Pesquisa

O que é texto para fala? Tecnologia, usos e testes

O que é texto para fala (TTS)? Um guia direto sobre como a síntese de voz transforma texto em áudio, como difere do leitor de tela e como testar um app.

Tela de reprodução de documentos usada para testar o áudio do texto para fala
Um leitor de documentos envolve o motor de voz com navegação pelo texto e controles de voz e velocidade.

Ouça as amostras do teste

Use fones de ouvido e mantenha o mesmo volume se for comparar amostras.

Amostra em inglês usada no teste de voz publicado pela FratecaUm trecho curto de ciências, em inglês, com um número grande e uma frase explicativa longa.

Pontos principais

  • O texto para fala converte caracteres em áudio falado; os leitores de documentos acrescentam extração, OCR, navegação, armazenamento e reprodução em volta desse motor de voz.
  • Um fluxo típico normaliza o texto, prevê pronúncia e fraseado, cria uma representação da fala e depois sintetiza a forma de onda.
  • Um leitor de tela expõe a estrutura e os controles da interface, além do texto, enquanto um leitor simples de TTS pode apenas narrar o conteúdo extraído.
  • Teste qualquer sistema com um texto difícil seu e confira nomes, números, OCR, tabelas, termos de privacidade e licenças, e não só uma frase de demonstração caprichada.

Texto para fala (TTS, do inglês text-to-speech) é a tecnologia que transforma texto escrito em áudio falado. Você provavelmente já usa: os ajustes de acessibilidade do celular, o Ler em voz alta do Microsoft Edge e o Modo de Leitura do Chrome recorrem a um motor de síntese de voz, assim como os apps de leitura, os leitores de tela e os assistentes de voz.

Esses produtos compartilham a tecnologia de voz, mas resolvem problemas muito diferentes. Este guia acompanha uma frase desde o documento até o seu fone de ouvido, explica o que o OCR e as vozes neurais fazem de verdade, separa os termos que costumam ser confundidos e termina com um teste rápido que diz mais do que qualquer demonstração caprichada.

O que é texto para fala, em uma frase

O texto para fala (TTS) converte caracteres escritos em áudio falado. O motor, no sentido estrito, recebe texto e devolve fala. Um app para o consumidor pode fazer muito mais antes e depois dessa etapa:

arquivo, página da web ou digitalização
        ↓
extração ou OCR
        ↓
texto limpo e estrutura do documento
        ↓
normalização do texto e pronúncia
        ↓
modelo de voz e geração do áudio
        ↓
player, destaque, navegação e exportação

Essa distinção importa na hora de comparar produtos. Uma voz excelente não conserta um PDF de duas colunas mal extraído. Um OCR excelente não garante boa pronúncia. Um player bonito diz pouco sobre privacidade ou sobre a possibilidade de publicar o áudio gerado.

Como funciona o motor de voz

As implementações variam, e sistemas mais novos podem juntar várias etapas. Um modelo conceitual útil tem quatro partes.

1. Normalizar o texto

Símbolos escritos precisam de uma interpretação falada. Veja:

O Dr. Lima pagou R$ 12,50 em 3/4/26 na R. Cel. Souza, 1.200, 2º andar.

O sistema precisa decidir como ler Dr., o valor em reais, a data (3 de abril no Brasil, 4 de março nos Estados Unidos), R. e Cel. (aqui, rua e coronel; num cartão de visita, “Cel.” costuma ser celular), o 1.200 (mil e duzentos, porque no Brasil o ponto separa o milhar) e o 2º. A leitura certa depende do idioma, da região e do contexto. O sistema também precisa de regras para URLs, siglas, unidades, números de telefone, emojis e pontuação.

Erros de normalização são um dos motivos pelos quais uma voz natural ainda pode dizer a coisa errada. Para números ou instruções importantes, acompanhe o texto com os olhos e confira a fonte.

2. Prever pronúncia e fraseado

O motor associa as palavras a sons da fala e define fronteiras, sílabas tônicas e entonação. Uma mesma grafia pode ter mais de uma pronúncia: “colher” muda entre o talher (com “é” aberto) e o verbo (com “ê” fechado), “sede” muda entre a vontade de beber e o endereço de uma empresa, e um sobrenome pode não seguir as regras do dicionário.

