como fazer voz de ia em português soar natural: guia de roteiro e ajustes

a voz de ia em português soa robótica, na maioria dos casos, por causa do texto que entra e não do modelo que fala. número escrito de qualquer jeito, frase longa sem respiro, sigla e nome de marca sem pronúncia definida: é isso que denuncia a máquina. este guia mostra o que ajustar no roteiro e nas configurações, com base na documentação oficial da elevenlabs e do google cloud, conferida em 28/10/2026.

por que a voz de ia soa robótica em português?

três causas aparecem o tempo todo em roteiro de reel:

• frase escrita pra ler, não pra falar. período longo, com vírgulas demais, vira uma fala sem fôlego.
• número, moeda e data sem normalização. a própria elevenlabs avisa que, mesmo com a normalização ligada por padrão, modelos menores podem ler números, moeda, telefone e datas de forma errada. o exemplo da documentação: o multilingual v2 lê "$1,000,000" como "one million dollars", enquanto o flash v2.5 pode dizer "one thousand thousand dollars".
• pronúncia sem definição. sigla, nome de produto e termo em inglês saem com a leitura que o modelo achar mais provável.

a boa notícia é que as três têm solução no texto, sem trocar de ferramenta.

como escrever o roteiro pra voz de ia?

regras que funcionam em qualquer motor de voz:

1. uma ideia por frase, com até uns 15 a 20 palavras. se você perde o fôlego lendo em voz alta, a voz também perde.
2. escreva o número por extenso quando ele for importante: "mil e quinhentos reais" em vez de "R$ 1.500". é o jeito mais seguro, e evita depender da normalização do modelo.
3. troque sigla por como ela é falada. "cê-pê-eme" ou "ci-pi-em", conforme a fala do personagem, em vez de "CPM".
4. leia o texto em voz alta antes de gerar. onde você tropeçar, a voz vai tropeçar.
5. gíria e contração são bem-vindas, se combinam com a persona. "pra", "tá" e "né" soam mais humanos que o texto formal.

como controlar pausas e entonação no elevenlabs?

a regra depende do modelo. segundo o guia oficial de boas práticas:

• no eleven v4 e no v3, as tags de pausa em ssml (<break>) não são suportadas. a pausa vem da pontuação e da estrutura do texto. reticências "adicionam pausa e peso", e letra maiúscula aumenta a ênfase no v4.
• nos outros modelos, a tag <break time="x.xs" /> cria pausas de até 3 segundos. a documentação alerta que usar tag demais numa geração pode causar instabilidade.
• travessão e reticências também servem de pausa curta, mas são menos consistentes que as tags.
• a velocidade vai de 0,7 a 1,2, com padrão 1,0. valores extremos podem piorar a qualidade, então mexa pouco.
• tags de emoção no texto dão direção mais previsível, mas o modelo pode falar a tag em voz alta. confira o áudio e limpe se acontecer.

para saber o que mudou no modelo mais novo, veja o post sobre o eleven v4.

como corrigir a pronúncia de marca, sigla e nome próprio?

cada modelo aceita um mecanismo diferente, de acordo com a mesma documentação:

o dicionário de pronúncia é a opção mais prática pra quem produz em série: você define a palavra uma vez e ela vale para todas as gerações. um detalhe da documentação: a busca no dicionário diferencia maiúscula de minúscula, e só a primeira correspondência é usada.

no google cloud text-to-speech, o equivalente é o ssml. segundo a documentação oficial, a tag <say-as> define como o texto é lido (cardinal, ordinal, data, telefone, letra por letra), <sub> troca o texto por um apelido de pronúncia, <phoneme> aceita ipa e x-sampa, e <break> aceita pausa em segundos ou milissegundos. o <prosody> ajusta tom, velocidade e volume.

qual modelo de voz escolher pro seu influencer de ia?

a escolha depende do uso. pela página de modelos da elevenlabs, todos os modelos abaixo listam português:

pra reel gravado, latência não importa: priorize naturalidade. o flash serve quando o personagem conversa em tempo real.

sobre custo, a página de preços da elevenlabs mostra o plano grátis com 10.000 créditos por mês (cerca de 10 minutos) e licença comercial listada a partir do plano starter. a própria página mostra valores promocionais que mudam, então confira o preço do dia antes de assinar. se o perfil monetiza, leia a licença do plano antes de publicar.

como testar antes de travar a voz do personagem?

repita o método do teste de 5 planos, adaptado pra voz:

1. separe 5 trechos: gancho, explicação, publi com nome de produto, fala com número e fala com gíria.
2. gere cada um com a mesma voz em dois modelos ou dois ajustes.
3. ouça no celular, com volume baixo, como o público ouve.
4. anote onde a voz errou: número, sigla, pausa ou entonação.
5. corrija no texto primeiro, nos ajustes depois, e só então troque de modelo.

depois de aprovar o áudio, aplique o lip sync. se trocar o áudio, regere o vídeo. o passo a passo está no guia de voz e lipsync.

pra testar sem montar pipeline, crie seu primeiro vídeo grátis na viral, sem cartão, e ouça a voz do seu personagem num reel de verdade.

como começar

• escolha 3 roteiros que você já usa e reescreva com frases curtas e números por extenso.
• monte uma lista de 10 palavras que a voz erra (marcas, siglas, termos em inglês) e crie o dicionário de pronúncia.
• teste um trecho em dois modelos e compare no celular.
• registre o id da voz, o modelo e os ajustes, para não misturar versões no mesmo perfil.
• declare o conteúdo de ia conforme as regras de cada rede.

quer ter rosto, voz e vídeo do seu influencer de ia no mesmo lugar? crie seu primeiro vídeo grátis na viral, sem cartão.

perguntas frequentes

por que a voz de ia lê número errado? porque a normalização do modelo nem sempre acerta moeda, data e telefone. escreva o número por extenso no roteiro e ouça o resultado antes de publicar.

dá pra usar pausa em ssml no eleven v4? não. segundo a documentação da elevenlabs, o v4 e o v3 não suportam as tags de pausa. use pontuação, reticências e estrutura do texto.

qual a velocidade ideal da fala? o padrão é 1,0, e o ajuste vai de 0,7 a 1,2. a elevenlabs avisa que valores extremos podem piorar a qualidade, então varie pouco.

o google cloud text-to-speech serve pra isso também? serve como alternativa. o ssml dele permite controlar leitura de número, pausa, pronúncia e ritmo. teste a qualidade da voz em português com os seus roteiros antes de decidir.

preciso avisar que a voz é de ia? sim, siga a regra de rotulagem de cada rede, que muda com o tempo. veja o post sobre rotulagem linkado acima.

fontes

• elevenlabs, boas práticas de text to speech, conferido em 28/10/2026
• elevenlabs, modelos, conferido em 28/10/2026
• elevenlabs, preços, conferido em 28/10/2026
• google cloud, referência de ssml do text-to-speech, conferido em 28/10/2026