Entre uma etiqueta de US$ 4 e outra de US$ 100 por milhão de caracteres está a voz que seu projeto realmente precisa, e a diferença entre esses dois números é maior do que a maioria das pessoas imagina. Uma API de texto para fala parece um utilitário simples até a fatura chegar. Aí você percebe que o mesmo roteiro de 10.000 palavras custa alguns centavos com um fornecedor e vários dólares com outro, e que a opção barata às vezes soa como um GPS de 2012, enquanto a cara soa como um apresentador de rádio.
Este artigo apresenta os números em termos simples, mostra onde as opções baratas se sustentam e onde não se sustentam, e aponta os planos gratuitos que são renovados todo mês, em vez de desaparecerem depois de um teste.
💡 Verificação de preços: os preços de TTS mudam com frequência, e os valores abaixo foram arredondados a partir de páginas públicas de preços e comparativos vistos no fim de 2026. Sempre confirme a tarifa atual na página de preços do próprio fornecedor antes de definir um orçamento.
O que "barato" realmente significa
Preço por milhão de caracteres
Quase todos os fornecedores cobram por caractere, e não por minuto ou por palavra. Isso facilita a comparação depois que você entende a conversão. Um milhão de caracteres equivale a cerca de 170.000 palavras, o que dá aproximadamente 18 horas de áudio falado em um ritmo normal de leitura.
Assim, quando um fornecedor anuncia US$ 16 por milhão de caracteres, você paga algo em torno de 88 centavos por hora de áudio pronto. Com US$ 4, o valor cai para cerca de 22 centavos por hora. Com US$ 80, sobe para mais de US$ 4 por hora. Esses valores por hora são bem mais fáceis de comparar com um narrador freelancer ou com a contratação de um estúdio.

Custos escondidos nas letras miúdas
A tarifa principal é só uma parte da conta. Fique atento a estes itens:
- Multiplicadores por nível de voz. O mesmo fornecedor pode cobrar US$ 4 por uma voz básica e US$ 30 pela sua voz neural ou HD mais nova.
- Cobrança por token. Alguns modelos de fala mais novos cobram por tokens de entrada e saída, o que torna a comparação por caractere confusa.
- Planos mínimos. Uma assinatura com caracteres incluídos pode parecer barata até você ver a tarifa do excedente.
- Limites de requisições. Planos gratuitos e de entrada costumam limitar as requisições simultâneas, o que importa para apps que geram áudio sob demanda.
- Direitos comerciais. Um plano gratuito pode permitir testar, mas não publicar o áudio.
Tabela de preços: os grandes fornecedores
A tabela abaixo coloca lado a lado os fornecedores mais conhecidos. Os valores são por um milhão de caracteres e são aproximados.
| Fornecedor e tipo de voz | Preço aprox. por 1 milhão de caracteres | Cota gratuita |
|---|
| Amazon Polly, Standard | US$ 4 | Cota limitada de teste |
| Google Cloud, vozes Standard | US$ 4 | Primeiros 4 milhões de caracteres por mês |
| Amazon Polly, Neural | US$ 16 | Cota limitada de teste |
| Microsoft Azure Speech, Neural | US$ 15 a US$ 16 | 500 mil caracteres por mês (nível F0) |
| OpenAI tts-1 | US$ 15 | Nenhuma |
| Microsoft Azure Speech, Neural HD | Cerca de US$ 22 | Compartilhada com o nível F0 |
| Google Cloud, Chirp 3 HD | US$ 30 | Primeiro 1 milhão de caracteres por mês |
| OpenAI tts-1-hd | US$ 30 | Nenhuma |
| Deepgram Aura-2 | Cerca de US$ 30 | Crédito inicial |
| ElevenLabs, Flash e Turbo | US$ 40 a US$ 50 | Pequena cota do plano mensal |
| ElevenLabs, Multilingual e v3 | US$ 80 a US$ 100 | Pequena cota do plano mensal |
As fontes divergem sobre a ElevenLabs, então trate a linha dela como uma faixa. O padrão, de qualquer forma, é claro: vozes básicas ficam em torno de US$ 4, vozes neurais sólidas se concentram entre US$ 15 e US$ 30, e vozes premium expressivas custam de três a cinco vezes mais.
💡 O modelo gpt-4o-mini-tts, mais novo da OpenAI, é cobrado por token, então não se encaixa bem nesta tabela. Rode um roteiro de exemplo nele e verifique os números de uso antes de presumir que ele corresponde às tarifas antigas por caractere.

