Narrar um texto de 12 mil caracteres com voz de IA, o tamanho de um post de 1.800 palavras e cerca de 14 minutos de áudio, custa hoje de US$ 0,13 a US$ 0,96 pela API, no modo padrão, ou de R$ 0,71 a R$ 5,26 na PTAX de 4 de novembro de 2026. O mais barato é o Gemini 3.8 Flash-Lite TTS; o mais caro, o modelo multilíngue da ElevenLabs.

A conta não é de folheto. Meu blog narra os posts com Gemini, OpenAI e Grok, e o código que faz isso guarda o ritmo medido da fala, o custo de cada motor e o que já deu errado. Abaixo vai a conta inteira, com os preços conferidos hoje nas páginas oficiais:

• A tabela de custo de um post real, por provedor

• A fórmula para refazer a conta com o seu texto

• As datas de novembro e janeiro que mudam o preço

• O que o sistema faz para o áudio sair inteiro

• Voz clonada, uso comercial e o caminho inverso, grátis

Quanto custa narrar 12 mil caracteres

Para 12 mil caracteres, ou cerca de 14 minutos de fala, os modelos de Google, OpenAI e xAI ficam abaixo de US$ 0,45. A ElevenLabs sai por US$ 0,48 no Flash e US$ 0,96 no multilíngue. Os valores são por geração completa, no modo padrão da API, sem IOF nem spread do cartão.

Motor e modelo	Como cobra	Em dólar	Em reais	Português	O que muda
Gemini 3.8 Flash-Lite TTS	US$ 6 por milhão de tokens de áudio	US$ 0,13	R$ 0,71	Listado, sem citar variante	Preço dobra em 01/01/2027
Grok TTS (no meu blog)	US$ 15 por milhão de caracteres	US$ 0,18	R$ 0,99	pt-BR na documentação	Nenhuma data que eu tenha achado
OpenAI tts-1	US$ 15 por milhão de caracteres	US$ 0,18	R$ 0,99	Listado, vozes ajustadas para inglês	Sai em 06/01/2027
Gemini 3.8 Flash TTS	US$ 9 por milhão de tokens de áudio	US$ 0,19	R$ 1,07	Listado, sem citar variante	Preço dobra em 01/01/2027
Gemini 2.5 Flash Preview TTS (no meu blog)	US$ 10 por milhão de tokens de áudio	US$ 0,22	R$ 1,18	Em uso nos meus posts	Pode sair já em 17/11/2026
OpenAI gpt-4o-mini-tts (no meu blog)	US$ 12 por milhão de tokens de áudio	US$ 0,22	R$ 1,19	Listado, vozes ajustadas para inglês	Sai em 06/01/2027
OpenAI tts-1-hd	US$ 30 por milhão de caracteres	US$ 0,36	R$ 1,97	Listado, vozes ajustadas para inglês	Sai em 06/01/2027
ElevenLabs Flash ou Turbo (API)	US$ 0,04 por mil caracteres	US$ 0,48	R$ 2,63	pt-BR no Flash v2.5	Nenhuma data que eu tenha achado
ElevenLabs multilíngue (API)	US$ 0,08 por mil caracteres	US$ 0,96	R$ 5,26	pt-BR no Multilingual v2	Nenhuma data que eu tenha achado

A conversão usa a PTAX de venda do Banco Central de 04/11/2026, R$ 5,4778, a última publicada quando fechei esta conta. A fatura do cartão ainda soma IOF e câmbio do banco, então trate o real como referência. Os preços em dólar vêm das páginas de preços do Google, da OpenAI, da xAI e da ElevenLabs, conferidas em 5 de novembro.

Dá para pagar zero, com ressalva. A página do Google lista os TTS 3.8 e o 2.5 como grátis no nível gratuito da API, mas nesse nível o Google usa o que você manda para melhorar os produtos dele; no pago, não. Texto de cliente ou documento interno pede o nível pago.

