Perguntas frequentes
O que significa API no contexto de áudio?
API (Application Programming Interface) permite que seu software envie texto e receba um arquivo de áudio diretamente. Basta enviar uma requisição POST para o endpoint /v1/audio/speech. Não há necessidade de baixar aplicativos ou aprender interfaces complexas; você integra a geração de voz automaticamente ao seu fluxo de produção de audiolivros.
API é melhor que contratar um locutor?
A API oferece custo fixo de $0,01 por mil caracteres, sem custos de estúdio ou atores. É ideal para autoeditores que precisam de escalabilidade. A qualidade é profissional e consistente. Você controla o orçamento exato por projeto, sem surpresas em faturas.
Como garantir a consistência da voz?
Escolha um dos 8 vocais predefinidos (como Aria ou Atlas) e use-o em todas as requisições. A API mantém a mesma timbre e estilo vocal para cada modelo selecionado. Isso garante que todos os capítulos do seu audiolivro soem uniformes, sem variações inesperadas entre diferentes sessões de gravação.
Posso usar a API para livros infantis?
Sim, a API suporta 23 idiomas e tons variados. Vocais como Nova (alegre) ou Luna (suave) são adequados para narrativas infantis. Você pode ajustar a velocidade entre 0,25 e 4,0 para adaptar o ritmo à narrativa. Basta enviar o texto e selecionar o vocal e idioma adequados.
Qual o tempo médio de geração?
A geração é aproximadamente em tempo real, processando cerca de 25 caracteres por segundo. Textos longos são gerados rapidamente, mas pedidos curtos podem levar alguns segundos. As requisições são processadas em fila; sob carga, pode haver um pequeno atraso antes do início da síntese do áudio.
Como lidar com nomes próprios difíceis?
A API não oferece dicionário de pronúncia personalizado nem SSML para marcar sílabas. Para garantir a pronúncia correta, ajuste a ortografia do texto de entrada (input) antes de enviá-lo. Escreva o nome como ele deve ser falado, pois a síntese segue estritamente a grafia fornecida.
A API suporta pontuação expressiva?
Não há suporte para SSML ou tags de emoção. A entonação é determinada automaticamente pela estrutura do texto e pela pontuação padrão. Se precisar de pausas específicas ou ênfase, ajuste as vírgulas, pontos ou reticências no texto enviado. A API não interpreta nuances expressivas além do padrão.
Preciso editar o áudio após gerar?
O áudio é entregue pronto para uso, mas pode exigir ajustes de velocidade ou formatação. Como não há edição integrada, você deve usar software externo para cortar ou unir arquivos. A API gera arquivos separados por solicitação; você é responsável por concatenar os segmentos de textos longos.
Como converter o áudio para MP3?
Especifique o formato desejado no campo response_format da sua requisição JSON. Selecione mp3, wav, opus, flac ou pcm. A API retorna o arquivo diretamente no corpo da resposta. Não é necessário conversão externa; o formato é definido antes do envio do texto para síntese.
A voz muda se eu alterar a velocidade?
Sim, o parâmetro speed ajusta a velocidade de 0,25 a 4,0. Isso altera a duração e o tom percebido da fala, mantendo a identidade do vocal selecionado. Ajuste a velocidade para adaptar o ritmo do audiolivro, mas note que valores extremos podem soar artificiais.
Posso usar a API em dispositivos móveis?
A API é uma interface web baseada em HTTP, não possui SDK móvel nativo. Você pode chamá-la de qualquer dispositivo que execute código ou faça requisições HTTP, como smartphones ou tablets. Basta usar a URL base da API e enviar as requisições JSON via internet.
O áudio gerado é livre de royalties?
As vozes são baseadas em gravações licenciadas (LibriTTS-R e LibriVox). O áudio gerado é livre para uso comercial. Cada arquivo possui uma marca d'água invisível que identifica o speech synthetic.
Como verificar se o idioma está correto?
Se não especificado, o idioma é adivinhado pelo script (texto latino assume inglês). Para textos latinos não ingleses, defina o campo language com o código ISO. Isso evita erros de pronúncia. Use a lista de 23 idiomas suportados para garantir a precisão na geração do áudio.
