de 100 caracteres iniciado
ElevenLabs v45
ElevenLabs v4 Turbo3
ElevenLabs v35
ElevenLabs Turbo v2.53
ElevenLabs Multilingual v25

Os modelos Gemini têm preço por 1.000 caracteres, com a mesma contagem: cada bloco de 100 caracteres iniciado, com um mínimo de 8 unidades por execução, e o total é arredondado para cima até um crédito inteiro. Eles custam muito menos por caractere que os modelos da ElevenLabs. O Gemini 3.8 Flash-Lite TTS é o mais barato, seguido do Gemini 3.8 Flash TTS, do Gemini 3.1 Flash TTS e do Gemini 2.5 Pro TTS. Nos modelos 3.8, os caracteres são contados depois que as tags são reescritas. A direção de estilo não é contada.

Os caracteres contados são os do texto realmente enviado, incluindo qualquer texto anterior e posterior. O texto além do limite do modelo não conta, e o Turbo v2.5 e o Multilingual v2 não contam as tags de áudio que removem. O nó mostra o preço exato no botão Executar antes de executar. Quando o texto vem de outro nó, o botão mostra uma faixa, do mínimo até o limite de caracteres do modelo.

Em um app publicado, você pode expor o Texto do próprio nó como entrada. Na lista de entradas do app, expanda o nó, marque Texto e preencha Máximo de caracteres se quiser um limite. O app então recusa um texto mais longo antes de executar qualquer coisa, e o preço anunciado do app passa a ser o preço desse número de caracteres. Sem limite, o app é cobrado pelo limite de caracteres do modelo. Quando a Origem do texto é Do nó conectado, o Texto do app só é usado quando o texto conectado está vazio.

Dicas

  • Mantenha a Estabilidade perto de 0,5. Esse valor equilibra expressividade e consistência. Leve-a para perto de 1 em narrações que precisam soar uniformes.
  • Coloque as tags onde o efeito acontece. Uma tag no meio de uma frase muda a fala naquele ponto.
  • Divida roteiros longos. O ElevenLabs v3 aceita 5.000 caracteres por execução, e o v4 aceita 10.000. Divida um roteiro mais longo em vários nós e mantenha a fala contínua com o Texto anterior e o Texto seguinte, ou mude para o Turbo v2.5.
  • Experimente um modelo Gemini para narrações longas com orçamento apertado. O Gemini 3.8 Flash-Lite TTS é o mais barato. O Gemini 3.1 Flash TTS e o 2.5 Pro TTS custam mais e acrescentam estilo de fala, ritmo, sotaque e perfil de áudio. Escolha uma voz da lista do próprio modelo e descreva a interpretação na Direção de estilo, em vez de usar tags que o modelo não aceita.
  • Coloque a voz na cena. Uma voz seca sobre um vídeo pode soar como se tivesse sido gravada em outro lugar. Passe-a pelo Efeitos de áudio com uma reverberação como Sala (ambiente interno).
  • Nivele vários clipes. Passe os clipes pelo Ajustar volume com Normalizar, para que toquem no mesmo volume.

Solução de problemas

A execução falha com um erro de voz. A voz não existe mais, por exemplo porque foi removida da Biblioteca de vozes. Escolha outra voz e execute o nó de novo.

A execução é recusada pelo tamanho, ou o final do texto está faltando. O texto passa do limite do modelo. Uma execução de workflow recusa esse texto antes de cobrar qualquer crédito, e a mensagem informa o número de caracteres e o limite. Uma requisição à API, em vez disso, corta o texto no limite. Divida o texto ou mude para o ElevenLabs Turbo v2.5.

Palavras entre colchetes estão faltando ou o texto soa estranho. Você usou tags de áudio com um modelo v2, que as remove. Mude o Modelo para ElevenLabs v4, v4 Turbo ou v3, ou remova as tags.

Pela API

POST /v1/text-to-speech executa o mesmo nó por código. Quando uma requisição omite provider, o Nodaro escolhe pelo tamanho. Um texto de até 10.000 caracteres é executado no ElevenLabs v4, e um texto mais longo, no Turbo v2.5, então um texto longo nunca é cortado no limite do v4. A requisição é cobrada pelo modelo em que é executada. Um provider que você define é sempre usado como está: informe elevenlabs-v3 para manter a voz do v3.

