A tabela publicada de texto para fala do Azure lista 82 códigos de idioma distintos, cerca de 1,1% dos 7.170 idiomas que a Ethnologue contabiliza em uso hoje (82 / 7.170). A documentação do Gemini 3.8 Flash TTS afirma mais de 130 idiomas, e o projeto de pesquisa MMS chegou a 1.107, mas esse modelo mais abrangente é distribuído sob licença não comercial. A profundidade é mais rasa do que a abrangência: o inglês dos EUA tem 118 entradas na tabela do Azure contra 2 do amárico. Agregamos dados da Ethnologue, Microsoft, Google, Amazon, Apple, Meta e de pesquisas de fala revisadas por pares, lendo cada página de fornecedor em 31 de outubro de 2026. Este levantamento cobre apenas a síntese; para o lado do reconhecimento da mesma lacuna, veja nossas estatísticas de cobertura de reconhecimento de fala em idiomas de poucos recursos.
TL;DR
- 7.170 idiomas estão em uso no mundo, e 4.153 deles têm um sistema de escrita desenvolvido (Ethnologue 2026).
- 128 de 7.829 códigos de idioma chegaram aos dois níveis mais altos de suporte digital, cerca de 1,6% (Simons, Thomas e White, COLING 2022).
- Mais de 130 idiomas são declarados para o Gemini 3.8 Flash TTS, a maior afirmação comercial que lemos (Google, documentação do fornecedor).
- 82 códigos de idioma em 154 localidades aparecem na tabela de vozes do Azure Speech (Microsoft, documentação do fornecedor, contagem própria).
- 25 idiomas e 42 variantes aparecem na tabela do Amazon Polly, com 2 variantes que oferecem vozes de formato longo (Amazon, documentação do fornecedor, contagem própria).
- 1.107 idiomas têm modelos de síntese do MMS, cerca de 15,4% dos idiomas em uso (Meta AI, artigo do MMS, 2023).
- 945 desses 1.107 modelos atingiram taxa de erro de caracteres de 5 ou menos, mas a África ficou atrás, com 76% (Meta AI, artigo do MMS, 2023).
- 41 das 90 vozes do Aura-2 são em inglês (Deepgram, documentação do fornecedor, contagem própria).
- 18 dos 22 idiomas listados oficialmente da Índia aparecem na lista de fala de acessibilidade da Apple, contra 1 no Polly (Apple e Amazon, documentação dos fornecedores, levantamento próprio).
- 1.704 horas de 10.496 locutores agora cobrem todos os 22 idiomas listados oficialmente da Índia para síntese de fala (AI4Bharat, IndicVoices-R, 2024).
1. O Denominador: 7.170 Idiomas, e Nem Todos Escritos
Toda afirmação de cobertura precisa de um denominador, e a síntese tem um mais severo do que a maioria imagina. O texto para fala lê texto, então 3.017 idiomas sem sistema de escrita desenvolvido ficam fora do caminho normal de entrada antes mesmo de qualquer modelo ser treinado.
A população conta uma história mais generosa, e as duas visões nunca devem ser misturadas. Uma plataforma pode atender a maioria das pessoas listando menos de 3% dos idiomas, porque mais de 88% das pessoas falam como língua nativa um entre apenas 200 idiomas, e 200 / 7.170 é 2,8%. Nenhuma das páginas de fornecedores que lemos informa que parcela das pessoas seu catálogo alcança, então o alcance não pode ser comparado diretamente.
