Geração de Voz

Use a Geração de Voz quando seu aplicativo já tem o texto final e precisa de áudio reproduzível sem executar uma conclusão de chat. Os usos típicos incluem narrar um artigo ou notificação, dar voz a um prompt de IVR, produzir um rascunho de locução para revisão ou gerar arquivos de áudio para reprodução offline.

Autentique solicitações com uma chave de API AIVAX. Consulte Autenticação para orientações de autorização.

Escolha a forma de entrega #

O endpoint pode retornar áudio em duas formas, e a escolha correta depende do consumidor:

• Áudio binário (raw: true) — o corpo da resposta é o próprio arquivo de áudio, servido inline com seu tipo MIME. Use isso quando um player, elemento <audio> do navegador ou fluxo de download consome a resposta diretamente.
• Base64 no envelope JSON (raw: false) — a resposta contém o formato, o tipo MIME e o áudio codificado em base64 dentro do envelope padrão. Use isso quando o resultado passa por pipelines JSON, é armazenado em um banco de dados ou precisa ser inspecionado junto com metadados de faturamento.

Formatos suportados são mp3, wav e ogg. Quando o consumidor aceita qualquer um deles, prefira mp3 para cargas menores e wav para compatibilidade máxima com ferramentas de áudio.

Gerar fala #

Escreva texto que esteja pronto para ser falado em voz alta, incluindo pontuação e formatação que comuniquem pausas ou ênfase. Expanda abreviações e numerais da forma como devem ser ouvidos (“vinte e vinte e seis”, “doutor” em vez de “Dr.”) ao invés de confiar que a voz adivinhe.

Teste a voz selecionada com conteúdo representativo antes de usá-la em produção, especialmente para nomes, abreviações ou termos especializados. As vozes diferem por modelo de fala, portanto confirme a voz em relação ao modelo que você usará, ao invés de supor que as vozes de um modelo existam em outro.

A referência embutida é a fonte de verdade para modelos e vozes disponíveis, opções de solicitação, formatos de saída e campos de resposta.

Para permitir que um agente ou IDE compatível com MCP sintetize fala sem chamar diretamente este endpoint, use o Geração de mídia MCP. Ele retorna uma URL pública para áudio MP3 ao invés de áudio inline.

Sessões de fala ou voz #

Use a Geração de Voz para síntese única de texto conhecido. Use Sessões de Voz quando a experiência for uma conversa falada interativa com interrupções, troca de turnos e chamadas de ferramentas — encadear transcrição, inferência e síntese manualmente adiciona latência que a sessão em tempo real evita.

Preços, limites e erros #

Para preços, disponibilidade e limites de conta atuais, veja Pricing e Plans and Limits. Revise os erros de validação relatados antes de tentar novamente uma solicitação com falha.