A API funciona offline?
Não, a API é baseada na nuvem. Todas as requisições são enviadas para o endpoint https://api.kohkae789.cc/v1 e processadas nos servidores. Você precisa de conexão com internet para enviar o texto e receber o arquivo de áudio. Não há instalação local ou funcionamento offline disponível.
O que é uma API de Síntese de Voz?
A API de Síntese de Voz (TTS) é um serviço em nuvem que converte texto digital em arquivos de áudio. Ao enviar uma string de texto via endpoint POST, o sistema retorna o arquivo de áudio correspondente, permitindo a criação rápida de narrativas sem estúdio físico.
Diferente da gravação humana tradicional, que exige atores, diretores e equipamentos, esta solução utiliza motores de IA para gerar voz sintetizada. O processo é puramente algorítmico: você envia o manuscrito e recebe o áudio pronto para distribuição.
Entendendo o TTS (Text-to-Speech)
O sistema processa texto em formato JSON, aceitando modelos como 'tts-1' ou 'tts-1-hd'. O resultado é um arquivo de áudio em formatos como MP3, WAV ou OPUS, pronto para ser integrado ao seu fluxo de produção editorial.
Diferença entre gravação humana e IA
Enquanto a gravação humana envolve custos fixos altos e agendamento de estúdio, a IA permite geração sob demanda. O áudio gerado carrega uma marca d'água inaudível que identifica a fala como sintética, garantindo transparência na origem do conteúdo.
Vantagens para autoeditores
Para autoeditores, a principal vantagem é a escalabilidade sem custos de produção variáveis. Você pode converter manuscritos inteiros mantendo o controle total do tempo de produção, sem depender da disponibilidade de locutores específicos.
- Geração sob demanda
- Sem custos de estúdio
- Controle total do cronograma
Fluxo de Trabalho Editorial
O fluxo editorial começa com a preparação do manuscrito. O texto deve ser limpo de marcações complexas, pois a API aceita apenas caracteres simples até 4096 por requisição. Espaços e pontuação contam como caracteres, exigindo precisão na formatação inicial para evitar cortes inesperados ou erros de sintaxe na voz.
Autoeditores devem revisar a ortografia e a pontuação antes do envio, pois não há suporte para SSML ou ajuste fino de prosódia. Um texto bem estruturado resulta em uma síntese mais fluida, reduzindo a necessidade de refações manuais.
h3_texts_placeholder_for_validation
Seleção e formatação do texto
O texto deve ser submetido em formato JSON puro, contendo apenas a string do conteúdo a ser falado. Marcas de capítulo ou notas de rodapé devem ser tratadas manualmente, pois a API não interpreta tags HTML ou Markdown complexas.
É essencial garantir que a codificação esteja correta, preferencialmente UTF-8, para evitar erros de caracteres especiais em línguas como português ou espanhol. A precisão na entrada diretamente impacta a clareza da síntese.
- Remover estilos visuais que não afetam a fala
- Verificar ortografia e pontuação antes do envio
- Usar codificação UTF-8 para caracteres especiais
Divisão em partes menores
Como o limite é de 4096 caracteres por requisição, textos longos precisam ser segmentados. O produtor deve dividir o manuscrito em partes lógicas, respeitando esse teto para garantir que cada trecho seja processado sem truncamento.
Cada parte deve ser enviada como uma requisição POST independente. A divisão deve respeitar o contexto narrativo, evitando cortar frases no meio de uma ideia, o que prejudicaria a continuidade da escuta.
Essa estratégia permite que o sistema processe cada segmento de forma isolada, mantendo a integridade da síntese e facilitando o controle de qualidade por trecho.
- Limite rígido de 4096 caracteres por pedido
- Dividir em segmentos narrativos lógicos
- Evitar cortes abruptos de frases
Geração individual de arquivos
Cada parte dividida gera um arquivo de áudio separado. O endpoint retorna o áudio diretamente na resposta, que deve ser salvo imediatamente. Isso permite o processamento paralelo ou sequencial, dependendo da infraestrutura do produtor.
