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

> A Stork testou 19 vozes de síntese de voz, incluindo Inworld, ElevenLabs, Rime, Cartesia, Smallest.ai, Deepgram, Fish Audio, Google e OpenAI, em frases de recepcionista por meio de uma linha telefônica G.711 simulada: tempo até a primeira palavra, se números de telefone, e-mails e endereços sobrevivem e preço por minuto. Executado em 12 de novembro de 2026.

- Source: https://www.stork.ai/blog/pt/text-to-speech-api-phone-calls-test-2026
- Publisher: Stork.AI editorial team
- Published: 2026-11-12
- Updated: 2026-11-12
- Language: pt
- Reading time: 20 min

## Key takeaways

- Três vozes começaram a falar em cerca de 0,2 s: Inworld TTS-2 Flash (0,18 s), ElevenLabs Flash v2.5 (0,22 s), Rime Mist v3 (0,24 s).
- Os preços diferem em três vezes: cerca de $0,011, $0,036 e $0,030 por minuto de áudio, a preço de tabela.
- Gemini 3.8 Flash Lite TTS: primeira palavra em 0,70 s por cerca de $0,009 por minuto; o Chirp 3 HD tem 1M de caracteres gratuitos por mês.
- Todas as 19 vozes transmitiram corretamente o número de telefone, o preço, a data e a hora por uma linha telefônica G.711 em todas as execuções.
- O OpenAI tts-1 leu errado um número de casa em 3 de 3 execuções; o gpt-4o-mini-tts omitiu uma pergunta final em 3 de 3.
- Primeiro byte não é primeira palavra: Chirp 3 HD, Gemini, Aura-2 e Kokoro iniciam cada clipe com 0,26 a 0,43 s de silêncio.

**Resposta curta:** enviamos cinco frases de recepcionista (uma saudação, a leitura de confirmação de um número de telefone e de um e-mail, um endereço de rua, um preço com data e hora e uma instrução longa) para 19 modelos de síntese de voz, três vezes cada, passamos cada clipe por uma linha telefônica simulada e pedimos a dois modelos de reconhecimento de fala que transcrevessem o que ouviram. Quase todas as vozes transmitiram intactos todos os números de telefone, e-mails, CEPs, preços e horários. As diferenças que importam em uma chamada foram velocidade e preço. Três vozes começaram a falar em cerca de 0,2 s: [Inworld](https://get.platform.inworld.ai/911q5gfszy2s-bpprsc) **TTS-2 Flash** (0,18 s), [ElevenLabs](https://try.elevenlabs.io/stork-tts) **Flash v2.5** (0,22 s) e Rime **Mist v3** (0,24 s). Estão próximas o bastante para que a ordem mudasse em uma segunda execução intercalada, mas os preços não são: cerca de $0,011 por minuto de áudio para o Inworld TTS-2 Flash, $0,030 para o Rime Mist v3 e $0,036 para o ElevenLabs Flash v2.5. O **Gemini 3.8 Flash Lite TTS**, do Google, continua sendo a voz de streaming mais barata e suficientemente rápida, a $0,009 por minuto (0,70 s até a primeira palavra). Dois resultados da OpenAI se destacaram negativamente: o **tts-1** leu errado o número de casa "1428" nas três execuções, e o **gpt-4o-mini-tts** omitiu a pergunta final "Is that right?" nas três execuções.

**O que é isto:** o teste próprio da Stork, executado em 12 de novembro de 2026, com um script que qualquer pessoa pode executar de novo (método abaixo). Testamos todas as APIs de voz que conseguimos acessar com nossas próprias chaves e repetimos o teste todo mês. Cartesia, Deepgram, Rime, Smallest.ai, Fish Audio, Google Cloud e a API própria da Inworld foram adicionados no mesmo dia, assim que obtivemos as chaves. Ele complementa nosso [teste de reconhecimento de fala em áudio telefônico](https://stork.ai/blog/speech-to-text-phone-audio-test-2026), que testou a direção oposta. É um teste de componente, não de um agente de voz completo. Azure, Amazon Polly, Murf e Speechify não foram testados porque não temos chaves para eles; seus preços publicados estão na tabela mais adiante.