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas em uso no mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Idiomas com sistema de escrita desenvolvido vs sem ele | 4.153 (57,9%) vs 3.017 (42,1%, de 7.170 - 4.153, nosso cálculo) | FAQ da Ethnologue, 29ª edição, 2026 |
| Pessoas cuja língua nativa é um dos 200 maiores idiomas | Mais de 88% | Ethnologue 200, 2026 |
| Códigos de idioma nos dois níveis mais altos de suporte digital (Vital e Thriving) | 128 de 7.829 (95 + 33), ou 1,6% | Simons, Thomas e White, COLING 2022 |
| Códigos de idioma no nível mais baixo de suporte digital (Still, pontuação 0) | 3.996 de 7.829, ou 51,0% | Simons, Thomas e White, COLING 2022 |
| Códigos de idioma nos dois níveis intermediários de suporte digital (Emerging, Ascending) | 3.304 e 401 | Simons, Thomas e White, COLING 2022 |
Dados mais recentes disponíveis sobre os níveis de suporte digital: Simons, Thomas e White, 2022. Esse estudo coletou listas de idiomas suportados de 143 ferramentas digitais, e o processamento de fala é uma das suas sete categorias de ferramentas. Os totais vêm da contagem de idiomas da Ethnologue e da sua FAQ sobre sistemas de escrita.
2. Catálogos Comerciais Lado a Lado
Estas são contagens da documentação dos fornecedores: o registro primário do que cada plataforma lista, não prova independente de qualidade. A distância entre o catálogo mais longo e o mais curto desta tabela vai de mais de 130 idiomas a 9.
A unidade importa tanto quanto o número. Uma localidade é um idioma mais uma região, então espanhol do México e espanhol da Espanha contam como duas localidades, mas um só idioma. A página de visão geral do Azure diz “mais de 100 idiomas e localidades”, o que mistura os dois; a própria tabela de idiomas do Azure Speech se resolve na linha abaixo.
Mais longo também não significa um superconjunto do mais curto. A tabela de idiomas do Gemini TTS não tem linha para ucraniano, urdu nem zulu, e o Azure lista os três.
| Métrica | Valor | Fonte |
|---|---|---|
| Gemini 3.8 Flash TTS | Mais de 130 idiomas declarados; 132 linhas na tabela, lida em 31 de outubro de 2026 | Google, documentação de geração de fala da Gemini API, atualizada em 28 de outubro de 2026 (afirmação do fornecedor) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 idiomas | ElevenLabs, documentação dos modelos (afirmação do fornecedor) |
| Vozes predefinidas do Azure Speech | 82 códigos de idioma em 154 localidades; inglês, espanhol e árabe somam 52 das 154 (33,8%) | Microsoft, tabela de suporte a idiomas, atualizada em 22 de outubro de 2026 (documentação do fornecedor, contagem própria) |
| Apple VoiceOver, Live Speech e Read & Speak | 75 entradas de idioma no iOS 27 | Apple, disponibilidade de recursos do iOS (documentação do fornecedor) |
| Tabela de vozes do Google Cloud Text-to-Speech | 53 códigos de idioma, 61 códigos de idioma e região; só o Chirp 3: HD cobre 47 idiomas em 53 localidades | Google Cloud, lista de vozes e documentação do Chirp 3: HD (documentação do fornecedor, contagem própria) |
| Sonic 3.6 | 44 idiomas | Cartesia, documentação dos modelos TTS (afirmação do fornecedor) |
| Amazon Polly | 25 idiomas, 42 variantes, 123 listagens de voz | Amazon, vozes disponíveis do Polly (documentação do fornecedor, contagem própria) |
| IBM Text to Speech | 9 idiomas base, 15 entradas de idioma, 48 vozes | Documentação do IBM Cloud, atualizada em 4 de junho de 2026 (documentação do fornecedor, contagem própria) |
Se você está escolhendo um gerador de voz com IA para um idioma diferente do inglês, a tabela que vale abrir é a lista por localidade, não o número de destaque na página do produto.
3. Profundidade de Vozes: Onde as Vozes Realmente Estão
Um idioma estar listado diz pouco sobre quantas vozes ele recebe. O inglês dos EUA tem 118 entradas na tabela do Azure, enquanto amárico, africâner e zulu têm 2 cada, uma proporção de 59 para 1. Para um produtor, 2 vozes podem significar nenhuma escolha de idade, tom ou personagem.