Na ElevenLabs existe também o caminho por plano. O Free dá 10 mil créditos por mês, cerca de 10 minutos, que não cobrem os nossos 14. O Starter custa US$ 1 no primeiro mês e US$ 6 depois, com 30 mil créditos, cerca de 30 minutos, e licença comercial.

Como refazer a conta com seu texto

A conta depende de duas medidas: o tamanho do texto e a duração do áudio. No meu sistema, o ritmo medido ficou entre 13,3 e 14,1 caracteres por segundo nos três motores, com mediana 14. Quem cobra por caractere faz conta direta; quem cobra por token de áudio depende da duração.

1. Duração: 12.000 caracteres ÷ 14 = 857 segundos, ou 14 minutos e 17 segundos.

2. Por caractere (Grok): 12.000 × US$ 15 ÷ 1.000.000 = US$ 0,18.

3. Por token de áudio (Gemini 3.8 Flash TTS): 857 s × 25 tokens por segundo = 21.425 tokens; × US$ 9 ÷ 1.000.000 = US$ 0,193. O texto de entrada soma US$ 0,002.

4. OpenAI: 857 s a 1.250 tokens por minuto dão 17.854 tokens; × US$ 12 ÷ 1.000.000 = US$ 0,214, mais US$ 0,002 de texto. A taxa vem da estimativa de US$ 0,015 por minuto que a OpenAI publicava; a página atual não traz o valor por minuto.

Dois avisos da vida real. Primeiro: meça o texto que será narrado, não o que você vê no editor. Meu sistema narra título, resumo e corpo; um post que aparecia com 27.295 caracteres narrava 28.375, 4% a mais que o preço mostrado, até eu corrigir em setembro.

Segundo: confira a página de preços antes de confiar em qualquer tabela, inclusive nesta. Meu código trazia o Grok a US$ 4,20 por milhão de caracteres desde agosto. Em 23 de setembro, conferindo a página da xAI, o valor era US$ 15. O erro era de mais de três vezes, dentro do meu próprio sistema.

Em API de voz, o preço que você guardou no código é o primeiro número a envelhecer.

Os prazos que mudam este preço

Três datas mexem nessa tabela em semanas. O Google marcou 17 de novembro de 2026 como data mais cedo possível para desligar os TTS em preview. Os preços do Gemini 3.8 dobram em 1º de janeiro de 2027. E a OpenAI remove tts-1, tts-1-hd e gpt-4o-mini-tts em 6 de janeiro.

• Google: a página de descontinuação aponta o Gemini 3.8 Flash TTS ou o Flash-Lite TTS como substitutos do 2.5 e do 3.1 em preview. Ela avisa que a data é a mais cedo possível e que a exata vem com antecedência.

• Preço do 3.8 em 2027: nos nossos 12 mil caracteres, o Flash-Lite vai de US$ 0,13 para US$ 0,26 (R$ 1,43) e o Flash, de US$ 0,19 para US$ 0,39 (R$ 2,13), mantida a cotação de hoje.

• OpenAI: a lista de descontinuação indica o gpt-realtime-2.1-mini, que usa a Realtime API e não funciona com o endpoint de fala. O token de áudio de saída dele custa US$ 20 por milhão, contra US$ 12, e a página não diz quantos tokens gasta por minuto.

Dois dos três motores do meu blog estão nessa lista, então meu próprio código precisa mudar antes dessas datas. Se a xAI não mexer no preço, a partir de janeiro o Grok, a US$ 0,18, fica abaixo dos dois modelos 3.8 no modo normal. Para narração que pode esperar, o modo Batch do Google custa metade: cerca de US$ 0,065 no Flash-Lite até 31 de dezembro.

O que o sistema faz com o texto

Nenhuma dessas APIs é só mandar o texto e receber o MP3. Meu sistema monta o texto com título, resumo e corpo, fatia em blocos, gera dois por vez, repete o que falha, junta tudo, normaliza o volume e converte em MP3 antes de guardar o arquivo.

