API de Texto para Voz para Dispositivos IoT e Smart Home

Por Equipe editorial Spinly IoT Voice · Atualizado 2026-11-18

Esta página explica como a API Spinly IoT Voice transforma texto em áudio natural para equipes de produto em smart home e IoT. Você verá exemplos práticos de integração, métricas de latência e custos previsíveis por caractere, focados em dispositivos embarcados e notificações em tempo real.

Descubra como usar vozes otimizadas para ambientes domésticos, gerenciar múltiplos idiomas e garantir privacidade com dados não armazenados. Comece com $0,50 de crédito válido por 7 dias (ao criar conta com Google) e integre rapidamente usando o SDK OpenAI ou HTTP direto, sem assinaturas fixas.

API de Texto para Voz para Dispositivos IoT e Smart Home

Perguntas frequentes

O que é conversão de texto em voz online grátis para IoT?

É uma API cloud que recebe texto e retorna áudio via POST. A trial oferece $0,50 de crédito (cerca de 50.000 caracteres) por 7 dias ao criar conta com Google. O custo padrão é de $10 por 1 milhão de caracteres, com cobrança apenas por uso efetivo.

Como a latência da API afeta dispositivos embarcados?

A geração é aproximadamente em tempo real (25 caracteres por segundo). Textos curtos levam alguns segundos, enquanto textos longos são processados sequencialmente. Sob carga, as requisições podem entrar em fila, afetando a latência imediata. Para fluxos contínuos, considere dividir o texto em partes menores.

Quais formatos de áudio são recomendados para smart home?

A API suporta mp3, wav, opus, flac e pcm. Para IoT, PCM ou OPUS são ideais por seu baixo overhead de processamento. MP3 é universalmente compatível, enquanto WAV e FLAC oferecem qualidade lossless. A escolha depende da capacidade de decodificação do hardware embarcado e da largura de banda disponível.

A API suporta português brasileiro nativo?

Sim, o português está na lista de 23 idiomas suportados. Qualquer uma das 8 vozes pode falar português. Para garantir a pronúncia correta, defina o campo 'language' como 'pt' na requisição, pois o padrão para texto em latim é inglês.

Como funciona a detecção de idioma automática?

Se o campo 'language' não for definido, o sistema tenta adivinhar com base no script. Textos em latim assumem inglês por padrão. Para textos em outros idiomas latinos (como português ou espanhol), é necessário definir explicitamente o código ISO para evitar a pronúncia em inglês.

Quantos caracteres cabem em uma única requisição?

Cada requisição aceita até 4.096 caracteres no campo 'input'. Para textos maiores, você deve dividir o conteúdo em partes de até esse limite e concatenar os arquivos de áudio resultantes. Isso garante que cada lote seja processado corretamente dentro dos limites da API.

O que acontece se o áudio falhar na geração?

Se a síntese falhar, o valor é devolvido integralmente. Você não paga pelo caractere consumido durante o erro. Isso garante que seu saldo seja utilizado apenas para áudio gerado com sucesso, mantendo a previsibilidade dos custos para seus dispositivos IoT.

Posso usar a API em dispositivos sem tela?

Sim, a API é acessível via HTTP POST. Dispositivos sem tela podem enviar texto e receber o arquivo de áudio diretamente. Os formatos PCM e OPUS são leves e adequados para reprodução em alto-falantes simples, sem necessidade de interfaces gráficas complexas.

A voz é gerada em tempo real ou pré-renderizada?

A geração ocorre sob demanda, com latência próxima do tempo real. Não há streaming de áudio parcial. O arquivo completo é retornado após o processamento. Para textos longos, a velocidade é de cerca de 25 caracteres por segundo, sem pré-renderização.

Há limite de requisições por minuto para IoT?

Sim, o limite é de 60 requisições por minuto por chave. Antes da primeira recarga, o limite é de 10 por minuto. Isso é suficiente para a maioria dos dispositivos IoT, mas considere o agrupamento de requisições se houver picos simultâneos.

