Texto em voz
Ou cole o texto da legenda
A primeira execução baixa o modelo de voz e o fonemizador — cerca de 98 MB juntos, servidos por este site e em cache no navegador depois disso. A legenda ou o texto que você soltar nunca sai desta aba. Escolher MP3 ou M4A baixa mais 31 MB de codificador, e é por isso que WAV é o padrão.
Opções
Uma voz decide o sotaque e o timbre e — menos óbvio — com que sistema de sons o texto é lido. Combinar uma voz em espanhol com uma frase em inglês não falha: ela lê palavras inglesas com sons espanhóis, o que é pior que uma mensagem de erro. Sete idiomas são oferecidos, não doze, porque o fonemizador incluído nesta página não tem voz para japonês nem chinês. Ouça um arquivo curto antes de se comprometer com um longo; toda voz carrega o mesmo modelo, então trocar custa uma síntese, não um download.
A rapidez com que a voz lê, aplicada sobre o ritmo que o modelo considera natural. Lenta é 0,8× e rápida é 1,2× — deliberadamente moderadas, porque acima de cerca de 1,5× o modelo começa a engolir sílabas e o resultado soa como alguém correndo em vez de alguém falando rápido. Quando um bloco de legenda é curto demais para sua fala, esta página aumenta a velocidade por conta própria até 1,4× antes de truncar, e esse aumento se multiplica pelo ajuste que você escolher aqui.
WAV é PCM não comprimido de 24 kHz mono, gravado aqui sem codificador nenhum — e é por isso que é o padrão e por isso nada extra é baixado para ele. MP3 e M4A precisam do motor de vídeo de 31 MB para comprimir, mas saem cerca de dez vezes menores: dez minutos de fala são cerca de 28 MB em WAV e cerca de 2,8 MB em MP3. Escolha WAV para testar uma voz, MP3 para enviar o arquivo a alguém.
Esta página lê texto em voz alta. Cole um parágrafo ou solte um arquivo — um .txt, um .srt, um .vtt, qualquer um dos doze formatos de legenda —, escolha uma das dez vozes e receba de volta um único arquivo de áudio com tudo falado do começo ao fim. Nada é sincronizado, porque não há contra o que sincronizar: a saída é uma leitura contínua, não uma faixa construída para ficar sob a imagem.
Quando o arquivo que você solta é de legendas, os timecodes são analisados e jogados fora. O que é lido é o texto de cada bloco, em ordem, unido em parágrafos; quebras de linha dentro de um bloco viram espaços porque eram escolhas tipográficas na tela, e as fronteiras entre blocos não viram nada. É o oposto do que a página de narrar legendas faz, e as duas páginas existem lado a lado para que a escolha fique visível em vez de escondida em uma caixa de seleção: uma produz som que segue uma linha do tempo, a outra produz som que simplesmente flui.
O texto é sintetizado em pedaços, não em uma passada só. O tokenizador do modelo trunca silenciosamente qualquer coisa além de 510 fonemas — um artigo de duas mil palavras voltaria como as duas primeiras frases, e o arquivo pareceria perfeitamente válido. Então o texto é dividido nas quebras de parágrafo, depois na pontuação de fim de frase e com mais força ainda para uma única frase que passe de 400 caracteres, e os pedaços são sintetizados um após o outro com uma pausa curta entre eles. É também aí que o cancelamento faz efeito: a fala acontece em uma thread própria, então o botão de cancelar a interrompe em um instante em vez de esperar a frase atual terminar, e a página continua utilizável enquanto o áudio é produzido.
A lista de vozes tem dez vozes em sete idiomas — inglês (EUA e Reino Unido), espanhol, francês, italiano, hindi e português do Brasil. Japonês e chinês não são oferecidos: o fonemizador usado para a pronúncia não tem voz para nenhum dos dois, então uma opção rotulada como japonês leria kanji como letras latinas e soaria confiantemente errada. Cerca de 98 MB de modelo e fonemizador são baixados uma vez e ficam em cache; o texto que você cola nunca sai do navegador, o que importa quando o parágrafo é uma carta de cliente ou uma anotação médica.
Perguntas frequentes
Se eu soltar um arquivo .srt na leitura em voz alta, a saída inclui os timecodes ou os números dos blocos?
Nenhum dos dois. O arquivo é analisado pela mesma camada de formato que as páginas de conversão usam, e só o texto de cada bloco é mantido — os números de índice, o esquema de tempos 00:00:01,000 --> e qualquer tag embutida como <i> ou {\pos()} somem antes da síntese. O que você ouve são as palavras na ordem em que aparecem. Se você quer que os tempos sejam respeitados em vez de descartados, use a página que narra um arquivo de legendas para áudio, que coloca cada bloco na própria hora de início.
A caixa de texto colado da leitura em voz alta aceita um artigo inteiro ou é só para uma frase ou duas?
Um artigo inteiro serve, porque o texto é fatiado antes de chegar ao modelo. O conteúdo colado é embrulhado como um arquivo de texto simples e entra na mesma fila de um arquivo solto, então recebe o mesmo fatiamento de 400 caracteres, a mesma barra de progresso e o mesmo botão de cancelar. O limite prático é memória, não comprimento: um artigo longo produz um WAV longo, e uma hora de PCM mono de 24 kHz dá algumas centenas de megabytes, então escolher MP3 vale a pena se a leitura passar de alguns minutos.
Por que as pausas entre frases soam mais longas na leitura em voz alta do que na narração de legendas?
Porque um quarto de segundo de silêncio é inserido entre os pedaços para que frases consecutivas não se emendem, enquanto a página de narração de legendas coloca cada linha na hora exata de um bloco e preenche a lacuna que a legenda já tinha. Aqui a pausa é fixa em 250 ms independentemente do conteúdo, já que não há linha do tempo a que ser fiel. Frases dentro de um mesmo pedaço são unidas pelo próprio tratamento de pontuação do modelo, então só as fronteiras entre pedaços — a cada 400 caracteres, aproximadamente — recebem a pausa extra.
Quais vozes existem para espanhol e português na leitura em voz alta, e é uma voz ou várias?
Uma para cada: ef_dora para espanhol e pf_dora para português do Brasil, ao lado de duas variantes de inglês dos Estados Unidos (af_heart, af_bella), mais uma voz americana (am_michael), duas vozes britânicas (bf_emma, bm_george), ff_siwis para francês, hf_alpha para hindi e if_sara para italiano. Existem várias vozes em inglês porque é onde está a maior parte dos pedidos de narração; os outros idiomas recebem uma para que a lista continue curta o bastante para ser ouvida e comparada. Uma voz define o sotaque além do timbre, então ela também decide com os fonemas de que idioma o texto é lido.
O MP3 ou M4A resultante da leitura em voz alta é seguro para publicar como trecho de podcast?
Tecnicamente sim — os dois são contêineres padrão codificados por uma compilação local do ffmpeg, e o áudio é mono de 24 kHz, o que serve para fala e é fino para música. Editorialmente, ouça antes de publicar: o modelo às vezes corta uma consoante final, acentua mal um nome próprio ou lê uma abreviação letra por letra. Nada é enviado enquanto isso acontece, e não há marca d'água nem rastreamento embutido, mas uma voz sintética também não carrega aviso nenhum, então se o seu público espera um leitor humano, diga qual é o caso.