1. Fatiar: blocos de até 3.500 caracteres no Gemini, 4.000 na OpenAI e 5.000 no Grok. O corte procura o fim do parágrafo, depois o fim da frase, depois um espaço, para não partir palavra. Nos 12 mil caracteres, a estimativa é de 4, 3 e 3 blocos.

2. Gerar com teto de tempo: dois blocos ao mesmo tempo, com limite de 3 minutos por chamada. Sem esse limite, uma conexão pendurada travava o trabalho para sempre.

3. Repetir o que falha: nova tentativa depois de 2, 5 e 12 segundos. Isso resolve a maioria dos picos de lentidão sem refazer a narração inteira.

4. Juntar e normalizar: os blocos viram um áudio só, com o pico ajustado em -6 dB e 50 milissegundos de entrada e saída suaves nas pontas.

5. Converter: MP3 de 128 kbps; se a conversão falhar, sai WAV. O volume mais alto e o MP3 de 96 kbps de antes deixavam um efeito metálico nos sons de S.

Antes de gastar, um modal mostra o custo em cada motor, em dólar e em reais, os blocos e o tempo estimado, calculados sobre o texto salvo. Pelos trabalhos medidos em setembro, 12 mil caracteres ficam prontos em cerca de 80 segundos no Gemini, 50 na OpenAI e 160 a 240 no Grok.

O tamanho do bloco tem história. No Grok, um bloco de 14 mil caracteres devolvia 20 minutos de áudio em 158 segundos, perto demais do limite de 180. Uma lentidão de rede derrubava o trabalho depois de vários minutos. Com 5 mil, a chamada cai para 62 segundos, e a conta em dinheiro não muda, porque a xAI cobra por caractere.

O erro mais caro foi outro. Até setembro, um trabalho com mais de 5 minutos era tratado como travado, mesmo avançando. O sistema abortava, e os blocos já enviados eram cobrados sem áudio nenhum. Hoje só conta como travado o que passa 15 minutos sem progresso.

Voz com IA cobra pelo que você enviou, não pelo arquivo que chegou inteiro.

E a qualidade? Não fiz teste cego, então não vou dar nota. O que existe é configuração: a voz padrão do código é Charon no Gemini, Onyx na OpenAI e Leo no Grok. A Charon entrou no lugar da Zephyr por causa de uma reclamação de "efeito túnel". Isso é preferência minha, não ranking, e o guia da OpenAI avisa que as vozes dela foram ajustadas principalmente para inglês. Ouça a sua amostra antes de decidir.

Clonar voz, golpe e uso comercial

Gerar voz sintética é barato; usar a voz de outra pessoa é outro assunto. A Constituição protege a reprodução da voz humana, e os fornecedores cobram consentimento: a ElevenLabs exige autorização explícita e informada para voz de pessoa viva, e OpenAI e Google pedem gravação de consentimento para voz personalizada.

O texto legal está no art. 5º, XXVIII, "a", da Constituição, que fala em "reprodução da imagem e voz humanas". O art. 20 do Código Civil permite proibir o uso não autorizado da palavra ou da imagem de alguém quando atinge a honra ou tem fim comercial, com indenização. Não é parecer: em caso concreto, fale com advogado.

Atenção a um detalhe. A documentação da xAI fala em clonar "qualquer voz" a partir de um trecho curto, e a página técnica não traz regra de consentimento. Isso não é licença: a política de uso publicada em x.ai proíbe se passar por pessoa real para enganar, e a lei brasileira continua valendo.

A mesma tecnologia alimenta o crime. Se alguém ligar com a voz da sua filha pedindo Pix, o caminho está no meu post sobre o golpe da voz clonada e os primeiros 60 minutos. Para conferir uma gravação suspeita, vale o que escrevi sobre como identificar deepfake de voz e sobre o detector SynthID do Google.

No uso comercial, as regras mudam por fornecedor:

• ElevenLabs: a ajuda oficial diz que o plano grátis não tem licença comercial e exige "elevenlabs.io" ou "11.ai" no título, mesmo em uso não comercial. Todo plano pago inclui licença, fora os recursos em beta.

