Os créditos acabam rápido e os termos de licença atrapalham, então muitos criadores querem uma alternativa ao ElevenLabs. Este artigo compara ferramentas online gratuitas, motores de código aberto e opções de clonagem de voz, com configurações, notas sobre licença e sugestões para podcasts, anúncios e audiolivros.
Pagar por um gerador de voz fica doloroso no momento em que um único capítulo de audiolivro consome todos os seus créditos do mês. É essa a história por trás da maioria das buscas por uma alternativa ao ElevenLabs: as vozes soam ótimas, mas os limites, os termos de licença e a cobrança por caractere levam as pessoas a procurar em outro lugar. A boa notícia é que o mercado já oferece opções reais. Algumas podem ser testadas gratuitamente no navegador, algumas são de código aberto e rodam na sua própria máquina, e algumas clonam uma voz a partir de um trecho de apenas dez segundos.
Este artigo organiza essas opções de acordo com o que você realmente precisa. Você verá onde os planos gratuitos deixam de ser gratuitos, quais motores de código aberto valem a pena instalar, como a clonagem de voz funciona na prática e um passo a passo com o Chatterbox no PicassoIA. Música e transcrição ficam por último, porque quase todo projeto de voz precisa dos dois, mais cedo ou mais tarde.
O ElevenLabs construiu sua reputação. Suas vozes transmitem emoção, sua saída multilíngue é forte e seu editor é refinado. Ninguém sério contesta isso. O atrito aparece depois, quando um projeto real já está em andamento e o contador não para de correr.
A cobrança é baseada em créditos, e os créditos se esgotam rápido. O plano gratuito historicamente ofereceu cerca de 10.000 créditos por mês, o que equivale a aproximadamente dez minutos de fala. Um artigo de 3.000 palavras lido em voz alta leva cerca de 20 minutos em um ritmo normal de fala, então uma narração mais duas regravações esvazia a conta.
💡 Conta rápida: 150 palavras por minuto é um ritmo confortável de narração. Um roteiro de 3.000 palavras equivale a 20 minutos de áudio antes de você contar uma única regravação.
Os limites dos planos mudam com frequência, então trate qualquer número que você leia, inclusive este, como uma foto do momento e confira a página de preços atual antes de decidir.
Três outras queixas aparecem sempre:
Esses três pontos de dor explicam por que as alternativas se dividem em dois grupos: ferramentas online com limites generosos e modelos de código aberto que você controla.
Gratuito é uma palavra escorregadia nesse mercado. Antes de investir uma tarde inteira, decida que tipo de gratuito você está escolhendo.
Um plano gratuito online oferece um começo rápido, sem nenhuma configuração. Você digita, aperta gerar e baixa. No PicassoIA você pode usar vários modelos de fala direto no navegador, incluindo o Chatterbox Turbo, o Speech 2.8 Turbo e o Gemini 3.1 Flash TTS, que oferece 30 vozes em mais de 70 idiomas. Para testes de narração, anúncios curtos e clipes para redes sociais, isso é mais que suficiente.
Os planos gratuitos online servem melhor a estes trabalhos:
Um fluxo de trabalho sensato combina os dois mundos. Rascunhe e teste vozes em uma ferramenta online, onde não há nada para instalar, e depois leve os trabalhos longos, como capítulos de audiolivro ou um curso completo, para um modelo de código aberto, quando já souber qual voz e quais configurações você prefere. Você gasta créditos nas decisões e não gasta nada no volume.
Toda rota gratuita tem uma contrapartida. Esta tabela mostra o que você abre mão:
| Rota gratuita | O que você abre mão | Ideal para |
|---|---|---|
| Plano gratuito online | Limites mensais, filas mais lentas em horários de pico | Anúncios curtos, testes rápidos |
| Código aberto na sua máquina | Tempo de configuração e uma GPU capaz | Narração longa, áudio privado |
| Pesos abertos com licença não comercial | O direito de monetizar a saída | Projetos de hobby, pesquisa |
| Vozes de sistema embutidas | Som natural | Acessibilidade, rascunhos |
O código aberto inverte o modelo de custo. Você paga com tempo de configuração em vez de créditos e, depois que a instalação funciona, o milésimo minuto de áudio custa a mesma eletricidade que o primeiro.