Planos gratuitos comparados
Cotas mensais que se renovam
Um plano gratuito que zera a cada mês vale muito mais do que um crédito único. Com base no que está publicado hoje, as cotas renováveis mais generosas são:
- Google Cloud, vozes Standard: 4 milhões de caracteres por mês. Isso equivale a cerca de 72 horas de áudio, o suficiente para manter um pequeno projeto paralelo gratuitamente por tempo indeterminado.
- Google Cloud, Chirp 3 HD: 1 milhão de caracteres por mês, cerca de 18 horas de uma voz bem mais natural.
- Microsoft Azure Speech F0: 500.000 caracteres por mês, sem data de expiração para o nível.
- Plano gratuito do Speechify: 500.000 caracteres incluídos por mês, de acordo com os resumos de preços que encontrei.
Se o seu volume for um resumo semanal de podcast, algumas narrações de blog ou um recurso de acessibilidade em um site pequeno, essas cotas podem manter sua conta em zero.
Créditos únicos e testes
A maioria dos fornecedores mais novos oferece um crédito inicial. Isso serve para testar, mas não é um plano de preços. Calcule o orçamento pela tarifa paga desde o primeiro dia, porque o crédito acaba mais rápido do que você imagina: um único capítulo de audiolivro pode consumir 50.000 caracteres.

Barato ainda soa bem?
Vozes padrão ou vozes neurais
O nível de US$ 4 existe por um motivo: ele se baseia em métodos mais antigos, de concatenação ou estatísticos. Frases curtas como "Seu pedido foi enviado" soam aceitáveis. Parágrafos longos revelam um ritmo monótono, ênfases estranhas em nomes e um tom mecânico nos números.
As vozes neurais a US$ 15 e US$ 16 são o ponto em que a maioria dos ouvintes deixa de perceber a diferença. O ritmo melhora, as frases sobem e descem de forma natural, e as respirações e pausas ficam em lugares críveis. Para e-learning, notificações, menus de URA e artigos narrados, essa faixa é o ponto ideal entre preço e qualidade.
Vozes premium e quando compensam
Modelos expressivos, aqueles que sussurram, riem e mudam de tom no meio da frase, custam mais porque usam redes maiores. Eles se justificam em três situações:
- Vozes de personagens para jogos ou histórias interativas.
- Vídeos de marketing em que uma leitura sem emoção prejudica as conversões.
- Audiolivros com longas seções de diálogo.
Todo o resto raramente precisa delas. Um narrador calmo e claro a US$ 15 vence uma voz dramática a US$ 80 quando o conteúdo é um tutorial de software.

💡 Teste rápido de escuta: cole um parágrafo com uma data, um preço, o nome de uma marca e uma pergunta. Vozes baratas costumam falhar primeiro na data e na entonação da pergunta.
Vozes econômicas que valem a pena testar no PicassoIA
Os gigantes da nuvem não são o único caminho para uma conta baixa. O PicassoIA reúne muitos modelos de fala em um só lugar, então você pode comparar vozes com o seu próprio roteiro sem criar uma conta separada para cada fornecedor. Alguns que combinam com projetos com foco em custo:
Modelos rápidos e leves
- Gemini 3.1 Flash TTS oferece 30 vozes em mais de 70 idiomas, uma boa escolha quando você precisa de amplitude em um só modelo.
- TTS 1.5 Mini entrega saída rápida em 15 idiomas e é feito para trabalhos de alto volume.
- Realtime TTS 1.5 Mini mira latência muito baixa, útil para assistentes de voz e chats ao vivo.
- Chatterbox Turbo é uma opção rápida quando você quer uma entrega expressiva sem um modelo pesado.

