APIs de síntese de voz para chamadas telefônicas: 19 vozes testadas em latência, números e preço (nov. de 2026)

Resultados#

O que encontramos#

1. Três vozes começam a falar em cerca de 0,2 segundo#

Inworld TTS-2 Flash, ElevenLabs Flash v2.5 e Rime Mist v3 produziram a primeira palavra audível em 0,18 a 0,24 s na mediana e em menos de 0,3 s no percentil 90, e nenhuma delas abriu os clipes com silêncio. As novas vozes foram executadas cerca de quatro horas após o primeiro lote, então fizemos mais uma rodada intercalada com as cinco frases para as sete vozes mais rápidas juntas. A ordem entre as três primeiras mudou (Inworld TTS-2 Flash 0,19 s, Rime Mist v3 0,20 s, ElevenLabs Flash v2.5 0,25 s), e tudo abaixo delas manteve sua posição: Inworld TTS-2 0,30 s, Cartesia 0,35 s, Google Chirp 3 HD 0,53 s e Gemini 3.8 Flash Lite 0,65 s. Trate as três primeiras como empatadas em velocidade e escolha com base em preço, voz e recursos.

2. Primeiro áudio não é o mesmo que primeira palavra#

O tempo até o primeiro byte de áudio é a métrica de latência usual, mas vários modelos iniciam o clipe com silêncio. O Chirp 3 HD, do Google, enviou o primeiro áudio em 0,21 s, tão rápido quanto os líderes, mas abriu cada clipe com cerca de 0,27 s de silêncio, de modo que quem liga ouve a primeira palavra após cerca de 0,53 s. As duas vozes Gemini do Google e o Deepgram Aura-2 também começam com cerca de 0,26 s de silêncio, o Cartesia com cerca de 0,14 s e o Kokoro com cerca de 0,43 s. Medimos esse silêncio em cada clipe (qualquer trecho mais silencioso que -40 dB) e o somamos, o que dá a coluna "primeira fala audível".

Em um agente de voz, a voz é a última de três etapas executadas em sequência: o modelo de reconhecimento de fala decide que quem ligou terminou de falar, o modelo de linguagem começa sua resposta e a voz começa a falar. Cada décimo de segundo aqui é um décimo de segundo de silêncio na linha.

3. Números e e-mails sobrevivem, em sua maioria, à linha telefônica#

Esperávamos que dígitos e endereços de e-mail fossem o ponto em que vozes baratas e áudio de 8 kHz falhariam. Em sua maioria, não falharam. Todos os modelos leram "415-867-5309" como um número de telefone que os dois avaliadores transcreveram corretamente, todos leram "dana.kowalski@gmail.com" como um endereço soletrado, e todos transmitiram "$249.99", "March 14th" e "3:15 PM" nas três execuções. Ninguém precisou de SSML nem de um prompt reescrito para isso. Essa é uma boa notícia para quem desenvolve, mas também é um teste pequeno: um número de telefone, um e-mail e um endereço, em inglês, com um nome comum.

4. Dois resultados da OpenAI para verificar em seus próprios modelos de texto#

O tts-1 leu errado um número de casa. Nas três execuções, os dois avaliadores ouviram "1428 Elm Street" como "Fort 128" ou "128 Elm Street", e uma terceira passagem no áudio em qualidade total ouviu o mesmo. A linha telefônica não causou o problema. Se você usa o tts-1 para endereços, escreva os números de casa por extenso ou teste antes a sua formatação.

O gpt-4o-mini-tts omitiu uma frase. Para "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?", o áudio terminou após o e-mail nas três execuções. Os dois avaliadores, e também o gpt-transcribe da própria OpenAI nos últimos três segundos do clipe, ouviram o e-mail lido devagar e depois nada. A pergunta final é o que transforma uma leitura de confirmação em uma confirmação de fato, então esse é o tipo de omissão que quem liga percebe. O gpt-4o-mini-tts é um modelo orientável que aceita instruções de estilo; não enviamos nenhuma. Observamos isso em uma frase de cinco, três vezes em três.

As outras pequenas diferenças: o Kokoro (3 de 3 execuções), o Inworld TTS-2 Flash e o Rime Coda (1 de 3 cada) disseram "your email is" onde o texto dizia "your email as", e um avaliador ouviu o Deepgram Aura-2 dizer "their" em vez de "your" uma vez. Nenhuma delas altera o sentido.

5. O mesmo modelo por meio de um revendedor pode ser dez vezes mais lento#

O Inworld TTS-2 pela própria API começou a falar em 0,28 s. O mesmo modelo pela DeepInfra levou 2,64 s, porque o endpoint da DeepInfra parece gerar o clipe inteiro antes de enviar qualquer parte dele, e a DeepInfra cobra $35 por 1M de caracteres contra $25 da própria Inworld. MiniMax e xAI, que só alcançamos por meio da fal.ai, devolvem um arquivo pronto, por isso têm apenas um tempo de "frase inteira" (3,5 a 4,6 s, incluindo a fila da fal); ambos fazem streaming em suas próprias APIs, que não testamos.

