Três APIs de clonagem de voz lado a lado. Veja o que ElevenLabs, Cartesia e MiniMax oferecem de graça, quanto áudio cada uma precisa para clonar uma voz, quanto custa um milhão de caracteres e onde uma ferramenta no navegador vale mais que escrever código de integração.
Toda apresentação de API de clonagem de voz começa com a palavra grátis, e quase nenhuma significa isso da forma que você espera. Uma conta gratuita na ElevenLabs não consegue clonar voz de jeito nenhum. O plano gratuito da Cartesia é limitado ao uso não comercial. Nos resumos consultados para esta comparação, a MiniMax não lista plano gratuito e cobra US$ 1,50 por voz clonada. Se você está escolhendo uma API para um produto, um pipeline de podcast ou um fluxo de trabalho de audiolivros, o preço em destaque diz muito pouco.
Esta comparação coloca os três provedores lado a lado nos pontos que decidem um projeto: quanto áudio cada um precisa, o que você paga antes da primeira frase pronta, o que acontece com a voz clonada depois e quando uma ferramenta no navegador vale mais que escrever código de integração. Os valores vêm de resumos de preços de 2026, atualizados até outubro de 2026. Os provedores mudam os planos com frequência, então confirme os números na página de preços atual antes de comprometer um orçamento.
Uma API de clonagem de voz transforma uma gravação curta em um ID de voz reutilizável. Você envia a amostra uma vez, o provedor devolve um identificador, e toda solicitação de texto para fala posterior leva esse identificador, de modo que o novo texto sai com a mesma voz. Sem novo treinamento a cada roteiro, sem reenviar a gravação.
Os provedores vendem dois tipos de clone, e o tipo define tanto a qualidade quanto o preço:
A integração tem o mesmo formato em todos os lugares:
Dois detalhes mudam um orçamento mais do que a taxa anunciada. O primeiro é onde a clonagem fica guardada: a MiniMax remove um clone não usado após uma semana, então o projeto precisa contar com isso. O segundo é quanto custa um teste: a MiniMax cobra as prévias à parte, e em um plano baseado em créditos cada renderização de teste também gasta créditos. Um projeto que regenera o mesmo parágrafo vinte vezes enquanto ajusta a entonação paga pelas vinte.
Aqui vai a versão curta antes dos detalhes. Todos os valores são preços de tabela em dólares americanos.
| ElevenLabs | Cartesia | MiniMax | |
|---|---|---|---|
| Plano gratuito | 10.000 créditos por mês, sem licença comercial, sem clonagem instantânea | 20.000 créditos por mês, somente uso não comercial | Nenhum plano gratuito listado, US$ 1,50 por voz clonada |
| Clonagem instantânea mais barata | Plano Starter, cerca de US$ 5 a US$ 6 por mês | Plano Pro, cerca de US$ 5 por mês | Pague conforme o uso |
| Áudio para um clone instantâneo | 1 a 2 minutos | Cerca de 10 segundos | 10 segundos a 5 minutos |
| Clone profissional | Plano Creator (US$ 22) e superiores, mais de 30 minutos de áudio, verificação de voz | Plano Startup (US$ 49 por mês) e superiores | Não listado |
| Unidade de cobrança | Caracteres, por meio de créditos mensais | Créditos | Caracteres |
| Preço de tabela por 1M de caracteres | US$ 50 (Flash) a US$ 100 (Multilingual v2, v3) | Varia conforme o plano | US$ 60 (Turbo) a US$ 100 (HD) |
💡 Compare o custo por minuto finalizado, não por plano. Um milhão de caracteres equivale a cerca de 18 a 20 horas de narração, então até uma taxa de US$ 100 por milhão dá menos de 9 centavos por minuto de áudio.
Os créditos e as cotas mensais da Cartesia tornam impossível uma comparação direta de preço sem um teste, e por isso ela ganha uma seção própria abaixo.
A ElevenLabs é o nome com que a maioria das pessoas começa, e as vozes justificam isso. A contrapartida é o preço, somado a uma escada de clonagem que começa acima do plano gratuito.
