Transformar texto em fala
Use esta ação quando tiver um texto e quiser um arquivo de áudio com ele falado, salvo no armazenamento da sua empresa.
No editor
No seletor de ações, fica em IA e voz, como "Cria um arquivo de áudio a partir de um texto". No fluxo, a etapa aparece assim: Ler Etapa 3 · text em voz alta, em MP3, ou, com uma voz escolhida, Ler Etapa 3 · text em voz alta com a voz Voz do suporte, em MP3.
Em O que ela faz:
- Título desta etapa (aparece nos logs), no cabeçalho da etapa: opcional.
- Texto a falar: como Texto ou Expressão. Inserir dado traz valores do fluxo, como o texto de uma etapa anterior. No máximo 4.096 caracteres, cerca de cinco minutos de fala: um texto maior, ou um vazio, faz a etapa falhar.
- Voz: um perfil de voz, escolhido em uma lista. Em branco, vale o perfil de voz padrão da empresa, e a voz do próprio AutoTalk quando não há nenhum.
- Formato: Áudio MP3 ou Áudio Opus (OGG).
O áudio fica pronto quando esta etapa termina: as etapas seguintes o recebem como um arquivo, que uma etapa de mensagem pode enviar.
As etapas seguintes podem ler:
file: O arquivo de áudio, para uma etapa de mensagem ou para "Inspecionar mídia".bucket: O bucket em que o arquivo de áudio está.fullPath: O caminho do arquivo de áudio no bucket.size: O tamanho do arquivo de áudio, em bytes.contentType: O tipo de conteúdo: audio/mpeg para MP3, audio/ogg para Opus.format: O formato que foi gerado: mp3 ou opus.cache: "hit" quando um áudio feito antes foi reaproveitado (nenhum provedor foi chamado e nenhum tempo de fala foi contado); senão, "miss". O arquivo é salvo de qualquer forma.- Contado em (
billedMeter): Em que a fala foi contada: tts_ms (provedor do AutoTalk, cobrado), audio_ms_byok (o seu próprio provedor, não cobrado) ou vazio quando um áudio anterior foi reaproveitado. Leia antes de confiar nos milissegundos cobrados. billedMs: Os milissegundos contados; 0 quando um áudio anterior foi reaproveitado. Só são cobrados quando o medidor é tts_ms: com o seu próprio provedor, é uma estimativa e não é cobrada.- Passou: Sim quando esta etapa não falhou.
Toda etapa também tem Esta etapa roda, Se esta etapa falhar, a execução, Editar como campos, Ver como JSON e Concluir: veja O editor de etapas.
Nome anterior: Sintetizar fala.
Melhor para
- Falar uma confirmação de pedido, um lembrete de agendamento ou um prompt de URA
- Produzir um áudio para enviar de volta por um canal
- Transformar o texto que uma etapa anterior produziu em um arquivo de áudio que você pode anexar ou guardar
Use outra coisa quando
| Você quer | Use |
|---|---|
| Uma transcrição da fala, e não fala a partir de texto | Transcrever áudio — ela vai no sentido oposto |
| Reconverter um áudio que você já tem | Converter mídia — esta ação só cria áudio novo a partir de texto |
| Falar um texto vindo de um LLM ou de um campo de texto formatado | Preparar texto para fala primeiro, depois esta ação |
Campos principais
Os campos da própria etapa, em Editar como campos e na API e no MCP:
| Campo | O que faz |
|---|---|
| Texto | O texto a falar, com no máximo 4096 caracteres. Normalmente workflow.step(N).text de uma etapa anterior |
| Perfil de voz | Qual voz usar. Deixe vazio para usar o padrão da sua empresa |
| Formatar | mp3 (o padrão) ou opus |
| Finalidade | Rótulo opcional para o que esta etapa faz, exibido nos logs |
Apenas Texto aceita uma expressão CEL. Perfil de voz, Formato e Finalidade são campos literais. Omita o perfil para usar o padrão da empresa e omita Formato para usar mp3. Um identificador de perfil malformado ou formato não suportado é rejeitado; CEL nesses campos não é avaliado. Selecione valores válidos nos controles.
O áudio já está pronto quando a etapa termina
Diferente de Transcrever áudio e Converter mídia, esta ação não enfileira um trabalho. Ela sintetiza o áudio na hora, então não há nada para acompanhar nem esperar.
Quando a etapa seguinte roda, workflow.step(N).file já aponta para um objeto de áudio que realmente existe. Você pode anexá-lo, guardá-lo ou passá-lo direto para outra etapa de mídia na mesma execução.
O que as etapas seguintes podem usar
| Valor | O que é |
|---|---|
workflow.step(N).file | A referência {bucket, fullPath} que toda ação de mídia produz. Envie-a para anexos de Enviar mensagem a um contato, para um campo de arquivo ou para Inspecionar mídia |
workflow.step(N).bucket | O bucket de armazenamento onde o áudio foi gravado |
workflow.step(N).fullPath | O caminho completo do objeto de áudio |
workflow.step(N).size | O tamanho do áudio em bytes |
workflow.step(N).contentType | audio/mpeg para mp3, audio/ogg para opus |
workflow.step(N).format | O formato que foi realmente usado |
workflow.step(N).cache | hit quando uma requisição idêntica recente foi reaproveitada, caso contrário miss |
workflow.step(N).billedMeter | tts_ms quando a síntese foi cobrada, audio_ms_byok quando ela rodou na sua própria chave de provedor e não foi cobrada, ou vazio em um hit de cache |
workflow.step(N).billedMs | Os milissegundos registrados em billedMeter, e 0 em um hit de cache |
Leia o resultado com workflow.step(N).billedMs, não com workflow.step(N).status — status é reservado para códigos de status HTTP, e esta ação deliberadamente nunca o escreve. Use workflow.stepOk(N) para testar se a etapa deu certo.
