ElevenLabs ou Cartesia: interfaces de TTS em tempo real, interrupções e orçamento por caracteres

Equipas com vozes no ElevenLabs devem verificar a integração TTD exigida pelo v4 Turbo. Quem cria uma aplicação de voz em tempo real de raiz pode começar pela gestão de contextos da Cartesia. Teste interrupções e reprodução com os mesmos textos e calcule o orçamento por caracteres e concorrência máxima.

Fonte: elevenlabs.io
November 4, 2026
6 min

Quando um assistente de apoio ao cliente lê uma resposta enquanto a gera, o momento mais difícil costuma ser uma interrupção do utilizador: a resposta antiga tem de parar e a nova precisa de soar natural. ElevenLabs e Cartesia podem fornecer esta camada de conversão de texto em voz (TTS). Equipas que já têm vozes no ElevenLabs e querem usar v4 Turbo devem primeiro avaliar o esforço de integração do protocolo Text to Dialogue. Quem constrói de raiz uma aplicação em tempo real com uma única voz e quer gerir geração e cancelamento por contexto pode começar pela Cartesia. A escolha deve depender da voz, da interface e da fatura reais, não do menor número de latência anunciado num site.

O texto já está completo?

Considere um assistente de voz que responde a perguntas sobre encomendas: o modelo de linguagem devolve texto por partes, o TTS produz áudio e o leitor trata da reprodução. A comparação abrange as interfaces de síntese na mesma cadeia de voz em tempo real, excluindo telefonia, reconhecimento de fala, o modelo de linguagem e plataformas Agents completas. Se a resposta já estiver completa, vale a pena avaliar primeiro o streaming de áudio por HTTP. Se for necessário acrescentar texto continuamente, compare sobretudo o armazenamento temporário da entrada e os sinais de conclusão do WebSocket. Uma saída de áudio em streaming não implica uma entrada de texto que aceite adições contínuas.

Na verificação de 10 de novembro de 2026, a comparação de protocolos do ElevenLabs distingue duas rotas: /v1/text-to-speech/{voice_id}/stream-input para modelos TTS compatíveis, como Flash; e /v1/text-to-dialogue/stream-input para v4 e v4 Turbo. A segunda regista primeiro as vozes e recebe depois inputs com text e voice_id. Portanto, mudar apenas o nome do modelo numa integração Flash antiga para eleven_v4_turbo não basta. O v4 Turbo permite registar apenas uma voz: o nome Dialogue não justifica conceber uma conversa com várias personagens.

A documentação atual de modelos da Cartesia apresenta Sonic 3.6. O seu WebSocket usa campos como transcript, context_id e formato de saída, devolvendo blocos de áudio identificados por contexto. Equipas que precisam de validar antes de atualizar podem usar uma versão datada, como sonic-3.6-2026-08-27; sonic-3.6 acompanha a versão estável mais recente. Fixar a versão permite distinguir uma alteração de voz causada pelo novo texto de outra causada pela atualização do modelo.

Quando começar a falar antes de a frase terminar?

A rota TTS do ElevenLabs oferece programação pelo comprimento dos blocos; a rota TTD mantém texto em buffer no servidor e permite acionar a saída com flush. O flush manual da Cartesia estabelece limites que relacionam texto e áudio dentro do mesmo contexto, incluindo um flush_id no áudio correspondente. O pedido documentado combina transcript vazio, o mesmo contexto, continue=True e flush=True. Estes marcadores têm significados diferentes; uma migração não deve limitar-se a substituir o nome do SDK.

Por exemplo, forçar a saída antes de um número de encomenda estar completo pode dividir os algarismos de forma difícil de compreender; esperar pela resposta inteira pode fazer o silêncio parecer demasiado longo. Use os mesmos três conjuntos de textos: frases curtas completas, identificadores longos e correções a meio da resposta. Registe quando o texto fica disponível, quando chega o primeiro bloco de áudio e quando a reprodução realmente começa, comparando a mediana e os pedidos mais lentos. Este artigo não realizou testes com condições de rede e vozes equivalentes, pelo que não declara um vencedor em rapidez real. A latência do modelo anunciada pelo fornecedor não é a espera total até o utilizador ouvir a voz.