O plano gratuito inclui 10.000 créditos por mês e não tem licença comercial, então o áudio dele não pode ir para conteúdo monetizado ou trabalho para clientes. A clonagem instantânea de voz também não faz parte dele: a única ferramenta de criação de voz no plano gratuito é o Voice Design. Use-o como uma forma de testar vozes prontas e conhecer o formato da API, nada além disso.
O plano Starter (cerca de US$ 5 a US$ 6 por mês, 30.000 créditos) acrescenta licença comercial e clonagem instantânea de voz a partir de 1 a 2 minutos de áudio. Para algo mais próximo do falante real, você passa para a Professional Voice Cloning no plano Creator (US$ 22 por mês, 121.000 créditos) ou superior. Ela pede um mínimo de 30 minutos de áudio, recomenda de 2 a 3 horas, treina por várias horas e exige verificação de voz, o que impede clonar alguém que não tenha concordado.
No lado da API, os resumos de preços listam US$ 0,10 por 1.000 caracteres no Multilingual v2 e no v3, e US$ 0,05 no Flash v2.5. Se você quer ouvir a qualidade do modelo antes de pagar qualquer plano, todos os três rodam no PicassoIA.
A Cartesia é construída em torno da velocidade, e os planos mostram isso: até o nível gratuito traz US$ 1 de uso de agente de voz junto com os créditos, o que deixa claro para quem o produto é feito.
O plano gratuito oferece 20.000 créditos de modelo por mês para uso pessoal e não comercial. A clonagem fica um degrau acima. O plano Pro, cerca de US$ 5 por mês ou US$ 48 por ano, inclui clonagem instantânea a partir de um trecho de 10 segundos, o requisito mais curto entre os três provedores. A Pro Voice Cloning chega no plano Startup (US$ 49 por mês, ou US$ 468 cobrados por ano) com 1.250.000 créditos por mês, e o nível Scale eleva esse valor para 8.000.000.
Os créditos dificultam a comparação de cotações. A ElevenLabs e a MiniMax cobram por caractere, enquanto a Cartesia cobra em créditos cujo custo por minuto falado depende do plano. Rode seu roteiro real em um teste, divida os créditos gastos pelos caracteres que você enviou e só então coloque esse número ao lado dos outros dois.
A Cartesia não está no PicassoIA. Se a baixa latência é o que você está testando, o Inworld Realtime TTS 1.5 Mini (anunciado com 120 ms) e o Inworld Realtime TTS 1.5 Max (abaixo de 200 ms) são as opções mais próximas com foco em velocidade.
A MiniMax é a exceção: não tem escada de assinatura para clonagem, cobra uma taxa por voz e tem o menor preço por caractere dos três no nível Turbo.
A MiniMax Speech 2.8 clona a partir de uma referência de 10 segundos. O arquivo pode ser MP3, M4A ou WAV, de 10 segundos até 5 minutos e com menos de 20 MB. Os IDs dos modelos são speech-2.8-hd e speech-2.8-turbo.
O porém é que a voz clonada é temporária. Se você não fizer pelo menos uma síntese real com o ID de voz dentro de 168 horas (7 dias), ela é apagada, e o áudio de prévia gerado na hora da clonagem não conta. Guarde o ID de voz assim que ele voltar e envie logo em seguida uma requisição curta de verdade.
A clonagem custa US$ 1,50 por voz, cobrados no primeiro uso para síntese, e as prévias são cobradas à parte. A fala custa US$ 100 por milhão de caracteres no HD e US$ 60 no Turbo. Os dois níveis estão no PicassoIA: Speech 2.8 HD e Speech 2.8 Turbo.
Veja quanto custam 100.000 caracteres de narração (cerca de 17.000 palavras) com uma voz clonada, pelos preços de tabela:
| Provedor e modelo | Custo da fala | Custo da clonagem | Total |
|---|---|---|---|
| ElevenLabs Flash | US$ 5 | Taxa do plano | US$ 5 mais o plano |
| ElevenLabs Multilingual v2 ou v3 | US$ 10 | Taxa do plano | US$ 10 mais o plano |
| MiniMax Speech 2.8 Turbo | US$ 6 | US$ 1,50 | US$ 7,50 |
| MiniMax Speech 2.8 HD | US$ 10 | US$ 1,50 | US$ 11,50 |
| Cartesia Sonic | Créditos | Taxa do plano | Faça um teste |
A ElevenLabs e a Cartesia exigem um plano pago antes que você possa clonar, então a conta mensal real é maior do que a linha da fala sozinha.