O padrão se repete em catálogos de todos os tamanhos. Polly, Aura-2 e o modelo aberto Kokoro colocam entre 28,5% e 51,9% das suas vozes em inglês. Parte da diferença é estrutural: as entradas da tabela podem repetir uma mesma persona em níveis de qualidade diferentes, então são contagens de listagem, não de locutores únicos.
| Métrica | Valor | Fonte |
|---|---|---|
| Entradas de voz na tabela do Azure: inglês dos EUA vs mandarim vs alemão vs hindi | 118 vs 59 vs 23 vs 17 | Microsoft, tabela de suporte a idiomas (documentação do fornecedor, contagem própria) |
| Entradas de voz na tabela do Azure para amárico, africâner, árabe egípcio e zulu | 2 cada | Microsoft, tabela de suporte a idiomas (documentação do fornecedor, contagem própria) |
| Listagens de voz do Polly em variantes de inglês | 35 de 123 (28,5%) | Amazon, vozes disponíveis do Polly (documentação do fornecedor, contagem própria) |
| Vozes do Aura-2: inglês vs espanhol vs francês | 41 vs 17 vs 2, de 90 em 7 idiomas | Deepgram, documentação dos modelos TTS (documentação do fornecedor, contagem própria) |
| Vozes do Kokoro-82M em inglês americano e britânico | 28 de 54 (51,9%), contra 1 em francês | Hexgrad, lista de vozes do Kokoro-82M (documentação do projeto) |
| Entradas do Google Cloud para hindi (Índia) vs islandês | 46 (30 Chirp 3: HD, 4 Neural2, 6 Standard, 6 WaveNet) vs 1 voz Standard | Google Cloud, lista de vozes (documentação do fornecedor, contagem própria) |
| Vozes integradas da OpenAI no endpoint de fala | 13, que a documentação chama de “atualmente otimizadas para inglês” | OpenAI, guia de texto para fala (afirmação do fornecedor) |
A lista de vozes do Cloud mostra por que os níveis também importam: as 30 entradas do Chirp 3: HD para hindi vêm de um único conjunto de vozes compartilhado, e os idiomas fora desse conjunto mantêm tipos de voz mais antigos. A contagem do Polly vem da tabela de vozes, em que 4 nomes se repetem por serem bilíngues, o que deixa 119 nomes distintos.
4. Níveis de Recursos: Listado Não Significa Igual
O total do catálogo é o maior número que um fornecedor pode citar, e cada recurso premium fica em um subconjunto menor. O mecanismo generativo do Polly alcança 25 das 42 variantes, e mandarim, japonês, árabe e russo estão entre as 17 deixadas de fora.
O Azure mostra o mesmo afunilamento. Suas 154 localidades caem para 102 entradas com visemas (dados de formato da boca usados para animar um rosto) e 42 com transferência entre idiomas (fazer uma voz personalizada falar um segundo idioma). Equipes que planejam um lançamento multilíngue devem checar o recurso, não o idioma. Velocidade e preço por modelo são outra questão, tratada em nossas estatísticas de custo de inferência de TTS.
| Métrica | Valor | Fonte |
|---|---|---|
| Localidades do Azure por recurso: vozes predefinidas / entradas de visema / voz personalizada profissional / voz pessoal / origem de transferência entre idiomas | 154 / 102 / 68 / 65 / 42 | Microsoft, tabela de suporte a idiomas (documentação do fornecedor, contagem própria) |
| Variantes do Polly com pelo menos uma voz generativa vs pelo menos uma voz de formato longo | 25 de 42 (59,5%) vs 2 de 42 (inglês dos EUA, espanhol da Espanha) | Amazon, vozes disponíveis do Polly (documentação do fornecedor, contagem própria) |
| Variantes do Polly que oferecem apenas o mecanismo de voz Standard | 6 de 42, incluindo russo, romeno e islandês | Amazon, vozes disponíveis do Polly (documentação do fornecedor, contagem própria) |
| Linhas da tabela do Gemini com suporte no Flash TTS vs no Flash-Lite TTS | 132 vs 103; finlandês, sueco, tailandês e suaíli estão entre os 29 ausentes do Flash-Lite | Google, documentação de geração de fala da Gemini API (documentação do fornecedor, contagem própria) |
| Idiomas do Personal Voice da Apple vs entradas da lista de fala de acessibilidade | 3 vs 75 no iOS 27 | Apple, disponibilidade de recursos do iOS (documentação do fornecedor) |
A lacuna da Apple é a mais nítida: sua página de disponibilidade de recursos lista o Personal Voice apenas para inglês dos EUA, mandarim continental e espanhol mexicano.
