Como o TTS está mudando o futuro da publicação na Web

Por Yutaro Sasao, CEO da MediaLeap Inc. e desenvolvedor de produtos de voz de IA.

"Eu queria terminar o artigo, mas era muito longo."

Ouvi versões dessa frase em entrevistas com leitores enquanto trabalhava em uma grande editora. O artigo pode ter sido valioso. O trajeto do leitor terminou, uma tarefa doméstica começou ou outra tela teve prioridade. O problema muitas vezes não era a falta de interesse, mas uma interrupção à qual o texto não conseguia sobreviver.

O volume de publicação aumentou enquanto a audiência ainda tem 24 horas por dia. As afirmações sobre a porcentagem de páginas geradas por IA variam de acordo com o método de detecção e se o trabalho editado ou parcialmente assistido conta como "IA". A partilha precisa importa menos aqui do que a restrição: mais texto está competindo por um tempo fixo de leitura.

A escuta chega a uma parte diferente do dia. Essa possibilidade me levou da monetização de mídia e da tecnologia de anúncios para a criação de produtos de voz na MediaLeap Inc.

A tensão é econômica e também editorial

A oferta de publicidade de texto pode crescer mais rapidamente do que a procura dos anunciantes. Mais páginas criam mais impressões disponíveis, mas não necessariamente uma atenção mais valiosa. Durante meus anos em operações de SSP e análise de editores, vi repetidamente a desvantagem: adicionar canais poderia aumentar a receita imediata e, ao mesmo tempo, enfraquecer a experiência que trazia os leitores de volta.

As interfaces de resposta de IA adicionam outra pressão. Eles podem satisfazer uma consulta informativa antes que um usuário visite a fonte. A publicidade pode então aparecer ao lado da resposta, e não na página do editor. As implicações de receita são examinadas em Anúncios ChatGPT e estratégia do editor.

Nenhum formato único resolve esse problema estrutural. Associação, tráfego direto, e-mail, eventos e produtos podem ser mais importantes para uma determinada publicação. O áudio é importante porque pode aumentar o tempo que um artigo existente permanece útil sem exigir outra atribuição de relatório.

TTS passou da demonstração para a produção

A conversão de texto em fala converte a linguagem escrita em fala sintetizada. Testei o Google Cloud TTS pela primeira vez por volta de 2018. Ele leu as palavras, mas a ilusão de um falante humano quebrou rapidamente.

Pesquisas como a Tacotron 2 do Google aceleraram a mudança. O artigo de 2017 relatou uma pontuação média de opinião de 4,53 para sua fala gerada e 4,58 para fala humana gravada nas condições desse experimento (artigo Tacotron 2). Esses números não devem ser comparados casualmente com pontuações de outro idioma ou painel.

Os sistemas comerciais agora podem controlar o ritmo, a emoção e as pausas com muito maior precisão. No entanto, um modelo com bom desempenho em inglês pode lidar mal com nomes japoneses, e um produto multilíngue ainda pode soar inconsistente dentro de uma frase. Os editores devem testar seu próprio arquivo em vez de comprar de uma lista de recursos.

O guia de implementação em cinco etapas cobre avaliação do motor, design do jogador, pronúncia e análises em detalhes operacionais.

Um segundo caminho não requer uma segunda história

Um podcast é uma nova produção: conceito, roteiro, gravação, edição, distribuição e promoção. Tentei iniciar um várias vezes e parei quando essa carga de trabalho atendeu ao resto do negócio.

Um artigo de áudio usa reportagens e redações que já existem. Um fluxo de trabalho de publicação pode criar uma versão para audição no momento do lançamento, sujeita à revisão editorial. O escritor não precisa registrar todas as peças.

Vi o efeito relacional ao construir um aplicativo de bate-papo por voz. Ele ultrapassou 5.000 downloads com uma classificação de aplicativo de 4,2, e vários usuários escreveram que ocasionalmente esqueciam que estavam conversando com uma IA. Esta é a nossa própria observação de produto, e não uma evidência de que cada voz sintetizada produz a mesma resposta. Mostrou-me que o som pode criar um tipo de atenção que o texto por si só não consegue.

