Você colou alguns milhares de palavras em um endpoint de texto para fala, recebeu um MP3 limpo em segundos e depois se perguntou quanto isso realmente custou. Essa é exatamente a dúvida que leva as pessoas a pesquisar Preços da API de texto para fala da OpenAI: vozes, alternativas gratuitas e limites. Os preços por unidade parecem minúsculos, as unidades de cobrança mudam entre os modelos, e a lista de vozes e os limites de requisição estão espalhados por várias páginas. Este artigo reúne os números em um só lugar, transforma-os em custos reais de projeto e mostra o que usar quando você quer algo gratuito ou mais barato.
💡 Nota rápida sobre precisão: os preços de fala mudam com frequência. Os valores abaixo vêm de listas públicas de preços reunidas em novembro de 2026. Trate-os como uma estimativa sólida e confirme na página de preços da própria OpenAI antes de definir um orçamento.
O que é a API TTS da OpenAI
A OpenAI oferece síntese de fala por meio de um endpoint de áudio que recebe um texto, um nome de modelo e um nome de voz, e devolve um arquivo de áudio. Você envia a requisição a partir do seu backend, recebe bytes em MP3, WAV, Opus, AAC ou FLAC, e então reproduz ou armazena o arquivo. A própria API não tem interface de estúdio. Ela é feita para desenvolvedores que querem incluir saída falada em aplicativos, bots de atendimento, ferramentas de leitura e pipelines automatizados de vídeo.
Três nomes de modelo aparecem em quase toda discussão sobre preços:
- tts-1: o modelo rápido, de baixa latência, voltado para uso em tempo real.
- tts-1-hd: a versão de maior fidelidade, mais lenta e com o dobro do preço.
- gpt-4o-mini-tts: o modelo mais novo e direcionável, que aceita instruções de estilo e é cobrado por token em vez de por caractere.
Uma observação sobre disponibilidade: os modelos de fala da OpenAI não estão no PicassoIA. Se você quer produzir narrações sem configurar uma API, a seção mais adiante mostra quais modelos de texto para fala você pode usar hoje.

Preços da API TTS da OpenAI em 2026
Esta é a tabela de preços como costuma ser divulgada para os três modelos de fala.
| Modelo | Unidade de cobrança | Preço divulgado | Ideal para |
|---|
| tts-1 | Por 1 milhão de caracteres | cerca de US$ 15 | Respostas em tempo real, rascunhos, narração em grande volume |
| tts-1-hd | Por 1 milhão de caracteres | cerca de US$ 30 | Narração refinada, em que os artefatos importam |
| gpt-4o-mini-tts | Por 1 milhão de tokens de texto de entrada mais por 1 milhão de tokens de áudio de saída | cerca de US$ 0,60 de entrada e US$ 12 de saída | Vozes que precisam de direção de tom e estilo |
A primeira coisa a notar é a incompatibilidade nas unidades de cobrança. Os dois modelos mais antigos cobram pelos caracteres que você envia. O modelo mais novo cobra por tokens de entrada e tokens de áudio de saída, o que torna mais difícil prever o custo apenas a partir de um arquivo de texto. Uma regra prática muito citada coloca o gpt-4o-mini-tts em cerca de um centavo e meio de dólar por minuto de áudio gerado, o que fica na mesma faixa do tts-1-hd para narrações longas e bem abaixo dele para trechos curtos.
O custo real dos caracteres
Um milhão de caracteres soa abstrato. Traduzindo: com uma média de cinco ou seis caracteres por palavra, são cerca de 180.000 palavras, que levam aproximadamente vinte horas para serem lidas em voz alta em um ritmo natural. Assim, as faixas mais antigas ficam em torno de:
- tts-1: cerca de 75 centavos de dólar por hora de áudio finalizado.
- tts-1-hd: cerca de US$ 1,50 por hora de áudio finalizado.
Isso é barato em comparação com contratar um dublador e barato em comparação com algumas plataformas de voz premium. Só deixa de ser barato quando você gera áudio em volume massivo ou regenera o mesmo texto várias vezes durante os testes.