Após a geração, os arquivos podem ser unidos manualmente ou via script. Como não há streaming ou junção automática, o editor responsável pela produção deve garantir que as transições entre os arquivos sejam suaves, ajustando silencios se necessário.
O formato escolhido (mp3, wav, opus, flac ou pcm) deve ser consistente entre todas as partes para facilitar a montagem final do audiolivro.
- Arquivos de áudio são retornados individualmente
- Formato deve ser consistente em todas as partes
- Junção manual ou via script é necessária
Escolha de Voz e Estilo
A seleção da voz é o primeiro passo para definir a identidade sonora do seu audiolivro. Nossa API oferece oito presets distintos, cada um calibrado para um tom vocal específico, permitindo que autores autoeditores alcancem uma produção profissional sem a necessidade de estúdios ou elenco variado.
Análise das 8 vozes disponíveis
As vozes femininas incluem Aria (narradora clara e quente), Nova (energia vibrante), Luna (suave, ideal para histórias) e Sage (calma, instrucional). Entre as masculinas, estão Felix (energético, promo), Milo (conversacional), Atlas (neutro, jornalístico) e Orion (profundo, documental). Todas suportam os 23 idiomas listados, permitindo adaptação precisa ao texto fonte.
- Aria: narração clássica
- Luna: storytelling suave
- Orion: tom documental
- Milo: estilo conversacional
Combinação com o gênero literário
Para ficção científica, Atlas ou Orion garantem neutralidade ou profundidade narrativa. Biografias e memórias beneficiam-se da proximidade de Milo ou da clareza de Aria. Para contos infantis, Luna oferece uma entrega suave e envolvente. A velocidade pode ser ajustada entre 0.25 e 4.0 para adaptar o ritmo à densidade do texto.
Consistência narrativa
Mantenha a mesma voz em todo o manuscrito para preservar a imersão do ouvinte. Como não há clonagem de voz personalizada, a consistência depende da escolha inicial do preset. Use a tag language explicitamente para textos em línguas não inglesas para garantir a pronúncia correta, evitando que o sistema adivinhe erroneamente.
Tratamento de Texto Longo
A API impõe um limite rígido de 4096 caracteres por solicitação, o que exige que manuscritos sejam divididos logicamente antes do envio. Cada parte é processada individualmente, garantindo estabilidade mesmo em textos extensos.
Para textos maiores, a estratégia envolve split do manuscrito em blocos gerenciáveis e join dos arquivos de áudio resultantes. A sincronização precisa é essencial para manter a fluência narrativa durante a junção dos segmentos.
Limite de 4096 caracteres
Cada requisição POST aceita no máximo 4096 caracteres, incluindo espaços e pontuação. Exceder esse limite retorna erro, então o texto deve ser fragmentado previamente pelo desenvolvedor ou script.
Esse limite é fixo e não varia conforme o modelo tts-1 ou tts-1-hd escolhido. A contagem de caracteres é exata, afetando diretamente o custo por página convertida.
- Limite máximo por request: 4096 caracteres.
- Inclui espaços, vírgulas e pontuação.
- Erro se o limite for excedido.
Estratégia de split e join
O workflow editorial recomenda dividir o manuscrito em partes de até 4096 caracteres. Cada parte gera um arquivo de áudio separado, que deve ser concatenado posteriormente.
Scripts em Python ou Node.js podem automatizar essa divisão, respeitando quebras de parágrafo ou sentenças para evitar cortes abruptos no meio do discurso narrativo.
A junção dos arquivos deve preservar a ordem cronológica das requisições, garantindo que a narração continue sem pausas indesejadas entre os segmentos processados.
- Dividir texto em blocos de 4096 caracteres.
- Gerar áudio para cada bloco individualmente.
- Concatenar os arquivos na ordem correta.
Transições entre arquivos
Durante o join, é crucial evitar silêncios excessivos ou sobreposições que quebrem a imersão do ouvinte. A precisão na junção depende da consistência do modelo de síntese.
Como as requisições são processadas sequencialmente sob carga, o tempo de geração pode variar. Scripts devem esperar a conclusão de cada request antes de iniciar o próximo.