Prosódia é o padrão de tempo, tônica, ritmo e altura que ajuda a fala a carregar estrutura e intenção. A pontuação dá pistas, mas não uma interpretação completa. Frases longas, citações, títulos e listas revelam se um sistema lida bem com o fraseado.

Alguns sistemas aceitam SSML, uma linguagem de marcação do W3C para controlar aspectos como pronúncia, pausas e ênfase. O suporte varia. Um leitor de documentos feito para o consumidor pode não expor o SSML, mesmo que o serviço por trás dele o entenda.

3. Produzir uma representação acústica

Os sistemas concatenativos, mais antigos, escolhiam e emendavam trechos de fala gravada. O resultado podia ser inteligível, mas com emendas audíveis ou um fraseado rígido. Os sistemas estatísticos passaram a prever parâmetros da fala. Os sistemas neurais modernos aprendem a relação entre texto e fala a partir de dados e conseguem prever uma representação acústica mais rica.

“Neural” não garante precisão, naturalidade nem treinamento responsável. A qualidade ainda varia com a voz, o idioma, o texto, o modelo, a compressão e os ajustes do produto. Pergunte aos fornecedores sobre cobertura de idiomas e práticas de dados quando isso importar. Se você vai ouvir em português, ouça especificamente as vozes em português: um catálogo forte em inglês não diz nada sobre elas.

4. Gerar a forma de onda

Um gerador de forma de onda, muitas vezes chamado de vocoder num sistema neural de várias etapas, transforma a representação acústica em amostras de som. Algumas arquiteturas atuais geram a fala de forma mais direta e não cabem num esquema de livro didático. O resultado prático é o mesmo: o produto precisa criar um áudio que possa ser transmitido, guardado em cache ou exportado.

Latência, custo computacional e necessidade de conexão afetam a experiência. Um modelo grande na nuvem pode soar expressivo, mas exigir uma ida e volta pela rede. Uma voz menor, no próprio aparelho, pode começar na hora e manter um texto sensível no local. Nenhuma das duas é melhor por definição; quem decide é o uso.

Onde entram o OCR e a extração

O TTS não consegue falar letras que o sistema não recebeu. Um PDF digital pode ter texto selecionável. Um PDF digitalizado ou uma foto tirada com a câmera pode ter só pixels, e aí precisa antes de reconhecimento óptico de caracteres (OCR).

Tente selecionar uma frase. Se nenhum caractere puder ser selecionado, provavelmente vai ser preciso OCR. Mas texto selecionável não prova que o documento está limpo: colunas, cabeçalhos, notas de rodapé e camadas ocultas ainda podem sair na ordem errada.

Erros de OCR importam porque o motor de voz lê com toda a confiança qualquer texto que recebe. Problemas comuns:

  • ler duas colunas atravessadas, como se fossem uma linha só;
  • confundir 0, O, 1, l e I;
  • inserir cabeçalhos ou números de página no meio da frase;
  • perder sobrescritos, equações e a relação entre as células de uma tabela; e
  • omitir legendas ou notas de margem.

Num romance, um erro ocasional pode ser tolerável. Para estudo, contratos, bulas de remédio ou informações de segurança, compare o resultado do OCR com a imagem e use uma fonte profissional ou acessível adequada. Os guias de como ler PDF em voz alta e de como transformar um livro físico em áudio mostram como evitar os erros mais comuns.

TTS, leitores de tela e geradores de voz não são sinônimos

Motor de texto para fala

O componente que fala o texto. Sistemas operacionais, navegadores, softwares de acessibilidade e apps podem recorrer a um.

Leitor de documentos ou de artigos

Um produto que importa conteúdo, extrai ou digitaliza o texto, chama um motor de TTS e acrescenta biblioteca, controles de velocidade e player. Os apps da Frateca para iOS, Android e web estão nessa categoria: leem PDFs (com OCR para digitalizações), artigos, ePub, arquivos do Word e texto colado em oito idiomas, entre eles o português.