Exemplos de orçamento de projetos
Para tornar a tabela prática, aqui estão quatro cargas de trabalho comuns, estimadas com as taxas antigas por caractere.
| Projeto | Caracteres aprox. | Custo tts-1 | Custo tts-1-hd |
|---|
| Um post de blog de 1.000 palavras | 6.000 | cerca de US$ 0,09 | cerca de US$ 0,18 |
| Um roteiro de YouTube de 10 minutos | 9.000 | cerca de US$ 0,14 | cerca de US$ 0,27 |
| Um audiolivro de 60.000 palavras | 360.000 | cerca de US$ 5,40 | cerca de US$ 10,80 |
| Um bot de atendimento falando 50.000 respostas de 300 caracteres | 15.000.000 | cerca de US$ 225 | cerca de US$ 450 |
Criadores individuais dificilmente sentem esses números. Uma equipe que roda um assistente de voz em escala vai senti-los todo mês, e é aí que comparar alternativas compensa.
Custos ocultos que as pessoas esquecem
A fatura do endpoint de fala raramente é a conta inteira. Considere também:
- Regenerações. Cada nova tomada é cobrada como uma requisição nova. Dez tentativas em um parágrafo complicado custam dez vezes mais que uma.
- Custo de divisão em partes. Textos longos precisam ser divididos antes do envio e depois unidos novamente, o que exige tempo extra de engenharia.
- Pós-processamento. Normalizar o volume, cortar silêncios e adicionar música costuma acontecer em uma ferramenta separada.
- Novas tentativas por limite de taxa. Um pico de tráfego que bate em um teto pode gerar chamadas falhas que você ainda precisa reenviar.
A lista de vozes é uma das primeiras coisas que os desenvolvedores verificam, e ela depende do modelo escolhido. Listas públicas descrevem cerca de nove vozes integradas para tts-1 e tts-1-hd, e cerca de treze para gpt-4o-mini-tts. As vozes mais citadas são alloy, ash, coral, echo, fable, nova, onyx, sage e shimmer, com algumas outras aparecendo no modelo mais novo.

Como soam as vozes
A maioria das vozes tende a um tom neutro e amigável de assistente, perfeito para explicações, tutoriais e chatbots. Elas são menos convincentes em ficção dramática, sotaques regionais ou personagens com personalidade marcante. As vozes são fixas, então você não pode enviar uma amostra e pedir um clone personalizado por este endpoint.
Controle de estilo no modelo mais novo
A maior diferença prática do gpt-4o-mini-tts é que você pode descrever a entrega em linguagem simples, como calma e tranquilizadora, ágil como um apresentador de telejornal, ou calorosa e lenta para uma história de ninar. Os modelos antigos só mudam o tom quando você altera o próprio texto ou o nome da voz.
Suporte a idiomas
Os modelos de fala da OpenAI conseguem ler muitos idiomas, mas as vozes foram ajustadas principalmente pensando em inglês. A saída em outros idiomas é compreensível e muitas vezes boa, mas o sotaque e o ritmo podem tender a padrões do inglês. Se você publica em espanhol, hindi ou japonês, faça um teste de escuta com um falante nativo antes de se comprometer.

Limites que afetam seu projeto
O preço é só metade da história. Os limites decidem se o seu desenho realmente funciona.
| Limite | O que é divulgado | Por que importa |
|---|
| Tamanho da entrada | Cerca de 4.096 caracteres por requisição | Roteiros longos precisam ser divididos em partes |
| Uso gratuito | Muito baixo ou nenhum, com cerca de 3 requisições por minuto relatadas em contas gratuitas | Você não consegue construir um produto com chamadas gratuitas |
| Limites de taxa pagos | Variam conforme o plano da conta e são divulgados de forma inconsistente | Tráfego em rajadas pode falhar sem uma fila |
| Formatos de saída | MP3, Opus, AAC, FLAC, WAV e PCM | Escolha um que funcione no seu player |
| Ciclo de vida do modelo | Algumas listas mencionam versões antigas sendo descontinuadas no início de 2027, sem confirmação | Verifique antes de construir algo em cima do tts-1 |
Dividir textos longos sem emendas audíveis
Como uma única requisição chega perto de quatro mil caracteres, narrar um capítulo significa cortá-lo em pedaços. Corte nos limites de frase ou de parágrafo, nunca no meio de uma frase, e mantenha a mesma voz e o mesmo modelo em todos os trechos. Depois, una os arquivos com um crossfade curto de 20 a 50 milissegundos. Cortar no meio de um pensamento é o motivo mais comum para uma narração emendada soar robótica.
Limites de taxa na prática
Se você roda trabalhos em lote, coloque suas requisições em fila e adicione um pequeno atraso com lógica de nova tentativa que recue em caso de erro. Trate os limites publicados das faixas como um teto e construa seu pipeline para que bater no teto desacelere você em vez de quebrar a execução.