Preço por minuto, testado e não testado#

Preços da página de cada fornecedor, consultados em 12 de novembro de 2026. Para preços por caractere, convertemos a cerca de 740 caracteres por minuto de fala, a taxa mediana de fala das vozes que testamos (variaram de 631 a 911 caracteres por minuto, portanto uma voz rápida custa mais por minuto de áudio do que uma lenta ao mesmo preço por caractere). Formato de telefonia nativo significa que a API pode devolver ela mesma mu-law (G.711) de 8 kHz, de modo que você não precisa converter o áudio antes de ele entrar na chamada.

Se você está deixando uma voz que será descontinuada, veja Hume AI alternatives e PlayHT alternatives.

Vale a pena

ElevenLabs

Locuções de IA realistas, dublagem e clonagem de voz em dezenas de idiomas. Plano gratuito para começar.

Experimentar ElevenLabs

Uma fraqueza de cada#

• Inworld TTS-2 Flash: não tem direcionamento da voz em linguagem natural, que a Inworld reserva para o TTS-2 (model docs). A Stork recebe comissão sobre cadastros na Inworld, portanto pondere nosso entusiasmo à luz disso; os números são medidos da mesma forma para todos os fornecedores.
• ElevenLabs Flash v2.5: a mais cara das três vozes mais rápidas, cerca de três vezes o Inworld TTS-2 Flash e quatro vezes o Gemini 3.8 Flash Lite por minuto a preço de tabela. Ela também fala mais rápido que a maioria das vozes, de modo que o mesmo texto gera menos minutos, mas cada minuto custa mais.
• Rime Mist v3: cobrado por minuto de áudio, a $0,030, quase três vezes o Inworld TTS-2 Flash.
• Inworld TTS-2: levou 1,8 s para terminar uma frase contra 0,7 s do TTS-2 Flash e, por meio de um revendedor (DeepInfra), foi dez vezes mais lento para começar.
• Smallest.ai Lightning v3.1 Pro: um passo atrás das três vozes mais rápidas (0,30 s até a primeira palavra) e cerca de 50% mais caro por minuto que o Inworld TTS-2 Flash ($0,017 contra $0,011).
• Fish Audio S2.1 Pro: sem saída mu-law, 0,68 s até a primeira palavra e a voz acessada diretamente mais lenta para terminar uma frase (5,3 s na mediana). Só pudemos testar o nível gratuito para desenvolvedores, porque nossa conta não tem crédito pago de API; o nível pago pode enfileirar de forma diferente.
• Cartesia Sonic 3.6: não há opção simples de pagamento por uso; é preciso contratar um plano mensal e o excedente vem desativado por padrão. Além disso, cada clipe começa com cerca de 0,14 s de silêncio.
• Rime Coda: a voz mais cara por minuto em nosso teste ($0.050) e a única, além da tts-1, com um erro de entidade (um sobrenome escrito incorretamente em três execuções).
• ElevenLabs v4 Turbo: o mesmo preço do Flash v2.5, porém mais lento nos dois critérios aqui: 0,47 s até a primeira palavra e 1,8 s para concluir uma frase.
• Google Cloud Chirp 3 HD: cerca de 0,27 s de silêncio no início de cada clipe, e o streaming exige a API de streaming gRPC do Google, não a chamada REST simples.
• Gemini 3.8 Flash Lite TTS: cerca de 0,26 s de silêncio no início de cada clipe, o preço dobra em 1º de janeiro de 2027, e o mu-law de 8 kHz só está disponível na API Interactions mais nova do Google.
• Deepgram Aura-2: a mais lenta das vozes acessadas diretamente para terminar uma frase (4,3 s na mediana) e 0,72 s até a primeira palavra.
• gpt-4o-mini-tts: omitiu a pergunta final de uma frase nas três execuções, e a API não tem saída de 8 kHz nem mu-law.
• Gemini 3.8 Flash TTS: mais lento que o Flash Lite em todas as medidas aqui (0,99 s até a primeira palavra, 2,8 s por frase) e 50% mais caro por minuto.
• Kokoro-82M: 0,43 s de silêncio antes de cada clipe, apenas vozes predefinidas, sem clonagem e, na DeepInfra, sem formato de telefonia.
• tts-1: a voz de streaming mais lenta para começar (1,25 s) e leu errado um número de casa em todas as execuções.
• xAI TTS v1: pela fal ela não faz streaming, então não pudemos medir o tempo até o primeiro áudio; a API própria faz streaming por WebSocket.
• MiniMax Speech 2.8 Turbo: entre as mais caras por minuto em nosso teste ($0,038) e o arquivo mais lento pela fal (4,6 s).