• OpenAI: as políticas exigem avisar com clareza quem ouve que a voz é gerada por IA.

• Google: os termos da API dizem que o Google não reivindica a propriedade do conteúdo gerado, e o uso da API é voltado a desenvolvedores.

• Grok: os termos empresariais da empresa dizem que o conteúdo do cliente não treina os modelos, com ressalvas. Leia a versão do seu contrato antes de vender áudio.

O caminho inverso: áudio em texto grátis

O caminho inverso não precisa de API paga. A ferramenta de transcrição do site roda o Whisper no seu navegador, de graça, sem enviar o arquivo a um servidor. Funciona em português e gera legenda SRT e VTT, para áudio do WhatsApp, reunião, aula, entrevista e vídeo.

O passo a passo e os limites de precisão estão no post sobre transcrever áudio em texto de graça. Se o seu arquivo é um vídeo, o conversor de vídeo e áudio extrai a trilha no navegador, como mostro em converter vídeo em MP3 sem instalar nada. Para transcrever em volume dentro de um sistema, escrevi sobre o Gemini 3.5 Transcribe e o preço dele.

A virada prática é esta: voz com IA virou centavos por texto, e o custo que sobra é de engenharia. Fatiar, repetir, medir e manter a tabela em dia dá mais trabalho que a própria chamada. É assim nos meus posts e nos tutoriais em vídeo do sistema de escalas, que também são narrados com voz de IA. Se você quer pôr narração no seu site ou no seu sistema sem pagar por blocos perdidos, é o tipo de integração que trato na consultoria técnica.

Perguntas frequentes

Quanto custa narrar um texto com voz de IA?

Um texto de 12 mil caracteres, cerca de 14 minutos de áudio, custa de US$ 0,13 a US$ 0,96 no modo padrão da API, ou de R$ 0,71 a R$ 5,26 na PTAX de 04/11/2026, sem IOF. O preço depende do modelo e muda com frequência: o Gemini 3.8 dobra em 1º de janeiro de 2027.

Qual a voz de IA mais barata em português?

Entre os modelos desta conta, o Gemini 3.8 Flash-Lite TTS, a US$ 0,13 no modo normal e cerca de US$ 0,065 no Batch, até 31 de dezembro de 2026. A página do Google lista o português, mas não cita variante brasileira, então ouça uma amostra. Mais barato não quer dizer melhor: não fiz teste de qualidade.

Dá para gerar voz com IA de graça?

Dá. O nível gratuito da API do Google cobre os modelos TTS 3.8 e 2.5, mas o que você envia pode ser usado para melhorar os produtos do Google. O plano grátis da ElevenLabs dá 10 mil créditos por mês, cerca de 10 minutos, sem licença comercial e com atribuição obrigatória.

Quantos minutos de áudio dá um texto de 1.800 palavras?

Cerca de 14 minutos, contando 12 mil caracteres e o ritmo de 14 caracteres por segundo medido nos áudios do meu blog, com variação de 13,3 a 14,1 entre os três motores. Essa medida é só minha; outra voz ou outro estilo de fala pode mudar a duração, e os motores que cobram por áudio mudam junto.

Posso usar voz de IA em vídeo ou anúncio comercial?

Em geral, sim, com as regras de cada fornecedor. Na ElevenLabs, só em plano pago. Na OpenAI, as políticas exigem avisar quem ouve que a voz é gerada por IA. Em qualquer um, a voz de uma pessoa real pede autorização dela. Para contrato ou campanha grande, confirme com advogado.

Clonar a voz de outra pessoa é proibido?

Sem autorização, você entra em área de risco. A Constituição protege a reprodução da voz humana, o Código Civil permite proibir uso não autorizado com fim comercial e os fornecedores restringem a prática em suas políticas. Usar voz clonada para enganar alguém é golpe. Em caso concreto, fale com advogado.