<figure> <img src="https://images.media-leap.com/blog/2026/07/1784643011938-g9gldwja.png" alt="Comparação do tempo disponível para ler e ouvir um artigo na web" /> <figcaption>Um artigo pode alcançar tanto o tempo de leitura na tela quanto o tempo de escuta, incluindo deslocamentos, tarefas domésticas e exercícios. O design deve permitir uma operação segura e sem o uso das mãos.</figcaption> </figure>

Os ganhos de engajamento precisam de uma linguagem cuidadosa

Em mais de 30 propriedades de clientes MediaLeap medidas no GA4 de 2024 a 2026, as sessões que iniciaram áudio geralmente mostraram 1,5 a 2,5 vezes o tempo médio de envolvimento de sessões sem reprodução em conjuntos de artigos comparáveis.

A comparação é observacional. Os ouvintes podem começar com maior interesse e propriedades diferentes por tópico, combinação de dispositivos, posição do jogador e janela de medição. Isso não significa que adicionar TTS multiplique o envolvimento em todo o site. O conjunto de dados, a interpretação e as limitações estão documentados no artigo sobre medição de engajamento de áudio.

O mecanismo ainda é plausível. A audição pode continuar quando a leitura da tela for interrompida. Para uma análise com muito texto, isso pode preservar o argumento durante uma transição no dia a dia do leitor. Para um ensaio fotográfico ou gráfico interativo, pode remover informações essenciais e piorar a experiência.

O texto de entrada é mais importante do que os editores esperamA síntese de fala de alta qualidade não pode reparar um script projetado apenas para os olhos. Frases longas aninhadas, abreviações, referências visuais, listas densas de marcadores e símbolos inexplicáveis ​​​​parecem estranhos quando lidos em voz alta.

Em nosso trabalho com produtos de voz, a preparação da interface do usuário e do script exigiu mais esforço do que a escolha do mecanismo. Os dicionários de pronúncia precisam de propriedade. Os títulos precisam de transições audíveis. As citações precisam de atribuição que faça sentido sem pontuação visual. Um ser humano deve revisar as exceções.

Isso muda a arquitetura editorial. Uma publicação projetada para leitura e audição pensará de forma diferente sobre o comprimento das frases, legendas, descrições de gráficos, posicionamento dos jogadores e análises. O arquivo de áudio é a saída visível de um fluxo de trabalho maior.

As opções de receita vêm depois do comportamento de escuta

O áudio pode eventualmente apoiar patrocínios, feeds premium, assinaturas ou publicidade em áudio. O mercado internacional demonstra que os anunciantes pagarão para ouvir; o manual de receitas de publicidade em áudio examina os números públicos e as condições por trás deles.

Escolhi um modelo de software pago para o PUBVOICE em vez de inserir anúncios em cada player. Passei anos ajudando editores a adicionar e otimizar inventários de anúncios e não queria que o formato de áudio começasse como mais uma interrupção forçada. Essa escolha também cria uma obrigação clara: o produto tem de compensar o seu custo através de um valor mensurável.

Um modelo pago não é automaticamente mais ético e um modelo publicitário não é automaticamente pobre. Uma editora de serviço público, um jornal local e um site especializado em B2B têm economias diferentes. A decisão útil é aquela que corresponde ao comportamento do público e pode ser medida honestamente.

Ouvir é uma opção, não um substituto para a leitura

O texto permanece mais rápido para digitalização, pesquisa, citação e inspeção de detalhes. O áudio funciona bem para continuidade e consumo com viva-voz. Nenhum deles fica acima do outro.

Atualizações curtas, relatórios visuais e conteúdo com grande risco de correção podem não justificar a narração. Publicações sem capacidade de revisar nomes e medir o uso deverão atrasar a implementação. O custo de uma experiência de áudio de baixa confiança pode exceder o benefício.

A ideia durável é menor que uma previsão sobre o fim da leitura. Um escritor pode publicar uma vez e dar ao público duas maneiras de acompanhar o trabalho. Se esse segundo caminho merece um lugar permanente deve ser decidido pelos próprios ouvintes da publicação, pelo registro de correções e pelos dados.