Como converter texto em fala offline no seu computador
Texto para fala offline significa que a voz é gerada por um programa no seu próprio computador, e não por um serviço na web. Seu texto não sai da máquina, ninguém conta caracteres e, depois de tudo instalado, funciona sem internet.
Este guia mostra o caminho completo com o Supertonic 3, um modelo aberto de síntese de fala que roda em um processador comum, e as vozes do catálogo da SuperClonica: escolher uma voz, instalar o motor no Windows, macOS ou Linux, gerar o primeiro arquivo de áudio e lidar com textos longos.
O que você precisa para texto para fala offline
Um computador com Windows, macOS ou Linux já basta. O Supertonic 3 roda no processador e, segundo os autores, dispensa placa de vídeo. Uma GPU NVIDIA deixa a síntese mais rápida, mas é opcional.
- Git e Python 3.11 para o cliente padrão do Supertonic 3. O motor SuperClonica precisa do Python 3.10 ou mais recente.
- Cerca de 400 MB de disco para o modelo base, que você baixa uma vez só.
- Uma voz: um arquivo JSON com o perfil da voz.
- Internet apenas para a instalação. Depois disso, a fala é gerada offline.
Passo 1: escolha uma voz
O Supertonic 3 vem com algumas vozes prontas. Se você procura um som específico, como um narrador tranquilo, um personagem de jogo ou uma voz de conversa, dê uma olhada no catálogo: cada voz tem demos e uma descrição escrita pelo autor, e algumas são grátis.
Confira o idioma antes. O Supertonic 3 fala 31 idiomas, entre eles português, inglês, espanhol, francês, alemão, russo, japonês e coreano. Chinês ainda não é suportado.
Depois da compra, abra Minha biblioteca e baixe a voz em JSON. Arquivos de voz criados para o Supertonic 3 em outro lugar funcionam do mesmo jeito.
Passo 2: instale o Supertonic 3 no Windows, macOS ou Linux
O cliente padrão do Supertonic 3 já funciona hoje. Abra um terminal (no Windows, o PowerShell) e rode, na ordem, os comandos da nossa página Como funciona. Eles clonam o repositório supertonic do GitHub, criam nele um ambiente virtual do Python 3.11 (py -3.11 -m venv .venv no Windows, python3.11 -m venv .venv no macOS e no Linux), instalam o huggingface_hub, baixam o modelo supertone-oss-archive/supertonic-3 para a pasta assets com a ferramenta hf, instalam os pacotes de py/requirements.txt e entram na pasta py.
A página mostra os comandos exatos para Windows e para macOS e Linux, com um botão de copiar. Só o download do modelo demora um pouco, e ele acontece uma vez.
Passo 3: converta o texto em fala
Salve a voz baixada como voice.json na pasta supertonic/py. Em seguida, rode o example_onnx.py pelo ambiente virtual, passando a voz, o texto e o código do idioma: --voice-style "./voice.json" --text "Seu texto" --lang pt --n-test 1. O script grava um arquivo WAV na pasta results.
Para outro idioma, troque o texto e o código, por exemplo --lang en ou --lang es. O script também tem a opção --speed: o padrão é 1.05, e um valor maior faz a voz falar mais rápido.
Daqui em diante você não precisa de rede: pode desconectar e continuar convertendo texto em fala quanto quiser.
Mais rápido: o motor SuperClonica
O SuperClonica é o nosso motor baseado no Supertonic 3. Ele lê os mesmos arquivos JSON de voz sem conversão e, com as mesmas configurações, é em média 61% mais rápido no processador (medido em um Ryzen 7 5800X) e 73% mais rápido na placa de vídeo (RTX 5070 Ti). As pausas saem sem chiado e os finais de frase ficam mais limpos.
Os pacotes estão no PyPI, então a instalação é um comando só: python -m pip install superclonica-cpu, ou superclonica-gpu-cuda para uma GPU NVIDIA, com CUDA e cuDNN instalados pelo pip. Uma frase vira uma linha: superclonica --text "Olá!" --voice voice.json --lang pt --output ola.wav. O modelo base é baixado na primeira execução. No Python, Superclonica().synthesize() recebe os mesmos dados; o exemplo completo está na página de instalação.
Dicas para textos longos
Livros, artigos e roteiros longos saem melhor com um pouco de preparo.
- Divida o texto em capítulos ou seções e gere cada um em um arquivo próprio. Assim um trecho que saiu errado é refeito rapidinho.
- No cliente padrão, passe um parágrafo ou algumas frases por vez e junte os arquivos em um editor de áudio. O motor SuperClonica divide sozinho textos longos em partes curtas, então repete ou corta menos palavras.
- Escreva números, datas, unidades e abreviações do jeito que devem ser lidos em voz alta.
- Quebre frases muito longas: a voz tira as pausas da pontuação.
- Reserve tempo. Pela nossa estimativa, o SuperClonica gera uma hora de áudio em cerca de 7 a 11 minutos em um processador de desktop de 8 núcleos.