Testes de audição devem verificar se as transições entre os arquivos gerados soam naturais, sem cortes visíveis ou mudanças bruscas de tom entre segmentos adjacentes.
- Verificar silêncio entre segmentos.
- Esperar conclusão de cada request.
- Auditionar transições para naturalidade.
Validação de Qualidade
Antes de finalizar a produção, audicione amostras para verificar a precisão fonética e a fluência narrativa. A API não utiliza SSML, portanto, a pontuação e a formatação do texto influenciam diretamente as pausas naturais.
Testes de pronúncia
Verifique se termos específicos ou nomes próprios são interpretados corretamente. Utilize a API para gerar trechos curtos e valide a clareza antes de processar capítulos inteiros.
Verificação de ritmo
A velocidade padrão gera aproximadamente 25 caracteres por segundo. Ajuste o parâmetro speed entre 0.25 e 4.0 para alinhar o ritmo à expectativa do ouvinte, garantindo que a narração não fique acelerada ou monótona.
Audição em diferentes idiomas
Confirme a pronúncia em cada língua suportada, mesmo que a voz seja a mesma. Defina o campo language explicitamente para textos em latim que não sejam inglês, evitando suposições automáticas incorretas.
Integração com Plataformas
A API retorna arquivos de áudio nos formatos MP3, WAV, Opus, FLAC ou PCM, garantindo compatibilidade imediata com a maioria das ferramentas de produção e distribuição de audiolivros. A escolha do formato depende do equilíbrio entre qualidade sonora e peso do arquivo para upload.
Esses formatos padrão facilitam a integração com plataformas de distribuição digital, permitindo que você envie seus arquivos diretamente para varejistas e agregadores sem necessidade de conversões complexas ou perda de qualidade adicional.
Exportação para formatos padrão
A API oferece MP3, WAV, Opus, FLAC e PCM. O MP3 é leve e universal; o WAV preserva qualidade sem compressão.
Escolha o formato que melhor se adapta à plataforma de destino, equilibrando tamanho e fidelidade.
- MP3: leve e universal
- WAV: alta fidelidade
- Opus: eficiente para streaming
- FLAC: sem perda de qualidade
- PCM: áudio bruto
Upload para distribuidoras
Os arquivos gerados podem ser enviados diretamente para plataformas como Amazon KDP, Audible e outras agregadoras. Certifique-se de que o formato escolhido atenda aos requisitos específicos de cada varejista.
A compatibilidade é direta, evitando retrabalho na preparação dos arquivos finais.
Compatibilidade com EPUB
Embora o EPUB seja um formato de livro digital, os arquivos de áudio podem ser incorporados como recursos anexados. A API não gera o EPUB, mas fornece o áudio pronto para ser embutido.
Use ferramentas de empacotamento EPUB para incluir os arquivos de áudio gerados pela API em seu livro digital final.
Gestão de Direitos Autorais
Os direitos de uso do áudio gerado são claros para produtores editoriais. A API utiliza vozes derivadas de gravações licenciadas sob CC BY 4.0 (LibriTTS-R), provenientes de leituras de domínio público do LibriVox.
Isso permite o uso comercial dos arquivos de áudio produzidos, simplificando a gestão de direitos para autoeditores.
Licenciamento das vozes base
As vozes sintetizadas são baseadas em gravações licenciadas sob Creative Commons Attribution 4.0 (CC BY 4.0). O dataset original provém de leituras de audiolivros em domínio público do projeto LibriVox.
- Baseada em gravações CC BY 4.0
- Origem: LibriVox (domínio público)
Uso comercial do áudio gerado
Os arquivos de áudio gerados pela API são livres para uso comercial. Você pode vendê-los como audiolivros, incluí-los em cursos ou usá-los em conteúdo promocional sem pagar royalties adicionais por download ou venda.
Marca d'água sintética
Cada arquivo de áudio gerado carrega uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso facilita a identificação da origem do áudio e a distinção entre gravações humanas e geradas por IA.

Otimização de Custos
Entender a métrica de caracteres é fundamental para orçar seus projetos de audiolivros. Como espaços e pontuação contam como caracteres, um livro de 200 páginas pode ultrapassar facilmente 100 mil caracteres, impactando diretamente o custo final.