## Resultados

| Voice model (how we reached it) | First audio p50 / p90 | First audible speech p50 / p90 | Whole sentence p50 | Phone-line errors (words) | Numbers, email, address right | List price per minute of audio |
| --- | --- | --- | --- | --- | --- | --- |
| TTS-2 Flash (Inworld API) | 0.17 s / 0.21 s | 0.18 s / 0.22 s | 0.70 s | 0.3% | 27 of 27 | $0.011 |
| Flash v2.5 (ElevenLabs API) | 0.22 s / 0.24 s | 0.22 s / 0.29 s | 0.33 s | 0% | 27 of 27 | $0.036 |
| Mist v3 (Rime API) | 0.24 s / 0.29 s | 0.24 s / 0.29 s | 0.31 s | 0% | 27 of 27 | $0.030 |
| TTS-2 (Inworld API) | 0.22 s / 0.27 s | 0.28 s / 0.35 s | 1.80 s | 0% | 27 of 27 | $0.018 |
| Lightning v3.1 Pro (Smallest.ai API) | 0.24 s / 0.30 s | 0.30 s / 0.36 s | 0.92 s | 0% | 27 of 27 | $0.017 |
| Sonic 3.6 (Cartesia API) | 0.21 s / 0.24 s | 0.33 s / 0.37 s | 1.20 s | 0% | 27 of 27 | $0.030 on the Startup plan |
| Coda (Rime API) | 0.27 s / 0.33 s | 0.39 s / 0.45 s | 2.00 s | 0.4% | 26 of 27 | $0.050 |
| v4 Turbo (ElevenLabs API) | 0.39 s / 0.51 s | 0.47 s / 0.53 s | 1.82 s | 0% | 27 of 27 | $0.030 |
| Chirp 3 HD (Google Cloud TTS) | 0.21 s / 0.27 s | 0.53 s / 0.72 s | 1.26 s | 0% | 27 of 27 | $0.023 |
| S2.1 Pro, free developer tier (Fish Audio API) | 0.68 s / 0.83 s | 0.68 s / 0.83 s | 5.26 s | 0.1% | 27 of 27 | $0.012 at the paid rate |
| Gemini 3.8 Flash Lite TTS (Google Gemini API) | 0.48 s / 0.53 s | 0.70 s / 0.80 s | 1.82 s | 0% | 27 of 27 | $0.009 |
| Aura-2 (Deepgram API) | 0.55 s / 0.69 s | 0.72 s / 0.93 s | 4.31 s | 0.1% | 27 of 27 | $0.021 |
| gpt-4o-mini-tts (OpenAI API) | 0.63 s / 0.95 s | 0.80 s / 1.29 s | 1.80 s | 2.3% | 27 of 27 | about $0.015 |
| Gemini 3.8 Flash TTS (Google Gemini API) | 0.77 s / 0.85 s | 0.99 s / 1.13 s | 2.78 s | 0% | 27 of 27 | $0.0135 |
| Kokoro-82M, open model (DeepInfra) | 0.63 s / 0.93 s | 1.06 s / 1.36 s | 0.84 s | 0.8% | 27 of 27 | $0.0007 |
| tts-1 (OpenAI API) | 1.25 s / 1.82 s | 1.25 s / 1.82 s | 1.48 s | 1.3% | 24 of 27 | $0.013 |
| Inworld TTS-2 (via DeepInfra) | 2.56 s / 3.43 s | 2.64 s / 3.50 s | 2.94 s | 0% | 27 of 27 | $0.025 on DeepInfra |
| xAI TTS v1 (via fal, no stream) | not streamed | not streamed | 3.54 s | 0% | 27 of 27 | $0.011 |
| MiniMax Speech 2.8 Turbo (via fal, no stream) | not streamed | not streamed | 4.55 s | 0% | 27 of 27 | $0.038 |

*Stork test, November 12, 2026, from one computer in California. 15 requests per model (5 sentences x 3 rounds), 0 failed requests. First audible speech = first audio byte plus any silence at the start of the clip. Errors = word error rate on the phone-line audio, averaged over two judges. Numbers, email, address = 9 items per round (phone number, email, house number, street, unit, ZIP, price, date, time) x 3 rounds, counted as wrong only when both judges missed it. Price per minute = list price for what we sent, divided by the audio we got back; Google's Gemini prices double on January 1, 2027.*

> [!FACT] Neste teste, a linha telefônica não foi o que dificultou a compreensão de uma voz. Depois de passar todos os 285 clipes por uma linha G.711 mu-law de 8 kHz, apenas duas vozes tiveram uma entidade mal compreendida: o número de casa do OpenAI tts-1 (nas três execuções, e já errado no áudio de qualidade total) e a grafia de "Kowalski" do Rime Coda em uma de três execuções. O que separou as vozes foi quanto tempo quem liga espera pela primeira palavra, quanto custa cada minuto e dois casos em que um modelo não disse o que lhe foi dado.