5. Modelos Abertos: Alcance Amplo, com Condições
O lado aberto detém o maior número deste levantamento. O MMS-TTS chegou a 1.107 idiomas, cerca de 8,5 vezes os 130 declarados para o Gemini (1.107 / 130), e cerca de 11 vezes os aproximadamente 100 idiomas que a tecnologia de fala cobria antes dele (1.107 / 100).
A abrangência teve um custo. O artigo do MMS treinou um modelo VITS separado para cada idioma, em sua maioria a partir de gravações de um único locutor de textos religiosos, e sua ficha do modelo lista uma licença não comercial. Seu resultado mais útil é regional: a qualidade caiu mais na África, o que os autores atribuem “em parte” aos sistemas de escrita.
A taxa de erro de caracteres aqui significa que um reconhecedor de fala transcreve o áudio sintético e os erros são contados, então menor é melhor. Ela mede se as palavras sobrevivem, não se a fala soa natural; para esse lado, veja nossas estatísticas de prosódia e entonação em TTS neural.
| Métrica | Valor | Fonte |
|---|---|---|
| Cobertura de idiomas e licença do MMS-TTS | 1.107 idiomas (15,4% de 7.170), CC-BY-NC 4.0 | Pratap et al. (Meta AI), artigo do MMS, 2023; ficha do modelo no Hugging Face |
| Idiomas do MMS que atingem taxa de erro de caracteres de 5 ou menos em fala sintética | 945 de 1.107 (85%) | Pratap et al. (Meta AI), artigo do MMS, 2023 |
| Parcela dos idiomas do MMS que atingem esse limite, por região | África 76% (277 de 363), Ásia 88%, América do Norte 87%, Pacífico 90%, América do Sul e Europa 95% | Pratap et al. (Meta AI), artigo do MMS, 2023 |
| Taxa de erro de caracteres do MMS, fala sintética vs fala de referência humana; nota média de opinião (1 a 5) em 61 idiomas | 3,5 ±0,2 vs 2,2 ±0,1; 3,52 para a sintética vs 3,33 para o áudio de referência humano fora dos dados de treinamento, diferença que os autores atribuem a gravações de referência ruidosas | Pratap et al. (Meta AI), artigo do MMS, 2023 |
| Idiomas de destino do SeamlessM4T: saída de fala vs saída de texto | 36 vs 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| Sintetizador baseado em regras eSpeak NG | Mais de 100 idiomas e sotaques | README do projeto eSpeak NG |
| Lista de vozes do Piper | 37 idiomas, 42 entradas de localidade; repositório arquivado em 6 de outubro de 2025 | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual vs XTTS-v2 | 23+ vs 17 idiomas | Resemble AI, repositório do Chatterbox; Coqui, ficha do modelo XTTS-v2 |
Dados mais recentes disponíveis sobre a qualidade de síntese por idioma: Pratap et al., 2023. Modelos abertos mais novos nesta tabela listam bem menos idiomas. O artigo do SeamlessM4T mostra a mesma assimetria dentro de um único modelo: ele lê e escreve muito mais idiomas do que fala.
6. África e Índia: Onde a Lacuna Fica Específica
As contagens regionais expõem o que os totais globais escondem. A tabela do Gemini tem 22 idiomas da África, a do Azure tem 5, e Polly e Apple não listam nenhum além do inglês sul-africano, enquanto só a África Subsaariana abriga mais de 2.000 idiomas distintos (Google Research, WAXAL 2026).
