Brainiall Voice (nível Pro)

Dois níveis, uma única API

Brainiall Voice é entregue como um único endpoint com dois níveis de qualidade selecionados por requisição via o tier parâmetro. O padrão é edge (12 vozes em inglês, 24 kHz, ~150 ms de latência). tier="pro" para clonagem, controle emocional, 99 idiomas e saída de estúdio em 48 kHz — cobrado apenas em requisições que ativarem.

Recursos do nível Pro

Casos de uso

Como comparamos

Benchmarks independentes de qualidade de voz em amostras de inglês, português, japonês e mandarim, avaliados em naturalidade (MOS) e consistência de marca. Preços medidos em USD por 1.000 caracteres.

Quickstart – clone uma voz em duas solicitações

# 1. Create a voice clone from a 5-second reference
curl -X POST https://api.brainiall.com/v1/voice/clones \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -F "name=brand_founder" \
  -F "audio=@reference_5s.wav"
# → { "voice_id": "vc_a3f9...", "name": "brand_founder", "ready": true }

# 2. Synthesize with the cloned voice + emotional control
curl -X POST https://api.brainiall.com/v1/tts/synthesize \
  -H "Authorization: Bearer $BRAINIALL_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Welcome to our 2026 product launch.",
    "voice": "vc_a3f9...",
    "tier": "pro",
    "language": "en",
    "style": "excited",
    "format": "wav_48khz"
  }' \
  --output launch.wav

Seção Honestidade — o que o nível Pro NÃO faz

• Canto ou performance musical. O nível Pro foca em fala natural. Controle de pitch via SSML productsVoicePro.prosody é suportado, mas não canto melódico.
• Em tempo real sub-100 ms TTFT. O nível Pro transmite chunks com TTFT de ~500 ms. Para casos de uso de agente que exigem primeiro frame de áudio em <200 ms, use o nível Edge (TTFT ~150 ms).
• Clonagem de voz de figuras públicas ou vozes protegidas por direitos autorais. Clones de voz exigem consentimento escrito do locutor original (verificado via formulário de atestado durante a criação do clone). Vozes de figuras públicas, pessoas falecidas sem consentimento do espólio e personagens de mídia protegida por direitos autorais são bloqueadas na camada de moderação.
• Inferência emocional 100% factual. O style O parâmetro é uma diretiva, não uma garantia — estados extremos (terror, êxtase) tendem a interpretações naturalistas contidas para evitar saídas estranhas (uncanny).
• Inferior a 1 s ponta a ponta na frota atual de CPU. Os números de time-to-first-byte de streaming acima (~150 ms Edge, ~500 ms Pro) descrevem quando o primeiro chunk de áudio sai do servidor, não quando o enunciado completo é renderizado. Na frota de CPU, uma frase curta em cache termina a síntese em aproximadamente 3.8 s e textos mais longos escalam com o comprimento. Para conteúdo reutilizado com frequência (prompts de URA, alertas de app, respostas prontas de agentes de voz), faça cache do áudio renderizado do seu lado — o segundo acesso passa a ser um fetch de arquivo, não uma síntese.

Preço