## 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](https://stork.ai/en/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.

## Qual voz para qual tarefa telefônica

- **Agente de voz ao vivo (quem liga conversa com uma IA em tempo real):** latência em primeiro lugar. Inworld TTS-2 Flash, ElevenLabs Flash v2.5 e Rime Mist v3 começaram a falar em cerca de 0,2 s, e as três devolvem diretamente mu-law de 8 kHz, de modo que não há nada a converter antes de o áudio entrar na chamada telefônica. Em preço, o Inworld TTS-2 Flash ($0,011 por minuto) custa cerca de um terço do Rime Mist v3 ($0,030) e do ElevenLabs Flash v2.5 ($0,036). O TTS-2 da Inworld (0,28 s, $0,018), o Smallest.ai Lightning v3.1 Pro (0,30 s, $0,017) e o Cartesia Sonic 3.6 (0,33 s, $0,030 no plano Startup) são o passo seguinte. As plataformas que incluem uma voz são comparadas em [best AI voice agent platforms](https://stork.ai/blog/best-ai-voice-agent-platforms-2026).
- **Menus de URA (IVR) e mensagens de recepcionista:** a maior parte do que uma URA diz é fixa (saudações, opções de menu, horários), então gere esses trechos uma vez e reutilize o áudio. A latência importa apenas para as partes dinâmicas: nomes, números, datas. O preço por minuto pesa mais do que a velocidade aqui. O Chirp 3 HD, do Google Cloud, inclui 1M de caracteres gratuitos por mês (cerca de 22 horas de fala na nossa taxa) e gera mu-law nativamente; o Gemini 3.8 Flash Lite TTS ($0,009 por minuto) e o Kokoro na DeepInfra ($0,0007 por minuto, ou gratuito em seus próprios servidores sob a licença Apache 2.0) foram as vozes pagas mais baratas que testamos. Verifique de qualquer forma os seus próprios modelos de leitura de confirmação; um dos nossos 19 modelos leu errado um simples número de casa.
- **Chamadas ativas em grande volume:** o preço por minuto decide a conta. A preço de tabela, as vozes mais baratas que medimos foram Kokoro na DeepInfra, Gemini 3.8 Flash Lite ($0,009), Inworld TTS-2 Flash e xAI ($0,011), tts-1 ($0,013) e Gemini 3.8 Flash ($0,0135). A voz é uma pequena parte de um minuto de chamada ativa ao lado da telefonia e do modelo de linguagem; veja [Twilio alternatives for AI voice agents](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026) para os custos de operadora. Chamadas ativas com vozes de IA também têm regras de consentimento que nenhum modelo de voz resolve por você.

