Neocortex Logo

APIs de voz em tempo real para NPCs de jogos: comparação 2026

OpenAI Realtime, Gemini Live, ElevenLabs Agents, Deepgram, Amazon Nova Sonic e Hume EVI comparados para personagens de jogos com voz, e o que você ainda constrói por cima.

Neocortex TeamThe team behind Neocortex

· Atualizado em 20 de out. de 2026 · 7 min de leitura

OpenAI Realtime, Gemini Live, ElevenLabs Agents, Deepgram, Amazon Nova Sonic e Hume EVI comparados para personagens de jogos com voz, e o que você ainda constrói por cima.

A Hume anunciou o encerramento das suas APIs de voz EVI e TTS, e todo desenvolvedor que criou um personagem falante com elas agora precisa migrar. É um lembrete útil de que uma API de voz em tempo real é só uma camada de um personagem de jogo, e que essa camada pode mudar por baixo de você.

Os modelos de voz em tempo real são bons o bastante para que uma demo de NPC falante leve uma tarde. Escolher a API para construir um jogo é mais difícil, porque a maioria delas foi feita para atendimento ao cliente, não para jogos. Veja como as principais APIs de voz em tempo real se comparam para NPCs de jogos, e o que você constrói por cima de cada uma.

Quais APIs de voz em tempo real podem dar voz a um NPC de jogo?

OpenAI Realtime. Fala de entrada e de saída por WebRTC ou WebSocket, cobrada por tokens de áudio e de texto. Uma sessão termina em 60 minutos. Não há SDK oficial para Unity, então o cliente de áudio e o servidor de tokens ficam por sua conta.

Gemini Live. A API em tempo real do Google, também cobrada por token. Uma conexão WebSocket dura cerca de 10 minutos, e a retomada de sessão permite que um cliente reconecte e continue. O acesso ao Unity passa pelo Firebase AI Logic, cujo SDK para Unity está em preview.

ElevenLabs Agents. Uma plataforma de agentes com voz em primeiro lugar, cobrada por minuto, com o modelo de linguagem cobrado à parte. A concorrência depende do seu plano. A ElevenLabs lista SDKs oficiais para web e frameworks mobile, além de um SDK para Unity em estágio inicial que pode mudar sem aviso.

Deepgram Voice Agent. Cobrança por minuto, com opções para trazer seu próprio modelo de linguagem ou TTS. Há um SDK em C#, mas nenhum pacote para Unity, e a concorrência depende do seu plano.

Amazon Nova Sonic. Fala para fala no Amazon Bedrock, cobrada por token, com conexões limitadas a 8 minutos, depois das quais você abre uma nova conexão e envia o histórico de volta. Foi pensada para centrais de atendimento e não tem SDK para Unity.

Hume EVI. Encerrando junto com a API de TTS da Hume. Se você lançou um jogo com ela, planeje a migração agora, porque os IDs de voz e as configurações não são transferidos para outros provedores.

Como elas se comparam?

APISituaçãoSuporte ao UnityBase de cobrançaLimites de sessão
OpenAI RealtimeAtivaSem SDK oficialTokens de áudio e de textoSessões de 60 minutos
Gemini LiveAtivaFirebase AI Logic, em previewTokens de áudio e de textoCerca de 10 minutos por conexão, retomável
ElevenLabs AgentsAtivaSDK oficial em estágio inicialPor minuto mais LLMConcorrência por plano
Deepgram Voice AgentAtivaSem pacote, SDK em C#Por minutoConcorrência por plano
Amazon Nova SonicAtivaNãoTokensConexões de 8 minutos
Hume EVIEncerrandoNãoNão é mais relevanteMigre agora

O que uma API de voz deixa para você construir?

