Um passo a passo completo das ferramentas gratuitas de geração de voz do ElevenLabs: criação de conta, limites mensais de caracteres, clonagem de voz instantânea, integração com a API e as melhores alternativas gratuitas quando 10.000 caracteres por mês não são suficientes.
A diferença entre a síntese de voz robótica e vozes que realmente enganam as pessoas desapareceu há alguns anos. O ElevenLabs fez mais do que fechar essa diferença: alargou o caminho do outro lado. O problema é que a maioria das pessoas esbarra no teto do plano gratuito antes de descobrir o que essa tecnologia realmente faz. Este artigo mostra exatamente como usar o ElevenLabs para geração de voz gratuita, o que os limites significam na prática e para onde ir quando 10.000 caracteres por mês não são suficientes.
O ElevenLabs oferece um plano gratuito que é realmente útil, não apenas uma demonstração. Veja o que você recebe sem informar um cartão de crédito:
O plano gratuito inclui 10.000 caracteres por mês. Parece muito. Na prática, 10.000 caracteres equivalem aproximadamente a:
Quando você esgota os caracteres, a geração para até a renovação mensal. O contador é renovado no mesmo dia do calendário em que você criou sua conta, e não no dia 1º do mês.
O plano gratuito dá acesso a:
O que o plano gratuito NÃO inclui: clonagem de voz profissional (modelo de alta fidelidade), direitos de licença comercial, Projects (ferramenta de audiolivros em formato longo), Dubbing e formatos de áudio de qualidade superior, como PCM ou FLAC.
| Recurso | Gratuito | Starter (US$ 5/mês) | Creator (US$ 22/mês) |
|---|---|---|---|
| Caracteres/mês | 10.000 | 30.000 | 100.000 |
| Licença comercial | Não | Sim | Sim |
| Clonagem de voz profissional | Não | Não | Sim |
| Qualidade de áudio | 128 kbps | 192 kbps | 192 kbps |
| Ferramenta Projects | Não | Não | Sim |
A diferença na licença comercial é a que mais pesa. Tudo o que você gera no plano gratuito tecnicamente não pode ser usado em produtos pagos, trabalhos para clientes ou conteúdo monetizado.
A configuração leva cerca de dois minutos.
Nenhum cartão de crédito é exigido nesta etapa. A plataforma não pede dados de pagamento até que você escolha fazer upgrade.
A biblioteca de vozes no painel da esquerda organiza por:
💡 Filtre por "Conversational" para conteúdo de redes sociais e por "Narration" para roteiros longos. A categoria "News" tende a soar mais neutra e autoritativa para conteúdo informativo.
A interface principal é simples. Cole seu roteiro na grande área de texto, selecione uma voz na barra lateral e clique em Generate. A verdadeira sutileza está no painel de configurações abaixo da caixa de texto:
A maioria dos iniciantes ignora esses controles e se pergunta por que a saída soa sem vida. Stability é o que tem o maior impacto. Se sua voz soar robótica e uniforme, reduza para perto de 0,4. Se soar irregular e imprevisível, suba para perto de 0,8.
💡 Adicione pausas naturais ao seu roteiro usando reticências
...ou um ponto seguido de espaço. Nos planos pagos, a sintaxe SSML como<break time="1.0s" />funciona, mas esses truques simples de pontuação também são eficazes no plano gratuito.
Depois da geração, um player de áudio verde aparece abaixo da caixa de texto. Clique no ícone Download (seta apontando para baixo) para salvar o arquivo em MP3. O arquivo recebe um nome com data e hora. Não há download em lote, então, se você gerar 10 clipes, precisará baixá-los um por vez.
A clonagem de voz é onde o ElevenLabs constrói sua reputação. Até o plano gratuito oferece a Clonagem de Voz Instantânea, que é mais impressionante do que a maioria das pessoas imagina.
A Clonagem de Voz Instantânea (IVC) cria um modelo de voz a partir de uma amostra de áudio enviada por você. Ela não é tão precisa quanto o modelo de Clonagem de Voz Profissional (que exige mais de 30 minutos de áudio limpo e é um recurso pago), mas para a maioria dos casos é mais do que suficiente.
Acesse Voices > Add Voice > Instant Voice Clone e, em seguida, envie:
A qualidade do clone depende totalmente da qualidade do áudio de origem. Um clipe gravado em um smartphone em um cômodo silencioso supera uma gravação profissional em um espaço com eco. Música de fundo é o maior vilão da precisão do clone.