## 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.

| Voice API | Published price | About per minute | Native 8 kHz mu-law | Tested here |
| --- | --- | --- | --- | --- |
| [Inworld](https://inworld.ai/pricing) TTS-2 Flash / TTS-2 | $15 / $25 per 1M chars on demand; lower on plans | $0.011 / $0.018 (measured) | yes ([MULAW](https://docs.inworld.ai/api-reference/ttsAPI/texttospeech/synthesize-speech)) | yes, direct and TTS-2 via DeepInfra |
| [ElevenLabs](https://elevenlabs.io/pricing/api) Flash v2.5 / v4 Turbo | $0.04 per 1K chars | $0.036 / $0.030 (measured) | yes ([ulaw_8000](https://elevenlabs.io/docs/api-reference/text-to-speech/convert)) | yes |
| [Rime](https://rime.ai/pricing) Mist v3 / Coda | $0.030 / $0.050 per minute (Flex) | $0.030 / $0.050 | yes (audio/x-mulaw, both models in our test) | yes |
| [Cartesia Sonic](https://cartesia.ai/pricing) 3.6 | plans only: $49/mo for 1.25M credits, $299/mo for 8M (1 credit per char); overage $45 / $38 per 1M | $0.030 (measured, Startup rate) | yes ([pcm_mulaw](https://docs.cartesia.ai/api-reference/tts/bytes)) | yes |
| [Google Cloud TTS](https://cloud.google.com/text-to-speech/pricing) Chirp 3 HD | $30 per 1M chars, first 1M a month free | $0.023 (measured) | yes (MULAW, also in [streaming](https://cloud.google.com/text-to-speech/docs/create-audio-text-streaming)) | yes |
| [Deepgram](https://deepgram.com/pricing) Aura-2 / Flux TTS | $0.030 / $0.045 per 1K chars | $0.021 (measured) / $0.033 | yes ([mulaw](https://developers.deepgram.com/docs/tts-media-output-settings)) | Aura-2 yes, Flux TTS no |
| [Smallest.ai](https://smallest.ai/pricing/models) Lightning v3.1 Pro | $0.195 per 10K chars | $0.017 (measured) | yes (ulaw) | yes |
| [Fish Audio](https://docs.fish.audio/developer-guide/models-pricing/pricing-and-rate-limits) S2.1 Pro / Drama 3 | $15 per 1M UTF-8 bytes / $50 ($10 promo to Nov 30) | $0.012 (measured) / about $0.037 | no (pcm at 8 or 16 kHz) | S2.1 Pro on the free developer tier; Drama 3 no (no API credit) |
| [Google Gemini API](https://aistudio.google.com/docs/pricing) 3.8 Flash Lite TTS / Flash TTS | $6 / $9 per 1M audio tokens to Dec 31, 2026, then $12 / $18 | $0.009 / $0.0135 | only on the [Interactions API](https://aistudio.google.com/docs/speech-generation); generateContent returns 24 kHz PCM | yes |
| [OpenAI](https://developers.openai.com/api/docs/pricing) gpt-4o-mini-tts / tts-1 | $12 per 1M audio tokens / $15 per 1M chars | about $0.015 / $0.013 | no ([24 kHz PCM](https://developers.openai.com/api/docs/guides/text-to-speech) is the lowest) | yes |
| [DeepInfra](https://deepinfra.com/inworld-ai/realtime-tts-2) Inworld TTS-2 / [Kokoro-82M](https://deepinfra.com/hexgrad/Kokoro-82M) | $35 / $0.99 per 1M chars | $0.025 / $0.0007 | no (wav, pcm with sample rate) | yes |
| [xAI TTS](https://docs.x.ai/developers/model-capabilities/audio/text-to-speech) | $15 per 1M chars (same on [fal](${SRC.falXai})) | $0.011 | yes | via fal, not streamed |
| [MiniMax Speech 2.8 Turbo](https://platform.minimax.io/docs/guides/pricing-paygo) | $60 per 1M chars (same on [fal](${SRC.falMinimax})) | $0.038 | yes (pcmu) | via fal, not streamed |
| [Azure AI Speech](https://prices.azure.com/api/retail/prices) Neural / Neural HD | $15 / $22 per 1M chars | $0.011 / $0.016 | yes | no key |
| [Amazon Polly](https://aws.amazon.com/polly/pricing/) Standard / Neural / Generative | $4 / $16 / $30 per 1M chars | $0.003 / $0.012 / $0.022 | yes (mulaw) | no key |
| [Murf Falcon](https://murf.ai/api) | $0.01 per minute | $0.010 | yes (ULAW) | no key |
| [Speechify Simba 3.5](https://speechify.ai/pricing) | $10 to $15 per 1M chars by plan (promo to Nov 21) | $0.007 to $0.011 | yes (ulaw_8000) | no key |

*List prices from vendor pages, November 12, 2026. Per-minute figures for untested vendors are our conversion at about 740 characters per minute, not measured. Tested rows use the rate we measured on our own sentences. PlayHT and LMNT have shut down, and Hume announced in October that its TTS API ends on November 13, 2026.*

Se você está deixando uma voz que será descontinuada, veja [Hume AI alternatives](https://stork.ai/blog/hume-ai-alternatives-2026) e [PlayHT alternatives](https://stork.ai/blog/playht-alternatives-2026).