Como funcionam os 60 requests por minuto?

O limite é aplicado por chave de API. Se exceder 60 requisições em um minuto, as adicionais podem ser rejeitadas ou atrasadas. O processamento é sequencial sob carga. Para alta concorrência, monitore o saldo e ajuste a frequência de chamada dos seus dispositivos.

O áudio gerado contém marca d'água?

Sim, cada arquivo de áudio gerado contém uma marca d'água inaudível que identifica o conteúdo como fala sintética. Isso é aplicado automaticamente em todas as gerações, independentemente do modelo ou voz selecionada, facilitando a identificação de áudio gerado por IA.

O texto enviado é usado para treinar modelos?

Não. O texto de entrada é usado exclusivamente para produzir o áudio correspondente e não é utilizado para treinamento de modelos. Os metadados da requisição (tempo, caracteres, status) são mantidos apenas para fins de cobrança e auditoria.

Posso usar o mesmo SDK do OpenAI nesta API?

Sim. A API segue o mesmo formato de requisição do endpoint de fala da OpenAI. Basta alterar a 'base_url' para https://api.spinlygame.com/v1 e usar sua chave de API. SDKs oficiais da OpenAI funcionam diretamente com essa configuração.

Primeira solicitação

curl

curl https://api.spinlygame.com/v1/audio/speech \
  -H "Authorization: Bearer $TTS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
  --output hello.mp3

Por que TTS para IoT é diferente

Ilustração de onda sonora para: Por que TTS para IoT é diferente

Gerar áudio em dispositivos IoT exige previsibilidade, não apenas velocidade. Nossa API processa requisições em fila única, garantindo que o tempo de síntese seja consistente e calculável, evitando surpresas em sistemas embarcados críticos.

Com limites claros de 4.096 caracteres por requisição e uma taxa de geração próxima ao tempo real, você pode dimensionar sua infraestrutura com precisão, sabendo exatamente quanto tempo levará para converter textos longos em áudio.

Latência previsível em nuvem

Latência previsível em nuvem

O processamento sequencial garante que cada solicitação seja concluída antes da próxima, eliminando variações caóticas de latência. Para textos longos, a geração ocorre a aproximadamente 25 caracteres por segundo, permitindo estimativas exatas de tempo de resposta para seus dispositivos.

Gestão de caracteres por dispositivo

Cada requisição aceita até 4.096 caracteres, incluindo espaços e pontuação. Para mensagens maiores, basta dividir o texto e juntar os arquivos de áudio resultantes. Isso facilita o gerenciamento de memória em dispositivos com recursos limitados.

Formatos leves para embedded

Escolha entre MP3, OPUS, FLAC ou PCM para equilibrar qualidade e largura de banda. Formatos compactos como OPUS são ideais para transmissão em redes IoT, enquanto WAV oferece compatibilidade imediata com players de áudio embarcados.

Demo interativa da API

Ilustração de onda sonora para: Demo interativa da API

Para equipes de IoT, a latência previsível é crucial. Com uma velocidade média de geração equivalente a 25 caracteres por segundo, o sistema processa requisições sequencialmente, garantindo que o áudio seja entregue em tempo real para textos longos ou com baixa latência para frases curtas.

O formato da resposta segue o padrão OpenAI, permitindo integração direta via SDKs existentes. Basta ajustar o base_url para https://api.spinlygame.com/v1 e utilizar a chave Bearer para receber arquivos de áudio instantaneamente.

Teste de latência real-time

O processamento ocorre em fila única, mas a velocidade de síntese é consistente. Textos curtos levam apenas alguns segundos, enquanto textos longos geram áudio em tempo real.

Para textos excedendo 4096 caracteres, o cliente deve dividir o texto em partes e juntar os arquivos de áudio resultantes.