Extensão de leitura para navegador

Um leitor que roda dentro do navegador e funciona na página que você está vendo, normalmente a partir de uma seleção de texto. Como fica na própria página, pode destacar as palavras ali mesmo, em vez de mostrar uma cópia reformatada. Algumas extensões só falam e esquecem. Outras, como a Frateca para Chrome, também salvam páginas numa biblioteca que você reabre no celular. Em qualquer caso, uma extensão precisa de permissão para ler as páginas em que você a usa, então confira o que ela envia e guarda. É por isso que o Chrome avisa, na instalação, que a extensão pode “ler e alterar todos os seus dados em todos os sites”; a página da extensão da Frateca explica o que esse aviso significa na prática.

Leitor de tela

Uma tecnologia assistiva, como VoiceOver, TalkBack, NVDA ou JAWS, que expõe a árvore de acessibilidade do sistema operacional ou da página. Ele comunica funções, nomes, estados, pontos de referência e controles, e oferece comandos de navegação. A fala é uma das saídas; o Braille pode ser outra.

Um narrador simplificado que lê o corpo do artigo pode ser prático, mas não substitui o acesso estrutural e a interação que um leitor de tela oferece. Os materiais de acessibilidade do W3C listados nas fontes explicam o conjunto mais amplo de ferramentas.

Gerador de voz com IA

Um termo comercial amplo. Um produto pode transformar roteiros em locução de estúdio; outro pode traduzir e dublar vídeos; outro pode clonar a voz de alguém que autorizou; outro pode simplesmente oferecer TTS. “Voz de IA” descreve a forma de gerar a fala, não as permissões, o suporte a documentos ou os recursos de acessibilidade.

Assistente de voz

Um sistema que reconhece pedidos falados, executa ações e responde. Ele pode usar TTS para dar a resposta, mas a síntese de voz é só uma peça do assistente.

Narração humana de audiolivros

Uma interpretação feita, gravada e editada por pessoas. O TTS oferece imediatismo e liberdade para escolher o que ouvir; a narração humana oferece interpretação intencional e produção. Nenhuma das duas é superior em todos os casos: depende do livro e de quem ouve.

O que as vozes neurais melhoraram, e o que não

Os modelos neurais melhoraram a continuidade, o ritmo e a expressividade em comparação com muitas vozes antigas. Eles tornaram a fala gerada em textos longos utilizável para muitos ouvintes. Mas não resolveram todas as partes da leitura.

Uma voz moderna ainda pode:

  • pronunciar errado o nome de uma pessoa;
  • expandir uma abreviação do jeito errado;
  • achatar a ironia ou um diálogo;
  • falar uma tabela como uma lista sem sentido;
  • ler com toda a confiança um OCR ruim; ou
  • cansar um ouvinte específico numa velocidade específica.

A naturalidade é subjetiva. O suporte a um idioma pode ser amplo na página do produto e raso para um sotaque regional ou para um documento que mistura idiomas. Um texto em português cheio de termos em inglês, comum em tecnologia e negócios, é um bom teste. Experimente a combinação de texto e voz que você vai usar de fato.

Benefícios de acessibilidade exigem um produto acessível

O TTS pode ajudar pessoas que não conseguem ler texto visual com conforto, pessoas com deficiências que afetam a leitura do impresso, quem aprende um idioma e qualquer pessoa diante de uma barreira visual ou física temporária. Também pode reduzir o tempo de tela ou ajudar na revisão de textos.

O motor de voz, sozinho, não torna um app acessível. Operação pelo teclado, rótulos semânticos, ordem de foco, destaque ajustável, escolha de voz, ferramentas de pronúncia, compatibilidade com Braille e uma estrutura de documento confiável contam. Uma pessoa pode preferir um leitor de tela, texto e áudio sincronizados, texto ampliado, Braille ou uma combinação.

Evite promessas médicas. O TTS não diagnostica nem trata dislexia, TDAH, autismo, baixa visão ou condições ligadas à idade. É uma ferramenta cuja utilidade depende da pessoa, do conteúdo e das adaptações disponíveis. Para dificuldades persistentes de leitura, visão ou audição, procure orientação qualificada.