Dois modelos merecem um primeiro olhar, porque ambos clonam vozes e ambos podem ser testados no PicassoIA sem instalar nada.
O Chatterbox, da Resemble AI, foi lançado com licença MIT, e seus criadores o descrevem como o primeiro modelo TTS de código aberto com um controle de exagero de emoção. O Chatterbox clona uma voz a partir de alguns segundos de áudio de referência, ajusta a expressividade com um único controle deslizante e permite fixar um seed para takes repetíveis. Cada saída traz uma marca d’água inaudível, então o áudio gerado continua rastreável. Existem duas variantes para outras necessidades: o Chatterbox Turbo, para velocidade, e o Chatterbox Pro, para trabalhos de locução.
O Qwen3 TTS, da Qwen, funciona em três modos. O Qwen3 TTS oferece nove locutores predefinidos, clonagem de voz a partir de um trecho de referência mais sua transcrição, e design de voz, em que você descreve uma voz em linguagem simples, por exemplo um narrador masculino calmo com leve sotaque francês, e o modelo a constrói. Ele fala 10 idiomas, incluindo inglês, espanhol, francês, alemão, japonês e coreano, e um campo de instrução de estilo permite adicionar comandos como "fale devagar" ou "tom animado".
Se você quer tudo na sua própria máquina, estes projetos têm comunidades ativas:
💡 Leia o arquivo de licença. "Aberto" às vezes significa código aberto com pesos de modelo restritos. Verifique o repositório antes de colocar áudio clonado em um canal monetizado.
A clonagem de voz é o recurso pelo qual as pessoas mais pagam. O ElevenLabs costuma colocá-lo em planos pagos, e é exatamente por isso que esta seção importa para quem está de olho no orçamento.
Menos do que a maioria imagina, desde que seja limpo:
O MiniMax Voice Cloning funciona de forma diferente das outras. Você envia uma amostra uma vez, recebe um perfil de voz reutilizável e depois aplica essa voz em modelos de fala como o Speech 2.6 HD, o Speech 2.6 Turbo, o Speech 02 HD e o Speech 02 Turbo. A redução de ruído e a normalização de volume opcionais salvam gravações feitas fora de um ambiente silencioso.
Um bom trecho de referência segue cinco regras simples:
O Qwen3 TTS lida com a clonagem de um jeito um pouco diferente. Mude o modo para clonagem de voz, envie seu áudio de referência, cole o que o locutor diz em Reference Text e depois digite a nova frase que você quer ouvir. Pular a transcrição ainda funciona, mas a correspondência fica mais frouxa, especialmente em nomes e palavras incomuns. Se você não tem nenhuma amostra, o modo de design de voz permite descrever um locutor, e instruções de estilo como lento e caloroso ajustam a entrega.
Clone apenas vozes que você possui ou para as quais tem permissão por escrito. Guarde essa permissão em arquivo e identifique o áudio sintético sempre que uma plataforma pedir. O Chatterbox ajuda nisso, porque sua marca d’água integrada mantém os clipes gerados rastreáveis sem alterar como eles soam.
O Chatterbox é a resposta mais próxima de uma opção gratuita e de código aberto para clonagem de voz expressiva, então aqui está uma execução completa na sua página do modelo.
Escolha uma gravação de 10 a 30 segundos da voz que você quer, corte o silêncio do começo e remova música ou conversas de fundo. Envie-a no campo Audio Prompt. Se deixar o campo vazio, o Chatterbox usa a voz padrão, o que é útil para um primeiro teste do seu roteiro.