Os níveis gratuitos são ambientes de teste. O plano gratuito da ElevenLabs não clona e o da Cartesia é não comercial, então use-os para experimentar vozes e verificar como a API se comporta, e depois planeje um plano pago se o resultado for publicado.
Se o seu objetivo é um arquivo de voz pronto, e não uma integração, o PicassoIA faz a clonagem sem código:
💡 No momento em que este texto foi escrito, a API para desenvolvedores do PicassoIA lista modelos de imagem e vídeo, então a clonagem de voz ali funciona pelo navegador. Confira a página da API para ver a lista atual de modelos antes de planejar uma integração.
💡 Use um nível HD para narrações finalizadas e um nível Turbo para rascunhos rápidos. Fazer os rascunhos no Turbo e renderizar a versão final no HD mantém a iteração barata.
O clone de qualquer provedor só é tão bom quanto a gravação. A amostra importa mais do que o plano que você paga.
Depois que o clone existir, verifique-o com um teste de ida e volta. Passe o áudio gerado pelo GPT-4o Transcribe e compare o texto com o seu roteiro. Cada palavra que voltar diferente é um ponto em que a voz embola. Para uma abertura de podcast ou vídeo, você também pode sobrepor a narração clonada a uma trilha do Music 2.6 ou do Stable Audio 2.5.
| Seu projeto | Melhor opção | Por quê |
|---|---|---|
| Agente de voz ao vivo | Cartesia | Planos focados em velocidade, clone de 10 segundos |
| Audiolivro longo | MiniMax Turbo ou HD | Menor custo por caractere |
| Vídeo multilíngue refinado | ElevenLabs | Variedade de modelos e clones profissionais |
| Narração avulsa | Ferramenta no navegador | Sem código, sem taxa de plano |
Um agente telefônico depende totalmente do atraso antes da primeira palavra. Os planos da Cartesia incluem uso de agente de voz, e o clone de 10 segundos é o mais rápido de configurar. Teste o custo em créditos por chamada antes de escalar.
Narração é um jogo de volume, então o custo por caractere domina. A MiniMax Turbo a US$ 60 por milhão de caracteres, ou HD a US$ 100, mantém um livro longo acessível. Divida o texto em capítulos, reutilize um mesmo ID de voz e lembre-se da regra das 168 horas: continue gerando dentro da janela.
Se cada usuário grava a própria voz, a cobrança por voz se acumula rápido. Com os US$ 1,50 da MiniMax, 10.000 usuários clonando uma voz cada um somam US$ 15.000 em taxas de clonagem antes de qualquer fala ser gerada. Guarde também cada amostra original, porque uma voz que expira após sete dias sem uso precisa ser recriada.
Antes de escolher um provedor, responda estas cinco:
O consentimento vem primeiro, qualquer que seja a API que você escolher. Clone apenas vozes que sejam suas ou para as quais você tenha permissão por escrito. A ElevenLabs exige verificação para clones profissionais, e o áudio de um plano gratuito não vem com direitos comerciais.
Um bom uso para um clone é o de família: um avô ou avó que aceita gravar vinte minutos de histórias, preservadas em uma voz que os netos ainda possam ouvir.
A forma mais rápida de comparar esses provedores é ouvir a sua própria voz voltar. Grave 30 segundos em um armário silencioso, envie para o Voice Cloning no PicassoIA e leia um parágrafo do seu próprio roteiro com a voz clonada. Depois troque o nível de Turbo para HD e ouça a diferença, ou experimente o Chatterbox para controle de emoção. Dez minutos de teste vão dizer mais sobre o que você precisa do que qualquer tabela de preços, e não custa nada tentar.
Escolha seu idioma
