Melhores geradores de voz com IA em 2026: a comparativa honesta (CosyVoice, Fish Audio e ElevenLabs)

Escolher o melhor gerador de voz com IA não é uma corrida de realismo: os três ponteiros — CosyVoice, Fish Audio e ElevenLabs — soam bem em uma tomada de amostra. A decisão real é de bolso e de papéis, e os fornecedores quase nunca publicam isso na mesma página das demos: o que você produz sem passar pelo cartão, o que pode publicar se o seu canal monetiza, e quantos idiomas uma única voz salva cobre. A resposta curta e honesta: nenhum deles deixa você faturar com o áudio do nível gratuito, e dos três só o CosyVoice clona sem custo de entrada. Por isso, para a maioria dos criadores que publicam conteúdo monetizado, sai melhor pagar por geração do que sustentar uma assinatura.

Este guia compara os três motores sobre as quatro perguntas que decidem a compra — o grátis de verdade, os direitos comerciais, a cobertura de idiomas e a latência — e depois mostra o mesmo trio consumido por uso dentro da Moosky, porque um plano mensal de qualquer fornecedor é a forma errada de faturar se você gera poucas locuções por mês.

A tabela decisiva

Os números são os que cada fornecedor publicou a setembro de 2026 na sua página de preços e documentação (elevenlabs.io/pricing, docs.fish.audio e a ficha do modelo S2, revisadas em 2026-09-27); o que muda mais são as cifras em dólares do que as cláusulas de licença, que estão quase paradas desde que os três produtos existem.

CosyVoice: a matrícula livre é a jogada

A rota da Alibaba é a única das três em que o custo de entrada para a clonagem é literalmente zero: você sobe um clipe de referência de dez a vinte segundos, recebe um perfil de voz reutilizável em segundos, e a cobrança começa só no texto que você gera depois, cobrado por caractere. Não há plano mensal nem custo por assento em nenhuma parte do fluxo. Os dois freios: a lista de dicas de idioma para em sete — inglês, mandarim, francês, alemão, japonês, coreano e russo — e o português não figura, e os controles de entrega sobre uma voz clonada são três sliders (volume, velocidade, tom) em vez de etiquetas de estilo. Se os seus roteiros estão nesses sete idiomas e você tem uma gravação real da pessoa, é a opção mais barata com folga. O passo a passo tela a tela (subida, matrícula, sliders) está no guia CosyVoice passo a passo; e se você escreve em português, a decisão do sotaque — por que é o motor, e não a sua amostra, que define a pronúncia, e como fazer a audição — já está coberta no guia de clonagem de voz em português.

Fish Audio: o catálogo mais amplo, com letra miúda

No papel é o mais completo: 83 idiomas no S2.1-Pro, primeiro áudio em torno dos cem milissegundos e um sistema de etiquetas no texto — [sussurra docemente], [ri nervoso] e companhia — que permite dirigir a entrega dentro do próprio roteiro, inclusive misturando vários falantes numa única corrida. A API cobra por uso, US$ 15 por milhão de bytes UTF-8, sem assinatura, e o mesmo modelo pode ser testado grátis como s2.1-pro-free dentro de limites de uso razoável. A armadilha mora na licença: os pesos abertos do modelo saíram sob uma licença de pesquisa — estudar e experimentar, sim; montar um produto comercial sobre eles, não, salvo acordo aparte com a empresa. "Código aberto" aqui significa pesos que você pode auditar, não implantação comercial livre. Se você chama a API deles ou usa uma plataforma que já tem a licença, a conta é tão simples quanto o medidor. A variante sem gravação — inventar um personagem a partir de uma descrição escrita — está desenvolvida no guia de design de voz com Fish Audio, e o mano a mano técnico contra o CosyVoice, na comparativa CosyVoice vs Fish Audio.

ElevenLabs: o padrão de qualidade cobra pedágio

Soa como a referência que todos querem derrubar, e a matriz de idiomas é ampla assim que você cruza a entrada: 29 idiomas no Multilingual v2, 32 no Flash v2.5 de uns 75 ms, mais de setenta no v3 de etiquetas. O detalhe está onde o nível gratuito corta. Esses dez mil créditos mensais rendem uns dez minutos de locução, o plano free não concede licença comercial — tudo o que você publicar precisa creditar o ElevenLabs e fica proibido de monetizar —, e a clonagem também é paga: a instantânea exige assinatura e a de grau profissional que os audiolivros usam sobe um degrau. Não é truque escondido; é o modelo de negócio. Mas redefine a palavra "grátis": o nível gratuito deles é uma cabine de teste. No dia em que o áudio encosta num canal com receita, você já está comprando um mês de plano use-o ou não, e os créditos são compartilhados entre todos os produtos — a dublagem e a música descontam do mesmo poço da narração.

"Grátis" quando o seu canal fatura

Empilhadas as três respostas de licença, o ranking honesto para projetos de orçamento zero fica assim: primeiro o CosyVoice dentro de uma plataforma de pagamento por uso, porque matricular, salvar e reutilizar a voz não custa nada e o áudio que você publica se paga em centavos por caractere; depois o ambiente de teste do Fish Audio, grátis de verdade para avaliar mas comercialmente fechado nos pesos próprios; e por último o plano free do ElevenLabs, que é uma avaliação com papelada em cima — atribuição obrigatória, zero monetização. Se a sua restrição é o orçamento mas o seu destino é um canal com receita, o "grátis" dos dois últimos é um downgrade que você acaba pagando tarde: em risco legal ou numa assinatura que não usou naquele mês.

