--- title: "como fazer voz de ia em português soar natural: guia de roteiro e ajustes" description: "o que deixa a voz de ia robótica quase sempre está no texto, não no modelo. veja como escrever o roteiro, controlar pausa, número e pronúncia no elevenlabs e no google cloud, e como testar antes de travar a voz do seu personagem." source_url: https://viral.doti.gg/blog/como-fazer-voz-de-ia-em-portugues-soar-natural-guia-de-roteiro-e-ajustes content_type: article author: "viral" date: 2026-10-28 site: viral language: pt-BR --- # como fazer voz de ia em português soar natural: guia de roteiro e ajustes publicado em: 2026-10-28 autor: viral categoria: automação de conteúdo 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](https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices). o exemplo da documentação: o multilingual v2 lê "$1,000,000" como "one million dollars", enquanto o flash v2.5 pode dizer "one thousand thousand dollars". - **pronúncia sem definição.** sigla, nome de produto e termo em inglês saem com a leitura que o modelo achar mais provável. a boa notícia é que as três têm solução no texto, sem trocar de ferramenta. ![blocos geométricos verde neon se transformando em onda de áudio fluida, representando roteiro virando fala natural](/api/blog/media/227/633c7a1652ec4bdbbe425022dba2eb75.jpg) ## como escrever o roteiro pra voz de ia? regras que funcionam em qualquer motor de voz: 1. **uma ideia por frase**, com até uns 15 a 20 palavras. se você perde o fôlego lendo em voz alta, a voz também perde. 2. **escreva o número por extenso** quando ele for importante: "mil e quinhentos reais" em vez de "R$ 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](https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices): - no **eleven v4 e no v3**, as tags de pausa em ssml (``) 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 `` 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](/blog/eleven-v4-da-elevenlabs-em-2026-o-que-muda-na-voz-do-seu-influencer-de-ia). ## como corrigir a pronúncia de marca, sigla e nome próprio? cada modelo aceita um mecanismo diferente, de acordo com a mesma documentação: | situação | o que fazer | |---|---| | eleven v4 | colocar o ipa entre barras, com marca de tônica, e testar com a sua voz, porque o resultado varia | | modelos que aceitam phoneme tag | usar a tag em palavras individuais; a elevenlabs recomenda o alfabeto cmu arpabet | | modelos sem phoneme tag | reescrever a palavra do jeito que se fala, ou usar um dicionário de pronúncia | 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](https://docs.cloud.google.com/text-to-speech/docs/ssml), a tag `` define como o texto é lido (cardinal, ordinal, data, telefone, letra por letra), `` troca o texto por um apelido de pronúncia, `` aceita ipa e x-sampa, e `` aceita pausa em segundos ou milissegundos. o `` 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](https://elevenlabs.io/docs/overview/models), todos os modelos abaixo listam português: | modelo | idiomas | limite por geração | quando usar | |---|---|---|---| | eleven v4 | mais de 90 | 10.000 caracteres | narração com emoção, personagem | | eleven v3 | mais de 70 | 5.000 caracteres | fala expressiva, diálogo | | multilingual v2 | 29 | 10.000 caracteres | conteúdo profissional, cursos | | flash v2.5 | 32 | 40.000 caracteres | agentes de voz e volume alto, com cerca de 75 ms de latência | 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](https://elevenlabs.io/pricing) 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](/blog/como-testar-modelo-de-video-de-ia-antes-de-migrar-em-2026-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](/blog/como-dar-voz-ao-seu-influencer-de-ia-em-2026-clonagem-e-lipsync). pra testar sem montar pipeline, [crie seu primeiro vídeo grátis na viral](https://viral.doti.gg/signup), 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](/blog/como-rotular-conteudo-de-ia-em-2026-regras-do-instagram-tiktok-e-youtube). quer ter rosto, voz e vídeo do seu influencer de ia no mesmo lugar? [crie seu primeiro vídeo grátis na viral](https://viral.doti.gg/signup), 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](https://elevenlabs.io/docs/overview/capabilities/text-to-speech/best-practices), conferido em 28/10/2026 - elevenlabs, [modelos](https://elevenlabs.io/docs/overview/models), conferido em 28/10/2026 - elevenlabs, [preços](https://elevenlabs.io/pricing), conferido em 28/10/2026 - google cloud, [referência de ssml do text-to-speech](https://docs.cloud.google.com/text-to-speech/docs/ssml), conferido em 28/10/2026 --- fonte: https://viral.doti.gg/blog/como-fazer-voz-de-ia-em-portugues-soar-natural-guia-de-roteiro-e-ajustes versão html da mesma página, com o restante do site em https://viral.doti.gg/llms.txt.