Modelos de estúdio e multilíngues
Design e clonagem de voz
O Qwen3 TTS permite clonar uma voz ou criar uma nova a partir de uma descrição. Isso importa para o custo de um jeito que as pessoas costumam ignorar: uma voz de marca personalizada pode substituir o cachê recorrente de um dublador, e uma voz consistente em todo o projeto economiza tempo de edição.
💡 Fala para texto funciona no sentido inverso. Se você precisa de transcrições do áudio que cria, a categoria de fala para texto no PicassoIA cobre essa etapa do fluxo.
Custos mensais reais por caso de uso
Os números em uma página de preços são abstratos até você associá-los a um projeto. Estes exemplos consideram um roteiro de cerca de 6 caracteres por palavra, incluindo espaços.
Um resumo semanal de podcast
Um episódio de 40 minutos tem cerca de 36.000 caracteres. Quatro episódios por mês somam 144.000 caracteres.
| Tarifa por 1 milhão de caracteres | Custo mensal |
|---|
| US$ 4 | Cerca de US$ 0,58 |
| US$ 16 | Cerca de US$ 2,30 |
| US$ 30 | Cerca de US$ 4,32 |
| US$ 80 | Cerca de US$ 11,52 |
Nesse volume, até a voz mais cara é troco de bolso, e as cotas gratuitas do Google e da Azure a tornam gratuita. Escolha a voz mais natural que você conseguir ouvir, não a mais barata.

Um curso online de 10 horas
Dez horas de narração equivalem a cerca de 540.000 caracteres, produzidos uma única vez.
| Tarifa por 1 milhão de caracteres | Custo único |
|---|
| US$ 4 | Cerca de US$ 2,16 |
| US$ 16 | Cerca de US$ 8,64 |
| US$ 30 | Cerca de US$ 16,20 |
| US$ 80 | Cerca de US$ 43,20 |
Compare isso com contratar um narrador, que costuma custar centenas de dólares pela mesma duração. É aqui que o TTS vence de forma clara, e onde pagar US$ 30 por uma voz premium é fácil de justificar, já que os alunos vão ouvir por horas.

Um app com 10.000 usuários ativos
Se cada usuário disparar 3.000 caracteres de fala por mês, são 30 milhões de caracteres. Nesse ponto, a tarifa faz muita diferença:
| Tarifa por 1 milhão de caracteres | Custo mensal |
|---|
| US$ 4 | US$ 120 |
| US$ 16 | US$ 480 |
| US$ 30 | US$ 900 |
| US$ 80 | US$ 2.400 |
Aqui, uma voz neural de preço intermediário costuma ser a escolha certa, e o cache se torna seu melhor aliado. Se muitos usuários ouvirem o mesmo prompt, gere o áudio uma vez e armazene o arquivo. Só o cache pode reduzir a conta pela metade ou mais.
Como escolher sem se arrepender
Teste com o seu próprio roteiro
As páginas de demonstração mostram cada fornecedor no seu melhor. Use um parágrafo real do seu projeto: um com nomes, números, siglas e uma pergunta. Gere o texto em três ou quatro vozes e reproduza uma depois da outra pelas mesmas caixas de som. Pergunte a um colega qual ele ouviria por dez minutos.

Fique atento a estas armadilhas
- Citar um preço sem o nível de voz. Sempre confirme a qual voz a tarifa se aplica.
- Ignorar a latência. Uma API barata que leva três segundos para responder arruína um app conversacional.
- Pular a checagem de idiomas. Uma voz ótima em inglês pode ser medíocre em português ou em hindi.
- Esquecer o SSML ou os controles de pronúncia. Sem eles, nomes de marcas saem deformados e você paga para gerar de novo.
- Ficar preso a um único fornecedor. Mantenha seu texto e suas configurações separados do fornecedor para poder trocar quando os preços mudarem.
Um caminho de decisão simples
- Até 500.000 caracteres por mês com conteúdo simples: use um plano gratuito renovável e mantenha uma reserva paga.
- Narrações ou cursos, volume único: escolha a voz de melhor som, já que o custo é pequeno.
- Apps de alto volume: escolha uma voz neural na faixa de US$ 15 a US$ 30, adicione cache e teste um modelo mais barato para prompts não críticos.
- Vozes de marca ou de personagens: considere clonagem ou design de voz e depois compare o custo mensal com o de um dublador recorrente.

Faça seus próprios testes de voz
A forma mais rápida de resolver a questão entre barato e bom é ouvir as vozes você mesmo. Abra os modelos de texto para fala do PicassoIA, cole o mesmo parágrafo no Gemini 3.1 Flash TTS, no Speech 2.8 Turbo, no TTS 1.5 Mini e no ElevenLabs Flash v2.5, e compare os resultados lado a lado.
Depois, relacione o que você ouviu com as tabelas de custo acima. Você pode descobrir que uma voz econômica basta para suas notificações, enquanto a narração do seu curso merece a opção de qualidade de estúdio. De qualquer forma, decida com seus ouvidos e seus próprios números, não com uma página de marketing. Teste alguns roteiros hoje e veja qual voz ganha um lugar no seu projeto.