  • Latência consistente: ~25 caracteres/segundo para textos longos
  • Processamento sequencial garante ordem cronológica dos áudios
  • Limite de 4096 caracteres por requisição

Comparação de formatos de áudio

Escolha o formato ideal para a capacidade de armazenamento do seu hardware. MP3 oferece compressão leve para streaming, enquanto WAV e FLAC garantem alta fidelidade para gravações.

Opções como OPUS e PCM permitem controle fino sobre a largura de banda e processamento em dispositivos com recursos limitados, sem necessidade de conversão adicional.

  • MP3: Compacto e universal
  • WAV/FLAC: Alta fidelidade
  • OPUS/PCM: Controle de banda

Exemplo de integração cURL

A integração é direta via HTTP POST. Utilize a chave API no cabeçalho Authorization e envie o texto na estrutura JSON padrão.

Este exemplo demonstra o envio de uma notificação simples para um dispositivo smart home, retornando o áudio pronto para reprodução.

  • Endpoint: POST /v1/audio/speech
  • Autentação: Bearer tts-...
  • Formato: JSON

Vozes otimizadas para ambientes domésticos

Ilustração de onda sonora para: Vozes otimizadas para ambientes domésticos

As vozes da API foram projetadas para clareza e conforto em ambientes domésticos. Cada preset tem uma característica auditiva distinta, garantindo que as notificações e instruções sejam compreendidas imediatamente, mesmo em ruído ambiente.

A escolha da voz correta impacta a experiência do usuário final. Utilizamos vozes baseadas em gravações licenciadas, garantindo naturalidade sem personalidades excessivas que distraiam da função principal do dispositivo IoT.

Aria: narradora clara para instruções

Aria oferece uma voz feminina quente e clara, ideal para narrativas. Sua articulação precisa torna as instruções técnicas fáceis de seguir.

Tom: narradora clara e quente. Ideal para: narrativas.

  • Voz feminina
  • Tom quente e claro

Nova: tom upbeat para notificações

Nova traz uma voz brilhante e animada, excelente para notificações rápidas. Sua energia positiva chama a atenção sem ser intrusiva.

Tom: vibrante e animado. Ideal para: notificações e alertas.

  • Voz feminina
  • Tom brilhante

Milo: conversação natural em assistentes

Milo possui um tom amigável e conversacional, perfeito para interações de assistentes de voz. Simula uma troca natural entre usuário e dispositivo.

Tom: amigável e conversacional. Ideal para: assistentes.

  • Voz masculina
  • Tom amigável

Suporte a múltiplos idiomas

Ilustração de onda sonora para: Suporte a múltiplos idiomas

O motor de síntese processa textos em 23 idiomas distintos, permitindo que dispositivos IoT e assistentes de voz comuniquem-se naturalmente com usuários globais. A flexibilidade de linguagem é crucial para smart homes que atendem a múltiplos idiomas simultaneamente.

Português, inglês, espanhol e outros

Os idiomas incluem árabe, chinês, japonês, coreano, russo e outros, garantindo cobertura ampla para dispositivos exportados.

Detecção automática vs. explícita

Se o campo language não for definido, o sistema tenta adivinhar o idioma com base no script (texto em latino assume inglês por padrão). Para textos não inglesos em latim, defina explicitamente o código ISO para evitar erros de pronúncia.

  • Defina language para textos latinos não ingleses.
  • O script determina o idioma padrão se omitido.

Cobertura de 23 idiomas disponíveis

A lista completa inclui Árabe, Chinês, Dinamarquês, Holandês, Inglês, Finlandês, Francês, Alemão, Grego, Hebraico, Hindi, Italiano, Japonês, Coreano, Malaio, Norueguês, Polonês, Português, Russo, Espanhol, Suaíli, Sueco e Turco.