Os três motores, sem assinatura e a preço visto

Como a Moosky licencia cada motor rio acima e cobra por geração, os três convivem dentro do mesmo saldo: você não assina plano com nenhum fornecedor para ter todos no mesmo projeto. A conta pública, em créditos (100 créditos = US$ 1): uma locução de mil caracteres sai 4 créditos no CosyVoice — arredondando para cima mil caracteres a US$0,0026 com a margem de 30% do motor —, uns 13 no ElevenLabs (~13 créditos a cada mil caracteres) e 2 no Fish Audio, já que os US$ 15 por milhão de bytes UTF-8 dão ~2 créditos por mil caracteres simples. As corridas falhadas são devolvidas, os créditos não expiram e a cotação aparece no painel antes do clique em gerar — a comparação de preços, caractere por caractere, já foi feita no guia de custo por clipe utilizável na trilha de vídeo. O reparto de trabalho fica assim:

• A voz real de uma pessoa, clonada sem custo de entrada, mora na página do CosyVoice Voice Clone: matrícula livre, síntese por caractere, preço visível antes do botão.
• Um personagem que ninguém gravou nunca — ou um sotaque inventado a partir de uma descrição — se desenha no Fish Audio Voice Design, e a variante de referência no Fish Audio Voice Clone.
• A linha final de uma marca, onde o timbre vale mais que a economia, fica com o ElevenLabs Voice Clone com cobrança por caractere sem plano do ElevenLabs.
• A locução direta sem clonar — vinhetas, cápsulas, leituras de roteiro — corre no gerador de vozes.

E se você quiser uma rota de pesos abertos em vez de uma API de terceiros, o mesmo saldo cobre o Vibe Voice: a Moosky roda esse motor de licença MIT no seu próprio pool de placas GPU, sem plano nem matrícula para manter — cada corrida clona a voz a partir da sua amostra de referência e é cotada por palavra do roteiro e por segundo de áudio, com temperatura, top-p e velocidade de voz ao alcance da mão. É o controle de laboratório, não a assinatura do fornecedor: para quem quer ajustar o render, não assinar um plano.

E como uma voz só vale quando aparece num vídeo pronto, a narração clonada é a espinha dorsal do fluxo faceless para YouTube: a mesma voz do canal, episódio após episódio, sem gravar nada de novo.

Escolhendo em um parágrafo

Você tem uma gravação da pessoa: CosyVoice, matrícula grátis e cobrança por caractere, com sete idiomas de pista para planejar. Precisa de um personagem inexistente, mais de oitenta idiomas ou controle de entrega por etiquetas: Fish Audio, e se publicar comercialmente, por API ou plataforma licenciada em vez de auto-hospedar os pesos de pesquisa. Quer a leitura mais natural para o spot final: ElevenLabs, sabendo que o nível gratuito dele é cabine de teste e a clonagem é paga. A maioria dos criadores que publica conteúdo monetizado aterrissa nos dois primeiros e paga cada geração em vez de assinar o plano do terceiro. Comece com a clonagem gratuita do CosyVoice, reserve o ElevenLabs para as linhas hero, e deixe a conta em zero até o primeiro roteiro que realmente for publicado. Se quiser ver a comparação-mãe em inglês, com os termos exatos de cada fornecedor citados, ela está em Best AI Voice Generators in 2026.

Perguntas frequentes

Qual é o melhor gerador de voz com IA para um canal do YouTube que monetiza? O que deixar você faturar o áudio sem papéis: dos três, o único caminho limpo desde o minuto zero é pagar a síntese por uso — no CosyVoice a matrícula não custa e o áudio gerado já traz direitos comerciais. O plano gratuito do ElevenLabs proíbe monetizar e obriga a creditar, e os pesos abertos do Fish Audio são só para pesquisa.

Qual motor soa mais natural? O ElevenLabs ainda é a referência de realismo, sobretudo em leituras longas de marca; numa tomada de amostra os três convencem, e a diferença aparece no décimo parágrafo, não no primeiro.

O português é suportado? Com nuances grandes. O ElevenLabs Multilingual v2 lista o português entre os seus 29 idiomas; a família de design do Fish Audio também o nomina — o fluxo de voz desenhada aceita uma dezena de idiomas, português incluso; a pista de idioma do CosyVoice fica nas sete opções de sempre — sem português nominal. Se o roteiro é em português brasileiro e a prosódia importa, a decisão completa — incluído o teste auditivo das três tomadas — já está escrita no guia de clonagem de voz em português.

Vale a pena pagar o plano do ElevenLabs se eu já gero pouco? Mau negócio típico: o mês em que você não gera você paga do mesmo jeito, e os créditos são disputados por todos os produtos do fornecedor. Se você produz menos de uma locução longa por semana, o pagamento por uso na rota CosyVoice ou Fish Audio sai uma fração do plano mínimo.

A regra de ouro

Não escolha pela demo: escolha pela licença e pelo formato da fatura. Clone de graça no CosyVoice, reserve o ElevenLabs para a linha que não admite erro, deixe o Fish Audio para o personagem que ninguém gravou, e deixe o custo crescer só quando crescer o que você publica.