Como fazer seu computador ler em voz alta (sem mandar o texto para ninguém)

Existe um jeito de ouvir um texto sem mandar esse texto para empresa nenhuma. Não é aplicativo de celular, não é assinatura, não é site: é um programa pequeno que roda no seu computador e transforma texto em voz ali mesmo, na sua pasta de arquivos.

O responsável é o Phonon, modelo de voz aberto que a francesa Gradium liberou em outubro de 2026. Ele tem 31 milhões de parâmetros, ou seja, é cerca de vinte vezes menor que um modelo de conversa desses que aparecem nas notícias, e isso é justamente o ponto: cabe num computador comum, sem placa de vídeo.

Aqui a gente não repete o anúncio: mediu. O que a Gradium promete e o que o nosso computador entregou está mais abaixo, separado por linha.

O programa inteiro roda em três linhas: o avatar mostra o código, o terminal executando e o arquivo de áudio nascendo na pasta.

Para que serve, na prática

Ouvir um contrato, uma apostila ou um e-mail longo enquanto faz outra coisa.
Gerar a narração de um vídeo caseiro sem pagar por caractere.
Testar como o seu texto soa antes de gravar a versão definitiva.
Fazer tudo isso com material que você não quer colocar na nuvem — laudo médico, documento de cliente, diário.

O que você vai precisar

Um computador com Windows, Mac ou Linux. Sem placa de vídeo.
Python instalado (versão 3.9 ou mais nova) — o programa que roda por trás da biblioteca.
Conexão com a internet só no primeiro uso, para baixar a biblioteca e o modelo.

Passo 1 — Instalar (uma linha)

Abra o terminal e rode:

pip install ptts

A biblioteca se chama ptts, está em pypi.org/project/ptts e na versão que testamos (ptts 0.5.0, em 29 de outubro de 2026) não depende de PyTorch — é por isso que a instalação é leve. No nosso teste, o ambiente inteiro ficou com 104 MB.

Se o comando pip não existir, o caminho mais rápido é instalar o Python pelo site oficial e marcar a opção de adicionar o Python ao PATH durante a instalação.

Passo 2 — O programa inteiro em três linhas

Salve o arquivo abaixo como falar.py:

import ptts

motor = ptts.TTS(lang="en")
motor.save("fala.wav", "Ola! Este texto vai virar audio na sua maquina.")

É isso. A primeira linha carrega a biblioteca, a segunda prepara o motor de voz, a terceira grava o áudio em fala.wav. Não tem chave de acesso, não tem painel, não tem login.

Passo 3 — Rodar

python falar.py

Na primeira execução, o programa baixa o modelo (mais sobre o tamanho no próximo bloco) e depois escreve o arquivo. A saída no terminal é parecida com esta:

wrote fala.wav (6.32s)

Abra o fala.wav com o tocador de sempre. O arquivo sai em 24 kHz, mono — qualidade de voz falada, que é exatamente o que se quer aqui.

Depois do primeiro download, você pode desligar a internet e rodar de novo: funciona igual. Vale fazer esse teste, porque é ele que prova que o texto não está indo para lugar nenhum.

O que a Gradium anuncia x o que medimos

Todos os números da coluna da direita foram medidos em 29 de outubro de 2026, num PC Linux de mesa com processador comum e sem placa de vídeo:

Tamanho do modelo: anunciado 64,5 MB — medido 64,5 MB (64.512.352 bytes) quando se pede a versão quantizada (--quant q8). Mas atenção: o download padrão, sem essa opção, é de 103 MB (102.823.920 bytes). O número do anúncio é real, só não é o que vem por default.
Velocidade: anunciado 7 milissegundos até o primeiro som num processador de laptop. Medimos o que interessa para quem vai usar: 8,80 segundos de áudio gerados em 2,06 segundos, ou seja, 4,3 vezes mais rápido que o tempo real. Um texto de um minuto de fala fica pronto em cerca de quinze segundos.
Primeiro uso: 11 segundos no total, já contando o download do modelo.
Memória: cerca de 340 MB de RAM durante a geração.
Vozes: o catálogo de vozes que a biblioteca baixa lista 102 opções, com sotaques americano e britânico, incluindo vozes de personagem (elfo, ogro, rainha de gelo).
Licença: o modelo em inglês é Apache 2.0, de uso livre inclusive comercial — confirmado na página do modelo no Hugging Face.

O detalhe do português (o que quase ninguém conta)

Tem modelo em português, sim: o Phonon 40m, na variante pt. Só que ele vem com duas travas:

Licença não comercial (CC BY-NC 4.0). Para uso pessoal, tudo bem. Para vender um produto ou um serviço em cima, não.
Download liberado só depois de aceitar os termos. Tentamos baixar direto pela biblioteca, sem login, e o erro que voltou foi explícito: Access to model gradium/phonon-40m-pt is restricted. Ou seja: você precisa de conta no Hugging Face e aceitar a licença no site antes.

E se você apontar texto em português para o modelo padrão (em inglês), a biblioteca avisa em uma linha: text is normalized as pt, but the model was trained for en. O texto é lido, mas com sotaque — o modelo não foi treinado para a nossa língua. É melhor saber disso antes de gravar um vídeo inteiro e descobrir no final.

E o Ollama, que agora também fala?

Em 26 de outubro de 2026 o Ollama, o programa mais usado para rodar modelos abertos no computador, passou a suportar voz local usando justamente o Phonon — como noticiou o Digital Trends. Duas ressalvas da própria notícia: por enquanto vale só para Mac com chip Apple, e Windows e Linux estão prometidos para depois. Por isso o caminho deste tutorial é a biblioteca ptts, que funciona nos três sistemas hoje.

Erros comuns e como sair deles

ModuleNotFoundError: No module named 'ptts' — a biblioteca não está instalada no mesmo Python que você está usando para rodar o arquivo. Rode pip install ptts e depois execute com o mesmo comando python (não troque entre python e python3 no meio do caminho).
Erro de instrução de processador em máquina antiga — os pacotes prontos exigem processador com AVX2 (a Gradium chama isso de x86-64-v3). Computador com mais de oito ou dez anos pode não ter. A saída é compilar da fonte, descrita no repositório oficial.
Licença restrita ao tentar o modelo em português — aceite os termos na página do modelo no Hugging Face e faça o login da ferramenta antes de baixar.
O áudio saiu com sotaque estrangeiro — você está lendo português com o modelo em inglês. Ou aceita o sotaque, ou parte para o modelo pt (com a trava de licença acima).

Para onde isso vai

Cada vez mais a voz sai da nuvem e vem para o aparelho: é mais barato para quem faz o aplicativo, mais rápido para quem usa e melhor para quem se preocupa com o que acontece com o texto. Um modelo de 64 MB que fala em tempo real num processador comum é o sinal mais claro disso que apareceu neste mês — e o fato de a licença do inglês ser Apache mostra que a disputa agora é por adoção, não por segredo.