Privacidade, consentimento e direitos de uso

As perguntas certas dependem do que entra e do que sai.

Ao ouvir documentos privados

Confira se o texto é enviado para servidores, guardado, usado para melhorar modelos, compartilhado com subprocessadores ou se pode ser apagado. Documentos de trabalho, da escola ou de clientes podem exigir um serviço aprovado ou processamento no próprio aparelho.

Ao publicar a fala gerada

O direito de ouvir para uso pessoal não inclui automaticamente o direito de usar a voz numa locução comercial. Confira a licença de saída do plano, os direitos sobre o texto e qualquer exigência de atribuição.

Ao clonar ou imitar uma voz

Obtenha a autorização informada de quem fala e considere os riscos de imitação, fraude, questões trabalhistas, privacidade e uso indevido de imagem e voz. Conseguir reproduzir uma voz tecnicamente não é autorização para usá-la. Produtos e legislações variam, então usos importantes pedem orientação jurídica e regras de plataforma atualizadas.

Um teste útil para comparar produtos

Não compare só a demonstração caprichada do fornecedor. Use a amostra e o método descritos no início da página e acrescente um documento real.

  1. Inclua um nome, uma abreviação, uma data, um número decimal, um valor em reais e uma citação.
  2. Acrescente uma frase longa em que as pausas certas mudam o sentido.
  3. Importe uma digitalização em duas colunas para expor a ordem do OCR.
  4. Ouça a 1,0× e na velocidade que você usa normalmente.
  5. Compare duas vozes sem mudar o texto.
  6. Anote erros de pronúncia, omissões, tempo até começar e dificuldades de navegação.
  7. Leia os termos atuais de privacidade, exclusão, exportação e direitos de uso.

O áudio incorporado é uma amostra em inglês publicada pela Frateca, não um teste independente entre fornecedores. A captura de tela mostra a interface do leitor em volta do motor. Use os dois para entender o produto e depois repita o teste em outros lugares com exatamente o mesmo trecho. Para ouvir em português, cole o seu parágrafo de teste na demo ao vivo, que aceita até 3.000 caracteres.

Onde você já tem texto para fala

Você não precisa instalar nada para experimentar:

Aparelho ou navegadorLeitor nativo
iPhoneAjustes → Acessibilidade → Leitura e Fala (Falar Conteúdo da Tela, Falar Seleção; Conteúdo Falado no iOS 18 e anteriores), e no Safari, Escutar a Página
AndroidSelecionar para ouvir (Configurações → Acessibilidade), e no Chrome, ⋮ → Ouvir esta página
Microsoft EdgeLer em voz alta (Ctrl + Shift + U)
Chrome no computadorModo de Leitura, com o botão Reproduzir

Esses recursos servem para uma página por vez. Apps de leitura e extensões acrescentam o que fica em volta do motor: importar documentos inteiros, OCR, uma biblioteca e reprodução longe da tela. O passo a passo de cada caminho grátis está em os melhores apps de texto para fala grátis e, para o Android, no guia de app de texto para fala para Android.

Escolha o sistema pela tarefa

Para uma página da web de vez em quando, o navegador ou o sistema operacional pode bastar. Para ler na web com frequência e com destaque na própria página, compare as extensões de texto para fala para Chrome. Para navegar pelo computador com acessibilidade, use e configure um leitor de tela de verdade. Para uma fila de documentos, priorize extração, OCR, navegação e privacidade, além da qualidade da voz. Para produzir locução pública, investigue licenças e consentimento.

O texto para fala é a camada da voz, não a experiência inteira. Com essa distinção clara, fica mais fácil avaliar o que cada produto promete. Você pode experimentar a Frateca grátis com o teste de texto difícil descrito acima, ou comparar opções pagas e grátis nas 7 alternativas ao Speechify.

Pare de ler. Comece a ouvir.

A Frateca transforma PDFs, artigos, livros didáticos e páginas da web em áudio natural para ouvir onde quiser: no trânsito, na academia ou enquanto cozinha. Plano grátis incluído, sem cartão.

Experimente a Frateca grátis → Adicionar ao Chrome

iOS · Android · Web · Extensão do Chrome · Plano grátis, sem cartão de crédito