Vozes
Um perfil de voz guarda a voz, o provedor e as configurações usadas para falar o seu texto. Os perfis ficam na aba Perfis do Estúdio de Voz, onde o proprietário da empresa os cria e edita, e um deles pode ser marcado como padrão.
Esta ação escolhe a voz nesta ordem:
- O Perfil de voz que você indicou na etapa
- O perfil padrão da sua empresa
- A voz da plataforma já embutida, para que a síntese funcione antes de você configurar qualquer coisa
Uma voz fixada em um canal não é usada aqui. Essa fixação vale apenas dentro do aplicativo, onde uma conversa identifica o seu canal. Um workflow não tem conversa para resolver, então, se você quiser uma voz específica, indique o perfil na etapa.
Limites
| Limite | Valor |
|---|---|
| Tamanho do texto | 4096 caracteres, cerca de 700 palavras ou cinco minutos de fala |
| Requisições de fala | 60 por minuto, por empresa |
Textos maiores são rejeitados, não divididos. Não existe divisão automática no servidor nem junção de áudios, então um texto acima do limite falha em vez de produzir um arquivo parcial. Se precisar de mais, divida o texto em várias etapas e aceite um arquivo de áudio por etapa.
O teto de 60 por minuto é compartilhado com o modo de voz do aplicativo e com Preparar texto para fala, então um par preparar-e-falar custa duas dessas requisições por execução. Um laço apertado de síntese pode consumir a franquia e interromper quem estiver usando voz no aplicativo ao mesmo tempo — controle o ritmo do workflow se ele sintetizar em massa.
Custo
A síntese é descontada do uso de áudio do seu plano, com base no tamanho do texto e não na duração do áudio final. Na voz padrão da OpenAI, cujo preço no provedor acompanha o áudio, uma velocidade abaixo de 1 conta pelo áudio mais longo que ela produz. As vozes variam bastante de preço: algumas custam várias vezes mais por minuto do que outras, então o perfil de voz que você escolhe altera a conta. Na chave do AutoTalk, a síntese custa pelo menos 2× o preço publicado pelo provedor.
Perfis que usam a sua própria chave de provedor são registrados, mas não cobrados pelo AutoTalk — o seu provedor cobra você diretamente. Confira workflow.step(N).billedMeter antes de ler workflow.step(N).billedMs: na sua própria chave, esse número é uma estimativa para o seu controle, não uma cobrança.
Falar o mesmo texto de novo pouco tempo depois costuma ser gratuito. Repetir um texto idêntico com a mesma voz e formato dentro de cerca de dez minutos reaproveita o áudio anterior, não faz chamada ao provedor e reporta cache: hit com billedMs: 0. Isso é um reaproveitamento de melhor esforço, não uma garantia — um período de pico ou uma reinicialização podem transformá-lo de volta em uma chamada normal e cobrada. Áudio produzido na sua própria chave de provedor nunca é reaproveitado assim.
Um hit de cache ainda grava um arquivo novo. Toda chamada guarda o seu próprio objeto de áudio, então um workflow que fala o mesmo texto em um laço continua aumentando o seu uso de armazenamento mesmo quando a síntese em si não custa nada.
Quando falha
| Código | O que aconteceu |
|---|---|
speech_missing_text | A expressão de Texto não resolveu para nada |
speech_text_too_long | O texto passa de 4096 caracteres. Divida-o em várias etapas |
speech_format_invalid | Formatar está com algo diferente de mp3 ou opus |
voice_profile_not_found | O perfil indicado na etapa não existe |
voice_profile_id_invalid | Perfil de voz não contém uma referência de perfil válida — muitas vezes uma expressão que não foi avaliada |
limits_reached | A franquia de áudio do seu plano acabou neste mês |
rate_limit_error | Mais de 60 requisições de fala no mesmo minuto. Vale tentar de novo em instantes |
storage_quota_exceeded | O áudio foi produzido, mas o seu armazenamento está cheio e ele não pôde ser salvo |
speech_synthesis_failed | O provedor de voz não pôde ser alcançado ou recusou a requisição. Vale tentar de novo |
storage_quota_exceeded é o que merece atenção: o áudio foi sintetizado e contabilizado antes da tentativa de gravação, então o uso foi gasto mesmo sem nenhum arquivo ter chegado. Libere espaço no armazenamento antes de tentar de novo.
Em outros lugares
A mesma capacidade está disponível fora dos workflows como a ferramenta MCP synthesize_speech e como POST /v1/speech na API. As três produzem o mesmo áudio e os mesmos campos; muda apenas onde o arquivo é guardado.