Narração com IA em português: qualidade, ritmo e custo por minuto

Voz sintética em português deixou de soar sintética. A diferença entre uma narração que ninguém questiona e uma que faz o ouvinte desligar em dez segundos está menos no modelo e mais em três ou quatro decisões de preparo do texto — que quase todo mundo pula.

O custo, para tirar da frente

É baixo o suficiente para não influenciar decisão nenhuma:

Preços de agosto de 2026, para uma GPU avulsa, sem interrupção programada. O catálogo muda: confira a vitrine antes de fechar a conta.

Modelos modernos de síntese geram mais rápido que o tempo real — costumam produzir de 8 a 15 segundos de áudio por segundo de GPU numa placa modesta. Não precisa de placa cara: 16 GB resolve com folga, e a maior parte do tempo é carregar o modelo, não sintetizar.

O que realmente decide a qualidade

1. Pontuação é a partitura

O modelo lê a pontuação como instrução de respiração e entonação. Texto escrito para ser lido com os olhos — frases longas, poucas vírgulas, subordinadas encadeadas — vira narração ofegante e monótona.

Antes de sintetizar, reescreva para o ouvido:

2. Quebre por frase, não por parágrafo

Modelos de síntese degradam em textos longos: a voz vai "derivando", o ritmo acelera, às vezes a entonação muda no meio. Sintetize frase a frase e junte os arquivos depois, com um silêncio curto entre eles.

Ganha três coisas: qualidade estável do início ao fim, possibilidade de refazer só a frase que saiu ruim, e controle explícito da pausa — que é o que dá naturalidade.

3. A referência de voz importa mais que o modelo

Em clonagem, a qualidade do resultado é quase inteiramente determinada pelo áudio de referência. O que funciona:

• 10 a 30 segundos limpos. Mais que isso raramente melhora.
• Sem música, sem eco, sem ruído de fundo. O modelo clona o ambiente junto com a voz.
• No mesmo tom da narração desejada. Referência animada gera narração animada; referência cansada, o oposto.
• Na mesma língua, sempre que possível. Referência em inglês narrando português deixa sotaque.

O script

import re, subprocess
from pathlib import Path

SAIDA = Path("trechos"); SAIDA.mkdir(exist_ok=True)

def dividir(texto):
    # quebra em frases, sem cortar abreviação comum
    bruto = re.split(r"(?<=[.!?])\s+", texto.strip())
    frases, buffer = [], ""
    for f in bruto:
        buffer = (buffer + " " + f).strip()
        if len(buffer) >= 40:          # frases curtas demais soam picotadas
            frases.append(buffer); buffer = ""
    if buffer:
        frases.append(buffer)
    return frases

texto = Path("roteiro.txt").read_text(encoding="utf-8")

for i, frase in enumerate(dividir(texto)):
    destino = SAIDA / f"{i:04d}.wav"
    if destino.exists():
        continue
    sintetizar(frase, referencia="voz_ref.wav",
               idioma="pt", saida=str(destino))
    print(f"[{i}] {frase[:60]}...")

# juntar com 300 ms de silêncio entre as frases
lista = sorted(SAIDA.glob("*.wav"))
with open("lista.txt", "w") as f:
    for w in lista:
        f.write(f"file '{w.resolve()}'\nfile 'silencio300.wav'\n")

subprocess.run(["ffmpeg", "-f", "concat", "-safe", "0",
                "-i", "lista.txt", "-c", "copy", "bruto.wav"], check=True)

# normalizar volume — passo que a maioria esquece
subprocess.run(["ffmpeg", "-i", "bruto.wav",
                "-af", "loudnorm=I=-16:TP=-1.5:LRA=11",
                "narracao.wav"], check=True)

A normalização de volume no fim é o que faz a narração soar profissional em qualquer aparelho. Sem ela, o áudio fica baixo no celular e estourado no fone — e a pessoa culpa a voz.

Ajustar o ritmo

Narração automática costuma sair 10 a 20% mais rápida que o confortável para conteúdo técnico. Duas correções, ambas baratas:

• Aumentar o silêncio entre frases de 300 para 450 ms em conteúdo denso, e para 700 ms entre parágrafos.
• Reduzir a velocidade global em 5 a 8% com um filtro de áudio, preservando o tom.

Faça primeiro o silêncio. Ele resolve a maior parte da sensação de pressa sem alterar a voz.

Onde a narração automática ainda não serve

• Peça publicitária de 30 segundos. É onde cada micro-entonação importa e onde um locutor humano ainda ganha claramente.
• Diálogo com emoção variando. Modelos mantêm um registro; mudança de emoção no meio soa artificial.
• Conteúdo com muita palavra estrangeira misturada. A troca de idioma no meio da frase é o ponto fraco mais visível.

Onde ela serve muito bem, e é o grosso da demanda: narração de curso e treinamento, audiodescrição de material interno, versão em áudio de artigo e documentação, voz de vídeo institucional, prototipagem antes de gravar com locutor.

Conclusão

O custo de narração com IA é irrelevante — menos de um real por hora de áudio. O que decide o resultado é o preparo: normalizar números e siglas, reescrever para o ouvido, quebrar por frase, cuidar da referência de voz e normalizar o volume no fim.

Faça um teste com um minuto antes de mandar o livro inteiro. E ouça no celular, com o fone que você usa de verdade — é onde o problema aparece.

Continue: XTTS em 1 clique · clonagem de voz · vídeo com IA