APIs de texto para voz sem censura com roteiros NSFW: qual escolher

Você está criando um audiolivro, uma voz de companhia ou falas de jogo para adultos? Esta página mostra quais dos nove modelos de texto para voz sem censura da SpicyAPI leem seu roteiro como foi escrito, interpretam respirações e gemidos, e quanto custa um minuto de áudio pronto, com base nos nossos testes de setembro de 2026.

Resumindo: os nove leram os roteiros explícitos de teste por inteiro, sem recusas, clipes interrompidos ou palavras suavizadas. A escolha depende das indicações de interpretação, vozes, suporte a dois falantes e clonagem, e unidade de cobrança. Comece com Gemini 3.8 Flash TTS para interpretar indicações entre colchetes, com Gemini 3.8 Flash-Lite TTS ou Grok TTS para o menor preço por minuto pronto, cerca de $0,013 e $0,015, e com Chatterbox apenas para imitar uma voz que você tem autorização para usar.

A comparação

Gemini 2.5 Pro TTS custa 10% menos que o preço de tabela do Google. O Google lista mais de 130 idiomas para Flash e mais de 100 para Flash-Lite na documentação de geração de fala. Gemini e Chatterbox produzem WAV mono de 24 kHz, os demais MP3 por padrão. A SpicyAPI não adiciona filtro de conteúdo próprio, e solicitações que falham não são cobradas.

Como obter gemidos, respirações e sussurros de cada modelo

Em um roteiro cheio de indicações, Gemini 2.5 Pro, Gemini 3.8 Flash, Grok e MiniMax interpretam as tags sem pronunciá-las na maioria das tomadas. Gemini 3.8 Flash-Lite às vezes lê as palavras das tags e Chatterbox sempre faz isso; nesses, escreva os sons como palavras.

A forma de escrever o som depende do modelo:

• Gemini 2.5 Pro e 3.8 Flash: coloque [whispering], [sighs] ou [laughing] imediatamente antes das palavras que devem modificar. Ritmo, sotaque e clima ficam nos campos separados, que não são falados.
• Gemini 3.8 Flash-Lite: evite colchetes no roteiro. Escreva o som como palavra ("Mmm…", "ahh…", "ha…") e o clima em instructions. Se a interpretação das indicações for importante, use Flash.
• Grok TTS: use tags no texto, como [pause], [laugh] e tags de respiração, e tags como <whisper>…</whisper> em torno de frases inteiras. O guia de tags de fala da xAI diz que tags combinadas com pontuação soam mais naturais que tags empilhadas.
• MiniMax Speech 2.8: coloque tags entre parênteses, como (breath), (pant) ou (gasps), onde o som deve acontecer. Escolha um valor de emotion por solicitação e divida a cena se o clima mudar.
• Chatterbox: as tags são lidas em voz alta. Escreva o som como palavra e aumente exaggeration para falas dramáticas; reduza guidance_scale se a leitura estiver apressada.
• Seed Speech 2.0 e Qwen3 TTS: sem tags. Descreva a interpretação em instructions ("breathless, close to the microphone") e escreva os sons como palavras.

Qual modelo para cada tarefa

Indicações interpretadas, com direção precisa. Gemini 3.8 Flash TTS e Gemini 2.5 Pro TTS compartilham os campos e interpretam indicações entre colchetes. Flash custa menos por segundo e documenta 130+ idiomas. Escolha outro modelo se precisar de referência de voz ou de uma solicitação única longa. Configurações: fluxo de narração, teste do 2.5 Pro.

Narração simples pelo menor preço. Gemini 3.8 Flash-Lite TTS e Grok TTS. Lite cobra pelo áudio retornado, então uma leitura lenta custa mais. Grok cobra pelos caracteres do roteiro e aceita um capítulo inteiro em uma solicitação. Grok usa um único falante; mantenha Lite para narração simples de dois falantes com os campos dialogue e speakers.

Muitas vozes e controle emocional. MiniMax Speech 2.8. Turbo custa 40% menos que HD, então tente primeiro; veja HD versus Turbo. Se precisar de referência de voz, escolha outro modelo: nenhum dos dois aceita.

Personagens multilíngues ou que falam chinês. Seed Speech 2.0 aceita instructions em linguagem natural (fluxo de diálogo). Qwen3 TTS acrescenta vozes nos dialetos de Pequim e Sichuan, mas limita o texto a 2.000 caracteres (guia de falantes).

Uma voz fornecida por você. Chatterbox aceita um clipe opcional de referência MP3 ou WAV e a leitura adota seu timbre; alguns segundos de uma única voz limpa funcionam melhor. Use apenas vozes que você tem direito de usar. Veja o guia de referência de voz. Só funciona em inglês; para outros idiomas, escolha outro modelo. A API do Google lista replicação de voz para Gemini 3.8, mas as tarefas da SpicyAPI não expõem campo de referência.

Quanto custa

As unidades de cobrança diferem, então comparamos um parágrafo de ~270 caracteres e um capítulo de aproximadamente dez minutos.

Os valores de dez minutos são ajustados ao ritmo de cada modelo: uma leitura mais lenta custa mais nos Gemini cobrados por segundo. Seed, Qwen3, Grok e MiniMax cobram pelo roteiro enviado, incluindo tags, então o valor estimado antes da execução é o preço final. Chatterbox custa $0,036 independentemente da duração do clipe abaixo de 1.000 caracteres.