  • Árabe, Chinês, Dinamarquês, Holandês, Inglês.
  • Finlandês, Francês, Alemão, Grego, Hebraico, Hindi.
  • Italiano, Japonês, Coreano, Malaio, Norueguês, Polonês.
  • Português, Russo, Espanhol, Suaíli, Sueco, Turco.

Preço justo por caráter gerado

Ilustração de onda sonora para: Preço justo por caráter gerado

Nossa tarifa é linear e transparente: $10 por milhão de caracteres processados, o que equivale a $0,01 por mil caracteres. Espaços e pontuação contam como caracteres. Solicitações falhas são gratuitas, com estorno imediato do valor cobrado.

Custo por milhão de caracteres

O cálculo é direto e previsível, ideal para orçamentos de projetos IoT. Não há surpresas com taxa por requisição ou limite de caracteres por chamada, apenas o volume real processado.

Sem custos fixos de assinatura

Não oferecemos planos mensais, cotas de assentos ou gastos mínimos. Você paga apenas pelo que usar. Se não houver uso, não há cobrança, mantendo seus custos operacionais alinhados à demanda real dos dispositivos.

Pagamento via USDT na TRON

O único método de recarga é via USDT na rede TRON (TRC-20), com um depósito mínimo de $5. O saldo é creditado automaticamente em minutos e não expira. Não aceitamos cartões, PayPal ou emissão de faturas com VAT.

Preço justo por caráter gerado

Integração rápida com SDKs existentes

Ilustração de onda sonora para: Integração rápida com SDKs existentes

A API de síntese de voz utiliza exatamente o mesmo formato de requisição do endpoint de fala da OpenAI. Isso permite que equipes de produto integrem nossa solução em fluxos de trabalho existentes sem precisar aprender uma nova estrutura de payloads JSON.

O código de integração é mínimo e direto, aproveitando bibliotecas já familiares aos desenvolvedores de IoT e smart home para gerar áudio a partir de texto.

Compatibilidade com OpenAI SDK

Utilize os SDKs oficiais da OpenAI (para Python, Node.js, etc.) diretamente com nossa infraestrutura. Basta apontar para a nossa base de URLs e usar o método de geração de áudio padrão.

Mudança simples de base_url

A única configuração necessária é alterar a propriedade base_url do seu cliente para https://api.spinlygame.com/v1. Isso direciona todas as chamadas para o nosso endpoint POST /v1/audio/speech sem alterar a lógica de envio do JSON.

Autenticação via Bearer token

Inclua o cabeçalho Authorization: Bearer tts-... em todas as requisições. Cada conta possui uma chave ativa que pode ser renovada instantaneamente via painel, garantindo controle de acesso imediato para dispositivos embarcados.

Casos de uso em Smart Home

Ilustração de onda sonora para: Casos de uso em Smart Home

Em ambientes IoT, a comunicação auditiva reduz a dependência de telas pequenas ou visuais. O sistema pode converter leituras de sensores em feedback imediato, garantindo que dispositivos embarcados forneçam informações críticas sem exigir interação visual constante do usuário.

Feedback auditivo de sensores

Dispositivos podem transmitir dados como temperatura ou umidade convertendo-os em áudio natural via API. Com latência previsível, o sistema entrega notificações em tempo real, ideal para monitoramento contínuo em smart homes onde a interface visual é limitada.

  • Conversão de dados de sensores em áudio natural
  • Feedback imediato sem dependência de telas
  • Ideal para interfaces embarcadas com restrições visuais

Avisos de segurança e alertas

Alertas de fumaça, vazamentos ou intrusões ganham clareza com vozes como Atlas ou Orion. A API processa textos de emergência rapidamente, garantindo que o aviso seja compreendido instantaneamente, mesmo em ambientes ruidosos, com baixa latência.

  • Vozes neutras para notificações urgentes
  • Processamento rápido para alertas críticos
  • Clareza auditiva em ambientes com ruído

Controle por voz para idosos

A interface vocal simplifica o uso de dispositivos para idosos. Com vozes como Aria ou Luna, as instruções são entregues de forma clara e calma, facilitando a interação com smart home sem necessidade de aprendizado complexo de comandos.

