Texto para fala

O nó Texto para fala (Text to Speech) transforma texto em áudio falado com os modelos de voz da ElevenLabs. 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 v3, fala 46 idiomas e entende tags de áudio como [laughs] e [whispers].

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 (Lip Sync) 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 (Text to Dialogue).

Início rápido

Entradas

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

Configurações

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.

Modelos

O Texto para fala pode executar os três modelos de fala da ElevenLabs abaixo. Clique em um modelo para ver o preço em créditos.

Qual modelo escolher

• ElevenLabs v3 — o padrão. Escolha-o para uma fala expressiva, tags de áudio e o maior número de idiomas.
• 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.

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

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 (Voice Design).
• 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. O ElevenLabs v3 renderiza qualquer voz, então um nó com o v3 nunca muda de modelo.

Adicione emoção com tags de áudio

O ElevenLabs v3 lê 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.

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

Os dois takes 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.

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 (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.

Créditos

O preço depende do modelo, e o ElevenLabs Turbo v2.5 é o mais barato. A tabela em Modelos mostra cada preço, e a página de cada modelo traz os detalhes.

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 no v3. Acima de 5.000 caracteres, divida o roteiro em vários nós ou mude para o Turbo v2.5.
• 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 (Audio FX) com um reverb como Sala (ambiente interno).
• Nivele vários clipes. Passe os clipes pelo Ajustar volume (Adjust 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.

O final do texto está faltando. O texto passa do limite do modelo, e o excedente foi cortado. 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 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 5.000 caracteres é executado no ElevenLabs v3, e um texto mais longo, no Turbo v2.5, então um texto longo nunca é cortado no limite do v3. Um provider que você define é sempre usado como está. Pela ferramenta MCP generate_speech, um ID de voz desconhecido é substituído pela voz Rachel, para que o assistente receba áudio mesmo assim. Veja Voz e mídia e as ferramentas MCP.