O iorubá mostra que a lacuna não é só de dados. Ele aparece nos corpora abertos WAXAL e BibleTTS, mas não tem entrada nas tabelas do Azure, Polly, Chirp 3: HD ou Gemini que lemos. Existirem dados públicos não significa que uma plataforma lançou uma voz.
A Índia conta uma história melhor, porque um conjunto de dados fechou uma lacuna conhecida. Os conjuntos anteriores paravam em 14 dos 22 idiomas listados oficialmente, segundo o artigo do IndicVoices-R, muitas vezes com 1 ou 2 locutores por idioma. Comunidades pequenas podem precisar de menos do que se espera: Pine e colegas questionaram a premissa de que a síntese neural exige grandes conjuntos de dados.
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas da África, excluindo variedades do árabe: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Catálogos de Google, Microsoft, Amazon e Apple (documentação dos fornecedores, levantamento próprio) |
| Idiomas e horas gravadas do WAXAL-TTS | 17 idiomas; mais de 180 horas na ficha do conjunto de dados, mais de 235 no artigo, mais de 565 no post do blog | Google Research, ficha do conjunto de dados, artigo e blog do WAXAL, 2026 |
| Gravações de qualidade de estúdio do BibleTTS para síntese africana | 10 idiomas, até 86 horas por idioma a 48 kHz | Meyer et al., Interspeech 2022 |
| 22 idiomas listados oficialmente da Índia, quantos constam: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Catálogos de Apple, Google, Microsoft e Amazon (documentação dos fornecedores, levantamento próprio) |
| Dados anteriores de síntese para a Índia: IndicTTS | 284 horas, 27 locutores, 14 idiomas | AI4Bharat, artigo do IndicVoices-R, 2024 |
| Corpus de síntese de fala IndicVoices-R | 1.704 horas, 10.496 locutores, 22 idiomas | AI4Bharat, artigo do IndicVoices-R, 2024 |
| Corpus de fala em Kanien’kéha após decisão da comunidade de excluir gravações de falantes que já faleceram | 3,46 horas mantidas de 24 gravadas | Pine et al. 2022, conforme relatado por Nigatu et al. 2024 |
| Modelo FastSpeech2 com 1 hora de inglês vs Tacotron2 com 10 horas | Naturalidade comparável | Pine et al., ACL 2022 |
Dados mais recentes disponíveis sobre o BibleTTS e sobre os achados de Pine et al.: 2022. O número do Kanien’kéha é reportado por Nigatu et al. e é o mais útil desta tabela: o limite desse corpus foi o consentimento, não a tecnologia.
Resumo: Cobertura de Idiomas e Vozes em Texto para Fala em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas em uso no mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Pessoas cuja língua nativa é um dos 200 maiores idiomas | Mais de 88% | Ethnologue 200, 2026 |
| Códigos de idioma nos dois níveis mais altos de suporte digital | 128 de 7.829 | Simons, Thomas e White, COLING 2022 |
| Idiomas do Gemini 3.8 Flash TTS | Mais de 130 declarados | Google, documentação da Gemini API (afirmação do fornecedor) |
| Idiomas do Eleven v4 | 90+ | ElevenLabs, documentação dos modelos (afirmação do fornecedor) |
| Códigos de idioma e localidades do Azure | 82 e 154 | Microsoft, tabela de suporte a idiomas (contagem própria) |
| Lista de fala de acessibilidade da Apple | 75 entradas | Apple, disponibilidade de recursos do iOS |
| Idiomas e variantes do Amazon Polly | 25 e 42 | Amazon, vozes disponíveis do Polly (contagem própria) |
| Entradas de voz do Azure: inglês dos EUA vs amárico | 118 vs 2 | Microsoft, tabela de suporte a idiomas (contagem própria) |
| Vozes do Aura-2 que são em inglês | 41 de 90 | Deepgram, documentação dos modelos TTS (contagem própria) |
| Variantes do Polly com voz generativa | 25 de 42 | Amazon, vozes disponíveis do Polly (contagem própria) |
| Idiomas do MMS-TTS | 1.107 | Pratap et al. (Meta AI), artigo do MMS, 2023 |
| Idiomas africanos do MMS com taxa de erro de caracteres de 5 ou menos | 277 de 363 (76%) | Pratap et al. (Meta AI), artigo do MMS, 2023 |
| Vozes do Kokoro-82M em inglês americano e britânico | 28 de 54 | Hexgrad, lista de vozes do Kokoro-82M |
| Corpus IndicVoices-R | 1.704 horas, 22 idiomas | AI4Bharat, artigo do IndicVoices-R, 2024 |
| Corpus de fala em Kanien’kéha mantido vs gravado | 3,46 vs 24 horas | Pine et al. 2022, conforme relatado por Nigatu et al. 2024 |
Metodologia e Fontes
Todas as páginas de fornecedores foram lidas em 31 de outubro de 2026. Os números marcados como “contagem própria” ou “levantamento próprio” são contagens nossas de tabelas publicadas; continuam sendo afirmações dos fornecedores sobre o que é oferecido, não testes independentes de que cada voz funcione bem.
