Texto para voz local, rodando no seu iPhone

TTS é texto para voz (text to speech): um software que transforma palavras escritas em uma voz falada. TTS local significa que o modelo que faz essa transformação roda no seu próprio dispositivo. TTS na nuvem significa que ele roda no computador de outra pessoa: seu texto é enviado pela rede, um servidor sintetiza o áudio e o áudio é enviado de volta.

Os dois produzem uma voz, então, vistos de fora, podem parecer iguais. A diferença é onde o trabalho acontece, e três coisas decorrem disso. Com TTS na nuvem, o texto precisa viajar, é preciso ter conexão no momento da fala e cada frase custa tempo de servidor ao provedor, e é por isso que os leitores na nuvem contam caracteres, minutos ou horas. Com TTS local, o texto fica onde está, a conexão não importa e não há conta em andamento para recuperar.

Alguns anos atrás, local significava as vozes de sistema, planas e robóticas. Isso mudou quando os modelos neurais de voz ficaram pequenos o bastante para caber em um celular e rápidos o bastante para rodar nele em tempo real. Hoje, o TTS local troca variedade por independência, e não qualidade por privacidade.

O celular é onde a leitura acontece nos lugares menos previsíveis, e é justamente aí que depender de um servidor mais atrapalha.

• Privacidade pela arquitetura. Seus livros, PDFs e páginas digitalizadas não são enviados, porque nada precisa deles em outro lugar. Seus livros, seus textos e as vozes ficam no seu dispositivo, e não há conta nem rastreamento. A versão longa está na página de texto para voz privado.
• Modo avião, túneis, sinal ruim. A voz gerada no dispositivo nem percebe que a rede sumiu. Um capítulo aberto em um voo soa igual a um aberto em casa. Mais sobre isso em texto para voz offline.
• Sem cobrança por caractere. Quando produzir a voz não custa nada, não há motivo para racioná-la: nada de cota diária, horas mensais ou nível de vozes premium.
• Sem fila. Não há envio, nem tarefa de processamento, nem espera por um arquivo que volta. Toque em reproduzir e a primeira frase começa assim que é gerada.

O motor é o Kokoro-82M, um modelo neural de texto para voz de pesos abertos, com 82 milhões de parâmetros. O download tem cerca de 276 MB, com o modelo e todas as 41 vozes incluídos, então nada é baixado na primeira abertura e não há chave de API nem etapa de ativação.

O Sandbook roda o modelo na GPU do dispositivo com Apple MLX, o framework da Apple para aprendizado de máquina nos seus próprios chips. O texto é dividido em frases e cada uma é sintetizada enquanto você ouve, a 24 kHz, então a reprodução começa depois da primeira frase, e não depois do capítulo inteiro. A velocidade vai de 0,5× a 2,5×, e cada palavra é destacada enquanto é falada.

O mesmo modelo Kokoro também roda localmente no navegador de um computador: experimente o Kokoro TTS numa aba do navegador, onde a voz é gerada no seu computador e nada é enviado.

São 41 vozes em seis idiomas: 28 em inglês (20 americanas, 8 britânicas), 3 em espanhol, 1 em francês, 2 em italiano, 3 em português do Brasil e 4 em hindi. Elas leem arquivos EPUB, PDF, TXT, RTF, Markdown e HTML, páginas web, digitalizações e fotos da câmera (reconhecidas no dispositivo) e texto digitado ou colado. O texto da aba Leitor pode ser exportado como arquivo M4A.

Rodar o modelo no celular é uma escolha que tem um preço, e ele é pago assim:

• Um download grande. O download tem cerca de 276 MB, com o modelo e todas as 41 vozes incluídos. Os apps na nuvem são pequenos porque as vozes deles ficam em outro lugar.
• Um dispositivo mais novo. O Sandbook exige iOS 18.2 em um iPhone 12 ou posterior, ou um iPad com chip A14 ou M1 ou posterior. Se o seu iPhone é mais antigo, veja texto para voz em iPhone antigo.
• A leitura em tempo real pausa quando a tela é bloqueada. O modelo usa a GPU, e o iOS suspende esse trabalho quando o app sai do primeiro plano. Para ouvir com a tela desligada, prepare o capítulo antes, depois bloqueie o celular e toque em reproduzir.
• Menos idiomas que os serviços na nuvem. Seis idiomas de voz, não dezenas. Um servidor pode guardar um catálogo que não cabe em nenhum celular.

Qualquer app pode dizer que roda no dispositivo. O teste leva um minuto e não exige confiar em ninguém:

1. Abra um livro, um PDF ou um texto colado no app.
2. Ative o modo avião, com o Wi-Fi também desligado.
3. Toque em reproduzir e ouça um capítulo inteiro, depois experimente uma voz que você ainda não usou.

Uma voz gerada em um servidor não sobrevive a esse teste. Uma voz gerada no celular nem percebe. No Sandbook, a única coisa que espera por uma conexão é adicionar uma nova página web, já que a página tem de ser baixada do site que a hospeda. Digitalizar uma página impressa com a câmera também funciona no modo avião, porque o reconhecimento de texto também roda no dispositivo.