💡 Grave dentro de um armário cercado por roupas penduradas. O tecido elimina reflexões acústicas melhor do que a maioria das placas de espuma e não custa nada.
No plano gratuito, você pode criar até 3 vozes clonadas. Para criar a 4ª, você precisa excluir uma das três existentes. Os clones ficam armazenados apenas na sua conta e não podem ser compartilhados publicamente. O áudio gerado a partir de uma voz clonada conta no seu limite mensal de 10.000 caracteres, da mesma forma que as vozes prontas.
O plano gratuito inclui acesso à API. Isso surpreende muitos desenvolvedores, que presumem que APIs sempre ficam atrás de um paywall.
Sua chave de API gratuita compartilha a mesma cota mensal de 10.000 caracteres da interface web. Não há uma cota separada para a API. Cada caractere gerado pela API reduz o que você pode gerar no navegador, e vice-versa.
O endpoint da API para texto para fala é:
POST https://api.elevenlabs.io/v1/text-to-speech/{voice_id}
A autenticação usa o cabeçalho xi-api-key com sua chave, que você encontra na página Profile Settings.
Python:
import requests
url = "https://api.elevenlabs.io/v1/text-to-speech/YOUR_VOICE_ID"
headers = {
"xi-api-key": "YOUR_API_KEY",
"Content-Type": "application/json"
}
payload = {
"text": "Your script here",
"model_id": "eleven_multilingual_v2",
"voice_settings": {"stability": 0.6, "similarity_boost": 0.8}
}
response = requests.post(url, json=payload, headers=headers)
with open("output.mp3", "wb") as f:
f.write(response.content)
JavaScript (Node.js):
const response = await fetch(
`https://api.elevenlabs.io/v1/text-to-speech/${voiceId}`,
{
method: 'POST',
headers: { 'xi-api-key': apiKey, 'Content-Type': 'application/json' },
body: JSON.stringify({ text: script, model_id: 'eleven_multilingual_v2' })
}
);
const buffer = await response.arrayBuffer();
A API sem custo é prática para:
Não construa um produto voltado ao cliente final em produção com a API gratuita. O teto de 10.000 caracteres é um bloqueio imediato, sem período de tolerância.
A maioria das pessoas atinge o limite gratuito mais rápido do que espera. Veja como calcular suas necessidades mensais reais e três formas de fazer sua cota durar mais.
Conte os caracteres dos seus roteiros, e não as palavras. Uma palavra média em inglês tem cerca de 5 caracteres, contando o espaço que vem depois dela.
| Tipo de conteúdo | Tamanho médio | Caracteres usados |
|---|---|---|
| Clipe social de 60 segundos | ~130 palavras | ~780 caracteres |
| Narração de YouTube de 5 minutos | ~700 palavras | ~4.200 caracteres |
| Episódio de podcast de 10 minutos | ~1.400 palavras | ~8.400 caracteres |
| Capítulo completo de audiolivro | ~3.500 palavras | ~21.000 caracteres |
Um único episódio de podcast de 10 minutos consome 84% da sua cota mensal gratuita. Dois episódios, e você fica sem nada antes que a segunda semana do mês acabe.
1. Escreva roteiros mais enxutos. Corte palavras de preenchimento antes de gerar. Cada oração desnecessária consome caracteres. Edite primeiro, gere depois.
2. Crie várias contas gratuitas. Cada novo endereço de e-mail recebe 10.000 caracteres novos. Não é elegante, mas tecnicamente está dentro dos termos de serviço para projetos pessoais. Evite essa abordagem para trabalhos comerciais.
3. Gere em lotes no início do mês. Sua cota é renovada na data de aniversário da conta. Se você gerar no dia 1, terá o mês inteiro do calendário antes da próxima renovação.
Esta é a parte que a maioria dos usuários do ElevenLabs não conhece. A PicassoIA executa os próprios modelos do ElevenLabs diretamente em sua plataforma, ao lado de uma biblioteca de mecanismos concorrentes de TTS. Em vez de atingir um teto mensal de caracteres, você paga por geração, o que sai bem mais barato para uso esporádico ou de alto volume.