Limites comuns aos nove

Todos são assíncronos (enviar, consultar, baixar), adequados para audiolivros, falas de jogo e mensagens de voz em vez de chamadas ao vivo. Uma solicitação retorna um arquivo sem marcações de tempo por palavra, mantido por 14 dias. Duas vozes em uma solicitação (até 20 linhas de 250 caracteres) funcionam apenas nos Gemini; nos outros, gere cada falante separadamente e junte os arquivos. Limite os roteiros a personagens adultos fictícios; os deveres legais sobre o que você publica continuam sendo seus.

Os três sistemas de cobrança funcionam de formas diferentes. Gemini cobra por segundo de áudio retornado, então reserva durante a tarefa um valor para um clipe longo (cerca de $0,21 no Flash, $0,30 no 2.5 Pro) e reduz a reserva ao valor real após medir o áudio. Grok, MiniMax, Seed e Qwen3 cobram pelos caracteres do roteiro, portanto o valor mostrado antes da execução é o preço final. Chatterbox cobra um valor fixo por solicitação.

Experimente primeiro no Playground

1. Abra a página do Gemini 3.8 Flash TTS e fique na aba Playground, visualização Form. Entre com uma conta com saldo para executar.
2. Cole o roteiro em Text ou pressione Sample script. Coloque indicações entre colchetes, como [whispers] ou [sighs], logo antes das palavras que devem modificar.
3. Escolha uma Voice (Kore é o padrão) e, se quiser, Style, Pace ou Accent. Delivery instructions e Scene moldam a leitura e nunca são pronunciados.
4. Execute o modelo, reproduza Preview e pressione Download para guardar o arquivo.

No Grok TTS, as etapas são as mesmas, com Voice, Language e Speed, e tags como <whisper>…</whisper> escritas em Text. Altere um campo por nova tentativa.

Depois execute pelo código

Instale o Python SDK (pip install spicyapi), defina SPICY_API_KEY no ambiente e execute:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="google/gemini-3.8-flash-tts/text-to-speech",
    input_data={
        "text": "[whispering] You made it. I was starting to think you had changed your mind. [sighs] Stay a little longer.",
        "voice_id": "Kore",
        "instructions": "Quiet and warm, speaking to one adult listener.",
    },
    idempotency_key=str(uuid.uuid4()),
)

print("Resume task:", task["taskId"], flush=True)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(a.get("pending") or a.get("unavailable") or not a.get("url") for a in assets):
    raise RuntimeError(f"Task {task['taskId']} has no ready output; check this task before a new run")
print(assets[0]["url"])  # copy the audio to your own storage now

Para usar Grok TTS, altere model para xai/grok-tts/text-to-speech e a entrada para {"text": "<whisper>You made it.</whisper> [pause] I was starting to think you had changed your mind. [sigh] Stay a little longer.", "voice_id": "eve", "language": "en"}. Criação, espera, download e novas tentativas estão no guia de tarefas e na referência do Python SDK.

Ou deixe um Agent executar

Quando um assistente deve dar voz aos seus roteiros, as três ferramentas oficiais mostram o preço e perguntam antes de uma chamada paga.

• CLI. Coloque o objeto input em input.json, depois:

``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``

Veja a documentação CLI; npx @spicyapi/cli funciona sem instalação.

• Servidor MCP. Adicione o servidor MCP ao assistente e peça: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Ele chama spicyapi_task_create, que para para confirmar o preço, depois spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill instala o Agent Skill, que faz o assistente de programação ler o esquema atual do modelo em vez de adivinhar os campos.

Perguntas frequentes

Algum desses modelos recusa ou suaviza roteiros explícitos?

Não. Os nove leram os roteiros explícitos de teste por inteiro.

Funciona com roteiros que não estão em inglês?

Sim, exceto Chatterbox, que só suporta inglês. Gemini Flash e Flash-Lite detectam 130+ e 100+ idiomas; MiniMax lista 40, Grok 20, Seed Speech e Qwen3 10 cada um.

Qual modelo interpreta indicações como [moaning] com mais confiabilidade?

Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS e MiniMax Speech 2.8 interpretam as tags como sons na maioria das tomadas. Gemini 3.8 Flash-Lite TTS às vezes lê a palavra da tag e Chatterbox sempre faz isso; nesses dois, escreva os sons como palavras.

Qual é o mais barato?

Por minuto pronto, Gemini 3.8 Flash-Lite TTS (cerca de $0,013) e Grok TTS (cerca de $0,015) são os mais baratos. As unidades de cobrança diferem: compare a tabela de custos acima, não apenas a tarifa anunciada.

Posso clonar uma voz ou usar duas vozes em um clipe?

Clonagem: só Chatterbox, com um clipe curto de referência que você tem direito de usar. Duas vozes em uma solicitação: só os três Gemini. Nos demais, gere cada falante separadamente e junte os arquivos.

Chatterbox vale a pena com uma voz integrada e só inglês?

Sim, se você quiser imitar uma voz autorizada ou ter uma voz inglesa expressiva pelo valor fixo de $0,036 por solicitação, independentemente da duração do clipe.

Resumindo: Flash para interpretar indicações, Flash-Lite ou Grok pelo preço, MiniMax pela variedade de vozes e Chatterbox para uma voz que você fornece.

Quer que um rosto fale o resultado? Veja o fluxo de sincronização labial. Para quem usa Grok: veja o fluxo de voz do Grok.