Cole seu roteiro em Prompt e depois ajuste os controles. Os valores padrão são um ponto de partida seguro:
| Configuração | Padrão | O que faz | Dica |
|---|---|---|---|
| Exaggeration | 0,5 | Define o quanto a entrega é expressiva | Experimente 0,3 para narração calma e 0,6 a 0,7 para leituras enérgicas. Valores extremos podem soar instáveis. |
| CFG Weight | 0,5 | Controla o ritmo | Reduza para perto de 0,3 se o locutor de referência fala rápido. |
| Temperature | 0,8 | Define a variação entre os takes | Mais baixo para uma saída previsível, mais alto para mais personalidade. |
| Seed | 0 | Fixa o take | Zero é aleatório. Quando um take soar bem, anote o seed e reutilize-o. |
Mude uma configuração de cada vez, senão você nunca vai saber qual controle resolveu o problema.
Rode a geração, ouça com fones de ouvido e compare a saída com o roteiro. Roteiros longos se comportam melhor quando você os divide em parágrafos de algumas frases cada e gera um por um. Para pegar rapidamente palavras puladas ou mal pronunciadas, passe o áudio final pelo GPT-4o Transcribe e compare o texto com o seu original.
💡 Truque para regravar: mantenha o seed, altere só o valor de exaggeration em 0,1 e gere de novo. Você obtém a mesma voz com uma interpretação levemente diferente.
Veja como as principais rotas se comparam, com base no que cada ferramenta documenta sobre si mesma:
| Opção | Tipo | Clonagem de voz | Modelo de custo | Ideal para |
|---|---|---|---|---|
| ElevenLabs | Online | Planos pagos | Créditos mensais | Locução multilíngue refinada |
| Chatterbox | Código aberto, MIT | Sim, a partir de alguns segundos | Gratuito para rodar localmente | Narração expressiva |
| Qwen3 TTS | Pesos abertos | Sim, mais design de voz | Gratuito para rodar localmente | Projetos multilíngues |
| MiniMax Voice Cloning | Online | Sim, de 10 segundos a 5 minutos | Serviço online | Perfis de voz reutilizáveis |
| Kokoro | Código aberto | Não | Gratuito para rodar localmente | Narração offline rápida |
| Piper | Código aberto | Não | Gratuito para rodar localmente | Dispositivos offline |
| XTTS-v2 | Pesos abertos, não comercial | Sim | Gratuito para uso pessoal | Projetos pessoais |
O veredito honesto: o ElevenLabs ainda define o padrão em refinamento e cobertura de idiomas, e ninguém deveria fingir o contrário. O que mudou é a diferença. Para intros de podcast, vídeos de produto, explicações e vozes de personagens, as opções acima soam boas o suficiente para que o fator decisivo passe a ser custo, licença e controle, e não a qualidade bruta. Teste o seu próprio roteiro em duas ou três delas antes de pagar por qualquer coisa.
O ElevenLabs também vende geração de música e transcrição, então uma alternativa justa precisa dar conta desses trabalhos também. Os dois estão disponíveis no PicassoIA.
Uma locução muitas vezes precisa de uma base musical por baixo. Estes modelos geram a música a partir de um prompt de texto:
A transcrição fecha o ciclo. O GPT-4o Transcribe aceita arquivos MP3, MP4, WAV, M4A, OGG e WebM, recebe um código de idioma ISO para maior precisão e aceita um prompt curto de estilo. O GPT-4o Mini Transcribe é a opção mais leve, e o Gemini 3 Pro também gera transcrições precisas.
Os usos práticos incluem:
Você não precisa de uma assinatura mensal para obter uma voz sintética convincente. Escolha um roteiro curto, clone uma voz com o Chatterbox ou o MiniMax Voice Cloning, coloque por baixo uma faixa do Stable Audio 2.5 e confira o resultado com o GPT-4o Transcribe. Esse fluxo leva minutos, não uma tarde inteira.
O Picasso IA reúne modelos de fala, música e transcrição em um só lugar, para que você possa compará-los com o seu próprio roteiro em vez de confiar em uma ficha técnica. Abra a lista completa de modelos, grave uma amostra de dez segundos e ouça o que a sua voz faz com um parágrafo novo. Experimente os controles deslizantes, teste uma segunda voz e fique com o take que mais parecer com você.
Escolha seu idioma