Como testamos#

• Frases: "Thanks for calling Riverside Dental, this is Ava. How can I help you today?"; "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?"; "Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477."; "Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM."; e uma instrução de 215 caracteres sobre o que levar e como reagendar. Texto simples, sem SSML, sem indicações de pronúncia, igual para todos os modelos.
• Requisições: uma frase por requisição, 3 rodadas, com os modelos se alternando para que uma lentidão de rede afete todos eles. Antes, uma requisição de aquecimento sem pontuação por modelo, para que a configuração da conexão não seja contabilizada. Os endpoints de streaming foram lidos à medida que os dados chegavam; primeiro áudio = do envio da requisição até os primeiros bytes de áudio. Dez vozes foram executadas em um primeiro lote, sete (Cartesia, Deepgram, os dois modelos da Rime, os dois modelos da Inworld direto, Google Cloud) cerca de quatro horas depois e duas (Smallest.ai, Fish Audio) em seguida, todas em 12 de novembro de 2026; as sete mais rápidas foram então executadas novamente juntas em uma rodada intercalada como verificação cruzada. O Google Cloud foi chamado por sua API de streaming gRPC; os demais, por HTTPS.
• Vozes e formatos: ElevenLabs "Adam", OpenAI "alloy", Google Gemini "Kore", Google Cloud "en-US-Chirp3-HD-Kore", Inworld "Ashley", Cartesia "Jacqueline", Deepgram "Thalia", Rime "astra", Smallest.ai "chelsea", Fish Audio a popular voz da comunidade em inglês "Sarah" com latência definida como "low", Kokoro "af_bella", os padrões da fal para MiniMax e xAI. Todo fornecedor que oferece o formato foi solicitado a entregar mu-law nativo de 8 kHz (ElevenLabs, Inworld direto, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud); a Fish Audio enviou PCM de 8 kHz e os demais, áudio de 16 a 24 kHz.
• Linha telefônica: todos os clipes passaram por um filtro passa-banda de 300-3,400 Hz, foram reamostrados para 8 kHz e codificados em G.711 mu-law, e depois decodificados, na mesma cadeia do nosso teste de áudio telefônico de speech-to-text. Ele simula uma linha telefônica em software, não um caminho real de operadora com perda de pacotes.
• Avaliadores: dois modelos de speech-to-text de fornecedores sem voz neste teste, Whisper large-v3 e Cohere Transcribe (ambos via fal), transcreveram os 285 clipes da linha telefônica. A pontuação usa o normalizador de inglês do Whisper da OpenAI, contando cada dígito como uma palavra, de modo que "415-867-5309" e "four one five..." recebem a mesma pontuação; os endereços de e-mail são comparados soletrados. Uma entidade só é considerada errada se ambos os avaliadores a erraram, de modo que o erro de um avaliador não é atribuído à voz. Os dois problemas da OpenAI relatados acima foram reverificados com uma terceira transcrição: Whisper large-v3 no áudio de qualidade total do tts-1 e gpt-transcribe da OpenAI nos últimos segundos do clipe do gpt-4o-mini-tts.
• Silêncio inicial: medido em cada clipe como o tempo antes do primeiro som mais alto que -40 dB.
• Preços: extraídos da página de cada fornecedor em 12 de novembro de 2026, com link na tabela. Preço por minuto das vozes testadas = preço de tabela dos caracteres (ou, no caso do Gemini, dos tokens de áudio informados pelo Google; no caso da Rime, dos minutos) dividido pelos minutos de áudio retornados. A Cartesia é precificada na tarifa do plano Startup ($49 por 1.25M de caracteres). A OpenAI não retorna a contagem de tokens de áudio em uma requisição com streaming, então o gpt-4o-mini-tts usa a estimativa da própria OpenAI de $0.015 por minuto.
• Custo deste teste: cerca de $1.70 em chamadas de API a preços de tabela (registrado por chamada; a parcela do Google Cloud é pequena o bastante para caber em sua camada gratuita mensal, e a da Deepgram veio de créditos pré-pagos), mais várias centenas de créditos do plano ElevenLabs. O código do teste está no repositório da Stork em scripts/bench/tts_phone_bench.py, e o áudio bruto e as transcrições são mantidos para que cada número possa ser verificado.

O que este teste não informa#

• Como as vozes soam. Não avaliamos naturalidade, calor humano nem sotaque. Ouça a voz que pretende usar em um telefone real antes de escolhê-la.
• Sua localização e sua rede. Um cliente na Califórnia. As latências absolutas dependem de onde estão seus servidores; compare os modelos dentro desta tabela.
• Streaming por WebSocket. Usamos o endpoint de streaming HTTP de cada fornecedor (gRPC no Google Cloud). Agentes de voz costumam enviar o texto por WebSocket à medida que o modelo de linguagem o escreve, o que pode iniciar o áudio mais cedo.
• Tamanho da amostra. 5 frases, 3 rodadas, uma voz por modelo, somente em inglês. Diferenças de menos de cerca de 0,05 s entre as vozes mais rápidas estão dentro da variação entre execuções. Um modelo que leu corretamente o nosso único e-mail ainda pode errar o seu.
• Fornecedores não testados. Azure, Amazon Polly, Murf, Speechify e o Flux TTS da Deepgram não foram testados porque não temos chaves ou não incluímos o modelo nesta rodada, e o Drama 3 da Fish Audio porque nossa conta não tem crédito pago de API. Um modelo ausente não é um modelo pior.