O ElevenLabs v3 é o modelo mais expressivo do ElevenLabs, com ampla gama emocional e a prosódia mais natural de todas as versões. Na PicassoIA você o acessa diretamente, sem precisar de uma conta no ElevenLabs nem acompanhar seu contador mensal. É a melhor opção para narração em formato longo, diálogos de personagens ou qualquer conteúdo em que a emoção da voz carrega a mensagem.
O ElevenLabs v2 Multilingual oferece suporte a mais de 30 idiomas com qualidade de sotaque consistente. Se o seu conteúdo é voltado a públicos não falantes de inglês, este modelo lida com espanhol, francês, alemão, português, japonês, coreano e outros sem o sotaque de um idioma invadindo o outro, um problema que atrapalha muitos sistemas de TTS multilíngues.
Quando o tempo de resposta importa mais do que a qualidade emocional máxima, o ElevenLabs Flash v2.5 entrega síntese quase instantânea com latência muito baixa. Ele foi feito para aplicações em tempo real: tradução ao vivo, apps interativos e cenários de streaming. A qualidade de saída continua excelente, só que não chega à profundidade emocional total do v3.
O ElevenLabs Turbo v2.5 fica entre o Flash e o v3 completo na contrapartida entre velocidade e qualidade, com suporte a 32 idiomas e geração mais rápida do que o modelo padrão.
O ElevenLabs não é a única opção forte da coleção. Vários modelos superam ele em áreas específicas:
💡 Quando usar cada um: ElevenLabs v3 para narração emocional em inglês. Gemini 3.1 Flash TTS para escala multilíngue. Inworld Realtime TTS 2 para apps ao vivo e em tempo real. Minimax Speech 2.8 HD para resultado com qualidade de audiolivro.
A geração de voz é só metade da equação. Se você produz conteúdo em áudio, também precisa extrair texto dele, seja para legendas, reaproveitamento ou edição pela transcrição. Os modelos de fala para texto da PicassoIA também cobrem essa parte do fluxo de trabalho.
O GPT-4o Transcribe é o melhor modelo de transcrição da OpenAI, com taxas de erro de palavras de última geração em diferentes sotaques e níveis variados de qualidade de áudio. Ele lida melhor com ruído de fundo, vários falantes e vocabulário técnico do que os modelos mais antigos baseados em Whisper. Para clipes de áudio curtos e médios, com menos de 30 minutos, esta é a escolha padrão.
O GPT-4o Mini Transcribe oferece precisão comparável por um custo menor, adequado para cargas de transcrição de alto volume em que você processa muitos arquivos em uma mesma sessão.
O Gemini 3 Pro processa arquivos de áudio longos com uma janela de contexto enorme, o que o torna a escolha certa para entrevistas completas, reuniões gravadas ou episódios de podcast de uma hora. Ele também gera transcrições estruturadas, com identificação de falantes e marcações de tempo.
💡 Fluxo de trabalho: gere seu roteiro com o ElevenLabs v3 ou o Minimax Speech 2.8 HD, produza seu conteúdo e depois rode o Gemini 3 Pro sobre o áudio final para criar uma transcrição com legendas para acessibilidade e SEO.
O plano gratuito do ElevenLabs é uma ferramenta real, com qualidade de saída real. O limite de 10.000 caracteres é o teto honesto, não uma prévia limitada de propósito. Para projetos pessoais, narrações ocasionais e prototipagem com a API, ele se sustenta. Quando esse teto virar um problema, os mesmos modelos do ElevenLabs estão disponíveis na PicassoIA sem precisar fazer as contas do limite mensal, ao lado de mais de 20 outros mecanismos de TTS para todo tipo de uso.
O ponto mais amplo é que a qualidade das vozes de IA superou a imagem mental que a maioria das pessoas tem do que é a síntese de voz. A barreira para narração profissional, conteúdo multilíngue e vozes realistas de personagens agora é uma questão de saber qual modelo escolher e onde acessá-lo.
A PicassoIA reúne mais de 23 modelos de texto para fala, do ElevenLabs v3 e do Flash v2.5 ao Minimax Speech 2.8 HD, Inworld Realtime TTS 2, Gemini 3.1 Flash TTS e Chatterbox, além de três modelos de fala para texto para transcrição. Explore a coleção completa em picassoia.com/en/all-models e gere um clipe de voz que antes exigiria um estúdio profissional para ser produzido.
Escolha seu idioma
