Modelos de voz: quais existem e quando usar cada um

A voz virou uma das fronteiras mais quentes da IA. Dá pra dividir o campo em dois tipos:

• TTS (text-to-speech): transforma texto em áudio. Ideal para narração, audiobooks, dublagem.
• Speech-to-speech em tempo real: conversa por voz com baixa latência — a base dos assistentes e agentes de voz.

Os principais players hoje:

• ElevenLabs — referência em expressividade e clonagem de voz, com catálogo enorme e suporte a dezenas de idiomas. Escolha quando a voz é o produto.
• OpenAI (Realtime API) — forte quando a voz é uma modalidade dentro de um app de IA: integra raciocínio + fala com chamada de ferramentas.
• Google e Azure — TTS maduro, muitos idiomas, ótimos para quem já vive nessas nuvens.
• Amazon Polly, Cartesia, Deepgram, Play.ht — alternativas fortes em latência, custo ou nichos específicos.

Como escolher: precisa de voz marcante e clonagem? ElevenLabs. Agente de voz conversacional integrado? OpenAI Realtime. Volume alto com custo previsível na sua nuvem? Google/Azure/Polly. Teste com o seu texto — benchmark de fornecedor engana.