  • Vozes claras e calmas para instruções
  • Redução da complexidade de interação
  • Acessibilidade para usuários menos familiarizados com tecnologia

Garantia de privacidade para IoT

Ilustração de onda sonora para: Garantia de privacidade para IoT

Para dispositivos IoT, a privacidade é tão crítica quanto a latência. Nossa API processa texto em áudio com transparência total: o texto enviado é utilizado exclusivamente para a síntese do áudio desejado e não entra em nenhum conjunto de dados de treinamento de modelos.

Texto não é usado para treinamento

O conteúdo enviado para a API não é armazenado para melhorar nossos modelos. Ele é processado em tempo real para gerar o arquivo de áudio e descartado, garantindo que a inteligência do seu dispositivo permaneça proprietária.

Áudio não é armazenado

O arquivo de áudio gerado é retornado na resposta HTTP e não é persistido em nossos servidores após a entrega. Isso elimina riscos de vazamento de voz sintetizada ou metadados de longo prazo.

Metadados apenas para cobrança

Mantemos apenas os metadados necessários para faturamento preciso: tempo de requisição, número de caracteres processados e status da síntese. Esses dados servem exclusivamente para registrar o consumo de caracteres e garantir a cobrança justa baseada no uso.

Comece agora com crédito grátis

Ilustração de onda sonora para: Comece agora com crédito grátis

Registre-se no /get-api-key/ com o Google para receber automaticamente $0,50 de crédito, suficiente para cerca de 50.000 caracteres. Ideal para validar a integração da API em dispositivos IoT sem compromisso financeiro inicial.

O crédito expira em 7 dias. Não há cobrança automática nem planos de assinatura obrigatórios. Basta usar a chave gerada instantaneamente para testar latência e qualidade de áudio nos seus hardwares embarcados.

Crédito inicial de $0,50

O crédito inicial de $0,50 permite gerar aproximadamente 50.000 caracteres. Use esse valor para testar a qualidade de vozes como Aria ou Milo em seus protótipos de smart home sem arriscar capital.

  • Equivalente a 50.000 caracteres gerados
  • Ideal para testes de latência e qualidade

Validade de 7 dias na conta

O crédito promocional é válido por 7 dias após a criação da conta. Após esse período, o saldo não utilizado expira. Não há renovação automática nem custos fixos de assinatura para manter o acesso.

Geração imediata de chave API

Ao se registrar com Google, sua chave de API (Bearer token) é gerada instantaneamente. Ela aparece na página /get-api-key/, pronta para ser usada no SDK OpenAI ou requisições HTTP diretas à base https://api.spinlygame.com/v1.

Ouça as 8 vozes

Cada amostra abaixo foi gerada por esta API a partir da mesma frase. Implemente retries com backoff exponencial para respeitar os limites sem perder dados críticos.

Avatar da voz aria
ariafeminino
Avatar da voz nova
novafeminino
Avatar da voz luna
lunafeminino
Avatar da voz sage
sagefeminino
Avatar da voz felix
felixmasculino
Avatar da voz milo
milomasculino
Avatar da voz atlas
atlasmasculino
Avatar da voz orion
orionmasculino

23 idiomas

Qualquer voz fala qualquer um desses idiomas.

Fontes e leituras adicionais

  1. Wikipedia
  2. W3C WAI: making audio and video accessible
  3. Creative Commons Attribution 4.0
  4. LibriVox public-domain audiobooks
  5. curl documentation
  6. OpenAI API reference: create speech
  7. openai-node on GitHub
  8. ISO 639 language codes
  9. Node.js documentation
  10. LibriTTS-R paper (arXiv 2305.18802)
  11. Tether (USDT)
  12. Python documentation

Mais neste site