## 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](https://docs.inworld.ai/tts/tts-models)). 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](https://stork.ai/blog/speech-to-text-phone-audio-test-2026). 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](https://github.com/openai/whisper/blob/main/whisper/normalizers/english.py) 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.

## Leitura relacionada

- [teste de áudio telefônico de speech-to-text](https://stork.ai/blog/speech-to-text-phone-audio-test-2026) da Stork: 11 modelos de speech-to-text com áudio de quem liga
- [melhores plataformas de agentes de voz com IA](https://stork.ai/blog/best-ai-voice-agent-platforms-2026), se você preferir comprar o agente de voz completo
- [Alternativas à Twilio para agentes de voz com IA](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026): números de telefone e minutos de operadora
- [Melhores alternativas à ElevenLabs](https://stork.ai/blog/best-elevenlabs-alternatives-2026) para locução e narração, em vez de chamadas telefônicas

## Perguntas frequentes

### Qual API de text-to-speech tem a menor latência para chamadas telefônicas?

No teste de novembro de 2026 da Stork com 19 vozes, três começaram a falar em cerca de 0,2 segundo na mediana: Inworld TTS-2 Flash (0,18 s), ElevenLabs Flash v2.5 (0,22 s) e Rime Mist v3 (0,24 s). A ordem mudou em uma segunda execução intercalada, portanto trate-as como empatadas. Em seguida vieram Inworld TTS-2 (0,28 s), Smallest.ai Lightning v3.1 Pro (0,30 s) e Cartesia Sonic 3.6 (0,33 s).

### As vozes de IA leem corretamente números de telefone e e-mails em uma linha telefônica?

Na maioria dos casos, sim. Em nosso teste, todas as 19 vozes leram um número de telefone, um preço, uma data e um horário de forma que dois modelos de speech-to-text os transcreveram corretamente após passar por uma linha telefônica G.711 de 8 kHz, nas três execuções. O OpenAI tts-1 leu errado o número de casa 1428 em todas as execuções, o Rime Coda escreveu incorretamente um sobrenome em uma execução e o gpt-4o-mini-tts omitiu uma pergunta final.

### Qual é a API de text-to-speech mais barata para chamadas telefônicas?

Entre as vozes que testamos, o modelo aberto Kokoro-82M na DeepInfra custou cerca de $0.0007 por minuto de áudio, o Gemini 3.8 Flash Lite TTS do Google cerca de $0.009 e o Inworld TTS-2 Flash cerca de $0.011 a preço de tabela em 12 de novembro de 2026. O Chirp 3 HD do Google Cloud inclui 1M de caracteres gratuitos por mês. Entre os fornecedores não testados, o Amazon Polly Standard lista $4 por 1M de caracteres.

### Quais APIs de TTS geram áudio mu-law de 8 kHz para telefonia?

Em nosso teste ou segundo a própria documentação delas em 12 de novembro de 2026: ElevenLabs (ulaw_8000), Inworld, Cartesia, Deepgram, Rime, Google Cloud TTS (inclusive em streaming), Smallest.ai, Azure, Amazon Polly, Murf, Speechify, MiniMax e xAI. A Fish Audio oferece PCM de 8 kHz, mas não mu-law. A API de TTS da OpenAI não oferece; o Gemini TTS do Google oferece apenas em sua Interactions API.

### A Cartesia é mais rápida que a ElevenLabs?

Não em nosso teste. O Cartesia Sonic 3.6 enviou seu primeiro áudio tão rápido quanto (0,21 s), mas abriu cada clipe com cerca de 0,14 s de silêncio, de modo que sua primeira palavra audível veio aos 0,33 s, contra 0,22 s do ElevenLabs Flash v2.5. Por minuto, custam aproximadamente o mesmo a preço de tabela: $0.030 para a Cartesia no plano Startup e $0.036 para o ElevenLabs Flash v2.5.

### Quanto a ElevenLabs custa por minuto para um agente telefônico?

Ao preço de tabela da API de $0.04 por 1,000 caracteres, o ElevenLabs Flash v2.5 custou cerca de $0.036 por minuto de áudio em nossas frases de recepcionista e o v4 Turbo cerca de $0.030, porque o Flash falou mais rápido. Isso cobre apenas a voz, não a telefonia nem o modelo de linguagem.