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, FAQ sobre idiomas sem escrita.
- Simons, Thomas e White: Assessing Digital Language Support on a Global Scale, COLING 2022.
- Microsoft: Suporte a idiomas e vozes do Azure Speech, visão geral de texto para fala.
- Google: Geração de fala da Gemini API, lista de vozes do Cloud, Chirp 3: HD, blog do WAXAL, artigo do WAXAL, ficha do conjunto de dados WAXAL.
- Amazon: Vozes disponíveis do Polly.
- Apple: Disponibilidade de recursos do iOS.
- Documentação de fornecedores: modelos da ElevenLabs, modelos TTS da Cartesia, modelos TTS da Deepgram, vozes da IBM, guia de texto para fala da OpenAI.
- Meta: artigo do MMS, ficha do modelo MMS-TTS, SeamlessM4T na Nature.
- Projetos abertos: vozes do Kokoro-82M, vozes do Piper, eSpeak NG, Chatterbox, XTTS-v2.
- Pesquisa: BibleTTS, Meyer et al., IndicVoices-R, Pine et al., ACL 2022, Nigatu et al., Zeno’s Paradox of Low-Resource Languages.
- Nota sobre os dados: os catálogos dos fornecedores mudam sem aviso, então trate cada contagem como um instantâneo. As entradas do Azure repetem personas em níveis de qualidade, e o grupo de inglês dos EUA inclui entradas com vários locutores cujos nomes remetem ao francês e ao chinês. A tabela do Gemini tem 132 linhas, mas 5 idiomas aparecem duas vezes por escrita, o que deixa 127 nomes, e não vimos dados de qualidade por idioma na página. O suaíli aparece na tabela do Chirp 3: HD, mas não o encontramos na lista de vozes mais ampla, então a contagem de 53 códigos pode estar baixa em um. A FAQ sobre sistemas de escrita da Ethnologue cita um número da 28ª edição sob uma citação da 29ª edição, e Simons et al. usam 7.829 códigos ISO em vez de 7.170 idiomas vivos, então os dois denominadores não são intercambiáveis. As três fontes do WAXAL divergem (27 idiomas e mais de 565 horas no blog, 24 idiomas e mais de 235 horas no artigo, 17 idiomas de síntese e mais de 180 horas na ficha). O artigo do SeamlessM4T diz 36 idiomas de fala nos resultados, mas “35 em forma de fala” nos métodos. O guia da OpenAI diz tanto 11 quanto 13 vozes integradas, e lista seus modelos de fala atuais como desativados em 6 de janeiro de 2027. A lista da Apple agrupa três recursos sob um único título. Nossas contagens regionais são correspondências de nomes de idiomas, não auditorias linguísticas, e as comparações de 8,5x e 15,4% usam o total de 7.170 e uma afirmação de mais de 130, então ambas são aproximadas.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a Ethnologue publicar sua 30ª edição.