A requisição aceita previousText e nextText para a continuidade. Com withTimestamps: true, o output_data.transcript da tarefa concluída também traz o tempo de cada palavra (words[] com startMs e endMs), sem créditos extras. Os modelos Gemini não retornam tempos, então ignoram essa opção. O outputFormat escolhe o arquivo de áudio: mp3_44100_128 (o padrão), mp3_44100_192 para uma taxa de bits de MP3 mais alta ou wav_24000 para um WAV de 24 kHz sem compressão. O formato não muda os créditos, e o audioUrl da tarefa concluída termina em .mp3 ou .wav, de acordo com ele. A configuração Arquivo do nó faz a mesma escolha. Um modelo Gemini gera um WAV de 24 kHz: o wav_24000 o entrega como foi gerado, e os formatos MP3 são codificados a partir dele. Uma configuração de voz fora do intervalo, ou um número enviado como texto, é recusada com um 400.

Em um modelo Gemini, a requisição também aceita styleDirection, pace, accent e audioProfile (style_direction, pace, accent e audio_profile na ferramenta MCP generate_speech). Um valor que o modelo não aceita é recusado com um 400. Uma voz que não está na lista do modelo é recusada com um 400 antes de qualquer cobrança, e uma requisição sem voz usa a voz padrão do modelo. GET /v1/voices?model=<id>, o voices.list({ model }) do SDK e a ferramenta MCP list_voices listam as vozes de um modelo. Um clone de uso único é enviado como replica: { sourceAudioUrl, consentAudioUrl, consent: true } com provider: "gemini-3-8-flash-tts". O consent: true confirma a mesma frase da caixa do painel, e um clone sem ele é recusado com um 400. As duas gravações são verificadas antes de qualquer cobrança.

A ferramenta MCP generate_speech usa o ElevenLabs v4 quando nenhum modelo é informado. Ela aceita até 10.000 caracteres e recusa um texto mais longo que o limite do modelo escolhido, em vez de cortá-lo. Um ID de voz desconhecido no formato do ElevenLabs, com 20 letras e dígitos, é substituído pela voz Rachel, para que o assistente receba áudio mesmo assim. Um nome de voz desconhecido falha, assim como uma voz library ou custom que não existe. A API REST não faz essa substituição: uma requisição a POST /v1/text-to-speech com uma voz desconhecida falha. Veja Voz e mídia e as ferramentas MCP.

Perguntas frequentes

Qual modelo devo escolher no “Texto para fala”?

Comece com o ElevenLabs v4, o padrão. Ele fala 46 idiomas, entende tags de áudio para emoção e ritmo e aceita até 10.000 caracteres por execução. Use o ElevenLabs v4 Turbo para narrações com tags a um preço menor, o Turbo v2.5 para textos muito longos e um modelo Gemini para narrações longas com orçamento apertado.

Qual pode ser o tamanho do texto?

O ElevenLabs v4, o v4 Turbo e o Multilingual v2 falam até 10.000 caracteres por execução, o v3 até 5.000 e o Turbo v2.5 até 40.000. Uma execução de workflow recusa um texto mais longo antes de cobrar qualquer crédito, e o painel de configurações avisa você antes. Pela API, um texto mais longo é cortado no limite.

Como faço a voz rir, sussurrar ou fazer uma pausa?

Com o ElevenLabs v4, o v4 Turbo ou o v3, escreva uma tag de áudio entre colchetes no ponto em que o efeito deve acontecer, por exemplo “I can't believe it [laughs] that's amazing” (não acredito [laughs] que incrível). Os modelos v2 removem as tags de áudio antes de falar.

Quanto custa o Texto para fala?

O preço acompanha o tamanho do texto. Cada bloco de 100 caracteres iniciado custa um número fixo de créditos, com um mínimo de 8 unidades por execução. O ElevenLabs v4 Turbo e o Turbo v2.5 custam menos por unidade que o v4, o v3 e o Multilingual v2, e o nó mostra o preço exato antes de executar.

Posso usar a minha própria voz?

As vozes personalizadas que você já tem aparecem em “Minhas vozes”, no explorador de vozes. No Gemini 3.8 Flash TTS, o nó também pode falar com a sua própria voz em uma execução, clonada a partir de duas gravações e nunca salva. Para criar uma nova voz a partir de uma descrição escrita, use o nó “Design de voz”.

O que acontece se a voz que escolhi foi excluída?

A execução falha com um erro claro. O Nodaro nunca troca por outra voz sem avisar você, então escolha outra voz e execute o nó de novo.

Última atualização

Nesta página