Existe uma opção gratuita de TTS da OpenAI?
Resposta curta: não há uma que você possa usar com confiança em um produto. Algumas coisas que as pessoas confundem com uma faixa gratuita merecem ser separadas.
- Leitura em voz alta dentro do aplicativo ChatGPT. É um recurso de consumo para ouvir respostas. Não entrega arquivos para download por meio de uma API.
- Crédito de teste em uma conta nova. Créditos promocionais já apareceram e sumiram ao longo do tempo. Não planeje em cima deles e verifique no seu painel o que você realmente tem.
- Contas gratuitas com limites de taxa apertados. Relatos sugerem cerca de três requisições por minuto na faixa gratuita, o que basta para testar um roteiro, mas não para rodar algo real.
A forma prática de não gastar nada é fazer protótipos em uma ferramenta gratuita de texto para fala no navegador, escolher a voz de que você gosta e só então decidir se vale a pena pagar por uma integração com API.

Alternativas gratuitas e mais baratas no PicassoIA
Os modelos de fala da OpenAI não estão no PicassoIA. Para resultados semelhantes hoje, estes quatro modelos de texto para fala são os que vale testar. Cada um representa uma contrapartida diferente entre quantidade de vozes, expressividade e velocidade.
| Alternativa | Ponto forte | Ideal para |
|---|
| Gemini 3.1 Flash TTS | 30 vozes, mais de 70 idiomas, tags de emoção e prompts de estilo | Narrações multilíngues expressivas |
| ElevenLabs V3 | Entrega natural e emotiva | Narração, personagens e storytelling |
| MiniMax Speech 2.8 HD | Saída com qualidade de estúdio | Narração longa e refinada |
| Inworld TTS 1.5 Max | Saída rápida em 15 idiomas | Geração de voz rápida e em grande volume |
Por que trocar de um fluxo com API
Se seu objetivo são arquivos de áudio em vez de um recurso ao vivo em um produto, um fluxo de trabalho no navegador elimina a parte técnica. Você cola o texto, escolhe uma voz, ouve, ajusta e baixa. Não há scripts de divisão em partes, nem gestão de filas, nem faturas contadas em tokens.

Como obter resultados semelhantes no PicassoIA
O melhor ponto de partida para a maioria dos leitores é o Gemini 3.1 Flash TTS. Ele oferece 30 vozes e mais de 70 opções de idioma, além de tags expressivas que os modelos de fala mais antigos da OpenAI não têm. Veja o fluxo de trabalho.
- Abra a página do modelo. Vá até a página do Gemini 3.1 Flash TTS no PicassoIA e encontre o campo de texto.
- Cole seu roteiro. O campo de texto aceita até 4.000 bytes, então uma seção curta de artigo ou alguns parágrafos cabem em cada execução. Divida roteiros maiores por parágrafo.
- Escolha uma voz. A padrão é Kore. Outras opções incluem Puck, Charon, Fenrir, Aoede e Zephyr. Gere a mesma frase com três vozes e compare antes de escolher uma.
- Defina o idioma. Escolha um código como en-US, en-GB, es-ES, fr-FR ou hi-IN para que a pronúncia e o ritmo combinem com o seu público.
- Escreva um prompt de estilo. Use o campo de prompt em linguagem simples: "Diga isto em um tom calmo e profissional" ou "Fale com entusiasmo caloroso". Isso substitui o controle de estilo que você teria em um modelo de API mais novo.
- Adicione tags expressivas. Insira tags como [whispering], [laughing], [sigh] ou [shouting] diretamente no texto para uma entrega frase a frase.
- Gere, ouça, ajuste. Baixe o resultado quando soar bem. Se uma frase não estiver certa, reescreva a pontuação e gere novamente.
💡 Dica de parâmetro: frases curtas e vírgulas nos pontos em que você quer uma respiração dão o ritmo mais natural. Frases longas, sem vírgulas, tendem a soar apressadas.
Quando escolher outro modelo
- Escolha o ElevenLabs V3 quando a performance emocional importar mais, como em ficção em áudio ou diálogos de personagens.
- Escolha o MiniMax Speech 2.8 HD para narrações longas e refinadas, em que um tom estável ao longo de muitos minutos conta.
- Escolha o Inworld TTS 1.5 Max quando precisar de entrega rápida em um grande lote de clipes curtos.