Quando o utilizador interrompe, a Cartesia oferece um pedido cancel com context_id; o guia TTS de múltiplos contextos do ElevenLabs fecha o contexto antigo e cria um novo. Para v4 Turbo, confirme a variante TTD correspondente em vez de copiar o exemplo Flash. Em ambos os casos, a aplicação continua a ter de parar o envio do texto antigo, limpar o áudio local em espera e descartar dados tardios do contexto anterior. Cancelar a geração no servidor não retira automaticamente o áudio já colocado na fila do leitor.

Calcule por caracteres e depois verifique a concorrência máxima

Suponha 1.000 respostas por mês, cada uma com 500 caracteres faturáveis enviados: 500.000 caracteres, sem incluir inicialmente novas tentativas e regeneração após interrupções. A tabela de preços da API do ElevenLabs indica USD 0,04 por mil caracteres para v4 Turbo e USD 0,08 para v4. As estimativas de utilização são, respetivamente, USD 20 e USD 40. São cálculos pelos preços unitários públicos, não uma fatura final que incorpore todas as condições da conta.

A página de preços da Cartesia define um crédito por carácter no Sonic. Pro custa USD 5 por mês e inclui 100.000 créditos; com excedentes ativados, cada milhão adicional custa USD 65. Nas mesmas condições, 5 + 0,4 × 65 = USD 31. Startup custa USD 49 por mês com 1,25 milhões de créditos, mas uma franquia maior não basta para justificar a mudança: Pro permite 3 pedidos TTS simultâneos e Startup 5, pelo que a procura máxima pode determinar primeiro o plano. Este exemplo não classifica o valor global nem contabiliza saldos Agents como créditos TTS.

O orçamento real deve incluir texto reenviado por novas tentativas, alterações e regeneração após interrupções; confirme na faturação como são tratados os pedidos cancelados. Se usar reconhecimento de fala ou telefonia, adicione esses custos separadamente. A densidade de texto por minuto varia com a língua, a velocidade e as pausas. Os minutos aproximados indicados pelos fornecedores não representam necessariamente o mesmo trabalho. Ter créditos suficientes também não garante ausência de filas ou falhas na geração durante os picos.

Confirme que pode usar a voz escolhida neste negócio

A documentação comercial do ElevenLabs associa os direitos comerciais a planos pagos e aos direitos sobre o conteúdo de entrada. A sua documentação de gestão de vozes exige autorização para clonagem, sendo Professional Voice Cloning destinado à voz do próprio utilizador. A Cartesia inclui licença comercial no Pro; a sua política de utilização aceitável exige gravações próprias ou de outras pessoas com consentimento explícito. Comprar um plano não substitui a autorização de quem fala. Uma empresa que possui uma gravação de um funcionário não deve presumir que pode usar essa voz indefinidamente no apoio ao cliente.

Por fim, faça ambos os serviços lerem os mesmos textos empresariais autorizados e compare a pronúncia de identificadores na língua pretendida, a ligação entre frases e a paragem da reprodução após uma interrupção. Se já dispõe de uma voz ElevenLabs adequada e aceita adaptar a integração ao TTD, experimente primeiro v4 Turbo. Se valoriza mais o cancelamento por contexto, as versões datadas e um orçamento por caracteres de pequena escala, experimente primeiro Cartesia. Se ninguém na equipa é responsável pelas filas de reprodução, pelas interrupções e pela monitorização da faturação, trocar de fornecedor TTS não resolve esse trabalho.

Nota sobre o conteúdo:Este artigo foi elaborado com base em informações públicas e serve como referência para a escolha de ferramentas. Os recursos, os preços e as políticas relacionadas podem mudar a qualquer momento; consulte as informações oficiais mais recentes.

Fonte original:elevenlabs.io