Com a tarifa de $0,01 por mil caracteres, a previsibilidade financeira depende do volume exato do manuscrito. Planos mensais não se aplicam aqui; o pagamento é estritamente pelo volume processado, sem taxas fixas ocultas.
Cálculo de caractere por página
Para estimar o custo por capítulo, conte todos os caracteres do texto bruto, incluindo espaços e sinais de pontuação. Um livro padrão de 50.000 palavras gera aproximadamente 250.000 a 300.000 caracteres, resultando em um custo base de $2,50 a $3,00 para a síntese completa.
Estimativa de orçamento
O preço é fixo em $10 por milhão de caracteres, independentemente da voz ou formato escolhido. Isso permite calcular o orçamento total do projeto antes de começar, sem surpresas com preços variáveis por minuto de áudio ou complexidade da voz.
Uso eficiente do crédito
Solicitações falhas são gratuitas, garantindo que você não pague por erros de sistema. O crédito de teste inicial de $0,50 permite validar a qualidade antes de investir em recargas via USDT, otimizando o fluxo de caixa para autoeditores.
- Recargas mínimas de $5 via TRON (TRC-20)
- Cobrança apenas por caracteres processados com sucesso
- Crédito inicial gratuito para testes de qualidade
Automação com Scripts
A integração via Python ou Node.js permite automatizar o envio de manuscritos inteiros para a API. Utilizando o SDK da OpenAI com o base_url ajustado para https://api.kohkae789.cc/v1, você gera arquivos de áudio diretamente do código, sem interfaces manuais.
Scripts podem iterar sobre capítulos, respeitando o limite de 4096 caracteres por requisição. Isso garante que cada parte do livro seja processada individualmente, mantendo a integridade dos arquivos gerados.
Uso de Python ou Node.js
Configure a chave de API como variável de ambiente para segurança. O código envia o texto no corpo JSON e recebe o arquivo de áudio (mp3 ou wav) na resposta.
Essa abordagem elimina a necessidade de copiar e colar textos manualmente, acelerando o fluxo de produção de audiolivros.
- Use
requestsouaxiospara chamadas HTTP simples. - Defina
base_urlpara a API específica. - Armazene a chave em variáveis de ambiente.
Processamento em lote
Scripts podem dividir o manuscrito em blocos de 4096 caracteres e enviar requisições sequenciais. Isso garante que todo o livro seja convertido sem intervenção humana constante.
O código deve aguardar o término de cada geração antes de iniciar a próxima, respeitando os limites de taxa de 60 requisições por minuto.
- Divida o texto por parágrafos ou sentenças.
- Envie requisições em loop controlado.
- Combine os arquivos de áudio resultantes.
Tratamento de erros automáticos
Implemente retentativas para falhas temporárias de rede. Se a síntese falhar, o crédito é devolvido automaticamente, mas o script deve registrar o erro para reprocessamento posterior.
Valide o código de status HTTP antes de salvar o arquivo, evitando perda de dados em caso de interrupção.
Logue o tempo de processamento para monitorar a eficiência do pipeline de produção.
Escalabilidade do Projeto
O modelo de API permite escalar a produção de audiolivros sem a necessidade de contratar múltiplos estúdios ou atores. Cada título é processado independentemente, mantendo a consistência da voz através da seleção de presets específicos (como "sage" para narrativas ou "aria" para ficção). Isso elimina gargalos logísticos e permite que autoeditores gerem catálogos inteiros com custos previsíveis de $0,01 por mil caracteres.
Produção de múltiplos títulos
Com limites de 4.096 caracteres por requisição, textos longos são divididos manualmente pelo usuário ou script. A API retorna arquivos de áudio individuais que podem ser unidos posteriormente. Essa arquitetura garante que a geração de um novo livro não interfira na entrega de outros, permitindo o processamento paralelo de diferentes obras.