Escolhendo a opção certa para você
Aqui está uma lista de decisão, com base no que você realmente está construindo.
- Você roda um assistente de voz em tempo real em escala. A rota da API faz sentido. Faça as contas de caracteres por mês, compare com outros provedores e mantenha uma voz de contingência pronta.
- Você faz vídeos para o YouTube, podcasts ou cursos. Você não precisa de API nenhuma. Gere os arquivos no navegador, escolha a melhor tomada e siga em frente.
- Você publica em vários idiomas. Dê preferência a um modelo com uma lista ampla de idiomas, como o Gemini 3.1 Flash TTS, e teste cada idioma com um ouvinte nativo.
- Você quer uma voz personalizada ou clonada. As vozes fixas do endpoint da OpenAI são uma limitação. Veja as opções de clonagem de voz.
- Você ainda está experimentando. Comece gratuitamente e no navegador. Gaste dinheiro só depois de saber qual voz e qual duração você precisa.
Erros que desperdiçam dinheiro
- Escolher o tts-1-hd por padrão. Faça um teste A/B primeiro. Para áudio de qualidade de telefone ou de fundo, a faixa mais barata muitas vezes é indistinguível.
- Regenerar capítulos inteiros. Corrija um único parágrafo, não o arquivo inteiro.
- Ignorar a limpeza do texto. Remova URLs, símbolos soltos e formatação estranha antes de enviar o texto. Lixo na entrada significa tomadas desperdiçadas.
- Esquecer números e siglas. Escreva "dois mil e vinte e seis" ou soletre as siglas quando a pronúncia importar.
- Pular a escuta de um falante nativo. Uma voz que soa bem para você pode soar estranha para alguém que fala o idioma todos os dias.

Perguntas frequentes
Quanto custa o texto para fala da OpenAI?
O preço mais citado é cerca de US$ 15 por milhão de caracteres para o tts-1 e cerca de US$ 30 por milhão de caracteres para o tts-1-hd. O modelo mais novo, gpt-4o-mini-tts, é cobrado por token, em torno de US$ 0,60 por milhão de tokens de texto de entrada e US$ 12 por milhão de tokens de áudio de saída. Consulte a página de preços da OpenAI para as taxas atuais.
Qual é o limite de caracteres por requisição?
As fontes públicas citam com mais frequência cerca de 4.096 caracteres por requisição. Divida qualquer texto maior em partes nos limites de frase.
A OpenAI oferece texto para fala gratuito pela API?
Não há uma cota gratuita confiável. Relata-se que contas gratuitas têm limites de taxa muito baixos, e qualquer crédito de teste deve ser conferido no seu próprio painel. Para gerar voz gratuitamente, uma ferramenta no navegador é o caminho mais prático.
Quantas vozes ele tem?
As listas descrevem cerca de nove vozes no tts-1 e no tts-1-hd, e cerca de treze no gpt-4o-mini-tts. O Gemini 3.1 Flash TTS no PicassoIA oferece 30.
Posso clonar minha própria voz com ele?
Não pelo endpoint padrão de fala. Ele usa um conjunto fixo de vozes integradas. Se a clonagem for um requisito, escolha um modelo feito para isso.
O tts-1 continuará disponível?
Algumas listas de terceiros mencionam versões antigas programadas para descontinuação no início de 2027, mas isso não pôde ser confirmado na documentação oficial. Verifique antes de construir um produto de longo prazo em cima dele.
Experimente sua própria narração hoje
Agora você tem os números: alguns centavos para um post de blog, alguns dólares para um audiolivro, e uma conta mensal que só cresce se você rodar tráfego em tempo real em escala. O melhor próximo passo não custa nada. Pegue um parágrafo do seu próprio roteiro, cole no Gemini 3.1 Flash TTS e gere três vozes diferentes. Depois, teste o mesmo parágrafo no ElevenLabs V3 e no MiniMax Speech 2.8 HD e compare pelo ouvido.
Prefere navegar por tudo em um só lugar? Acesse picassoia.com/en/all-models para testar a linha completa de texto para fala, combinar suas narrações com imagens de IA e construir seu próximo projeto sem escrever uma linha de código.