- Processamento independente por título
- Divisão automática de textos longos
- União de arquivos de áudio
Gestão de múltiplas chaves
Cada conta pode emitir uma nova chave de API a qualquer momento, invalidando a anterior instantaneamente. O limite padrão é de 60 requisições por minuto por chave, o que permite paralelizar a síntese de vários capítulos simultaneamente.
- Emissão ilimitada de chaves
- Invalidação instantânea da chave anterior
- Distribuição de carga para evitar filas
Expansão para novos idiomas
As oito vozes predefinidas suportam 23 idiomas, incluindo português, espanhol, inglês, francês e japonês. Uma mesma voz pode ser utilizada em múltiplas línguas, facilitando a localização de um único manuscrito para mercados internacionais sem necessidade de novas gravações ou ajustes de estilo vocal.
- Suporte a 23 idiomas
- Mesma voz para múltiplas línguas
- Sem necessidade de novas gravações
Exemplos Práticos
A API adapta seu tom às exigências de cada gênero, garantindo que a narração respeite as nuances do texto original. O fluxo de trabalho editorial permite dividir manuscritos longos em partes gerenciáveis, mantendo a coerência narrativa mesmo em projetos extensos.
Romance de ficção científica
Para narrativas futuristas, a voz Atlas oferece um tom neutro e jornalístico, ideal para descrever cenários complexos. Já Orion, com sua voz profunda, adiciona gravidade às cenas de tensão. A velocidade pode ser ajustada para 1.2x em trechos de ação rápida.
- Uso de Atlas para exposição técnica
- Ajuste de velocidade para ritmo acelerado
Biografia autobiográfica
A voz Luna, suave e narrativa, é perfeita para memórias pessoais, enquanto Sage transmite clareza em passagens instrucionais. A consistência emocional é mantida através da seleção única de voz para todo o manuscrito, evitando distrações auditivas.
- Luna para memórias íntimas
- Sage para contexto histórico
Contos para audiobook infantil
Vozes como Nova (brilhante e animada) ou Aria (clara e narrativa) capturam a energia das histórias infantis. O limite de 4096 caracteres por requisição permite controlar o ritmo de cada cena, garantindo pausas naturais para crianças.
- Nova para cenas vibrantes
- Controle de ritmo por cena
Próximos Passos
Acesse kohkae789.cc/get-api-key/ para iniciar. Você pode registrar-se com o Google ou criar uma conta via e-mail e senha. A criação por Google concede automaticamente $0,50 de crédito experimental, válido por 7 dias, equivalente a aproximadamente 50.000 caracteres.
Criação de conta na plataforma
O cadastro é direto e não exige cartão de crédito. A conta é vinculada a este domínio específico da rede. Após a confirmação, você terá acesso imediato ao painel de controle para gerenciar suas credenciais.
Obtenção de chave de API
No painel, localize sua chave ativa (formato tts-...). Cada conta possui apenas uma chave ativa por vez. Você pode emitir uma nova a qualquer momento; a anterior é revogada instantaneamente. Use esta chave no cabeçalho Authorization: Bearer.
- Formato:
tts-... - Uma chave ativa por conta
- Revogação instantânea ao emitir nova
Primeira geração de áudio
Utilize o SDK oficial da OpenAI ou HTTP direto, apontando base_url para https://api.kohkae789.cc/v1. Envie um POST para /v1/audio/speech com seu manuscrito. O sistema retorna o arquivo de áudio pronto para distribuição, sem necessidade de estúdio.
- Endpoint: POST /v1/audio/speech
- Base URL: https://api.kohkae789.cc/v1
- Formatos: mp3, wav, opus, flac, pcm
Ouça as 8 vozes
Cada amostra abaixo foi gerada por esta API a partir da mesma frase.
23 idiomas
Qualquer voz fala qualquer um desses idiomas.
Fontes e leituras adicionais
- Wikipedia
- Python documentation
- openai-node on GitHub
- Creative Commons Attribution 4.0
- FFmpeg documentation
- W3C WAI: making audio and video accessible
- TRON developer hub: TRC-20
- LibriTTS-R paper (arXiv 2305.18802)
- MDN: Web Speech API
- LibriVox public-domain audiobooks
- IETF RFC 7845: Ogg Opus
- Node.js documentation