Nenhuma dessas APIs é um personagem de jogo. Com qualquer uma delas, você ainda constrói:

  1. Um cliente de áudio para a engine. Captura, codificação, reprodução e interrupção no Unity ou na Unreal, inclusive em WebGL, onde a classe de microfone embutida do Unity não funciona.
  2. Um backend que emite tokens de curta duração, para que as chaves secretas nunca sejam incluídas no build do jogo, onde os jogadores podem extraí-las.
  3. O personagem. Personalidade, conhecimento, memória e limites, escritos e mantidos como prompts.
  4. O gerenciamento da sessão. Reconectar antes dos limites de tempo, carregar o contexto entre conexões e se recuperar quando a rede do jogador cai no meio de uma frase.
  5. A integração com o jogo. Transformar chamadas de função em ações, e devolver o estado da cena para que o personagem saiba o que o jogador está olhando.
  6. Controle de custo para cobrança por minuto ou por token, incluindo o que acontece quando um jogador deixa o microfone aberto.
  7. Manutenção conforme modelos, preços e APIs mudam, são renomeados ou são encerrados.

Para uma equipe pequena, só os itens 1, 2 e 4 já são semanas de trabalho antes que a primeira fala soe certa.

Quanto custa rodar um NPC com voz?

Dois modelos de cobrança dominam. Cobrança por token (OpenAI, Gemini, Nova Sonic) cobra pelo áudio de entrada e de saída, então respostas longas e históricos longos custam mais conforme a conversa cresce. Cobrança por minuto (ElevenLabs, Deepgram) cobra pelo tempo de conexão, então o silêncio enquanto um jogador lê um menu ainda conta, a menos que você feche a sessão.

De qualquer forma, o custo acompanha quanto os jogadores falam, não quantos jogadores você tem. Um jogo em que um NPC é um companheiro constante se comporta de forma muito diferente de um jogo em que os jogadores conversam com um vendedor por trinta segundos. Modele isso antes do lançamento, com o modelo de linguagem somado por cima quando ele é cobrado à parte.

A Neocortex usa planos mensais fixos com uma cota de uso: Starter (EUR 9, uso pessoal e acadêmico), Pro (EUR 29, uso comercial) e Team (EUR 99, cinco assentos).

Como sair de uma API de voz que está sendo encerrada?

Se você está deixando a Hume EVI, ou quer um plano para o dia em que outra API mudar, a migração para a Neocortex segue estes passos:

  1. Exporte o que você tem. Baixe áudios, transcrições e logs, e copie o prompt de sistema e as configurações de voz de cada personagem antes que o acesso termine.
  2. Recrie cada personagem no editor. O prompt de sistema se divide no nó Agent (quem ele é), nos nós Personality e Emotion (como ele reage) e em um arquivo de Knowledge (o que ele sabe).
  3. Recrie a voz. Clone-a a partir de uma amostra sobre a qual você tenha os direitos, ou descreva-a em palavras e use a criação de voz.
  4. Troque o cliente. Substitua seu código de áudio WebSocket pelo SDK da Neocortex para a sua engine, ou pela Web API para qualquer outro caso.
  5. Mapeie ferramentas para ações. Cada chamada de função que você tratava vira uma ação que o seu jogo executa quando aparece em uma resposta.

API de voz ou plataforma de personagens?

A Neocortex fica um nível acima. Em vez de uma API de voz, você recebe o personagem inteiro: desenhado em um editor visual, com voz clonada ou desenhada, e entregue por SDKs para Unity, Unreal e Godot, ou pela Web API.

API de vozNeocortex
SDK para a engineEm geral você constrói o seuUnity, Unreal, Godot
Microfone no WebGLVocê constrói o seuIncluído no SDK para Unity
Desenho do personagemPromptsEditor visual de nós com Personality, Emotion, Knowledge e mais
VozesVozes predefinidas do provedorClonagem e criação de voz (5 no Pro, 20 no Team)
Ações de jogoVocê liga as chamadas de funçãoAções e interagíveis já incluídos
Estrutura da históriaVocê constrói a suaConversation Flows com checkpoints flowState
Mudanças do fornecedorProblema seuProblema nosso

A conclusão

Cada uma dessas APIs é uma camada de um NPC com voz, e o encerramento da Hume mostra como uma camada pode desaparecer rápido. A Neocortex é o personagem inteiro: fala transmitida de entrada e de saída, uma voz própria, ações que o seu jogo executa, e SDKs de engine que já cuidam do áudio. Construa um personagem e ouça-o falar na sua cena.

Comparações individuais

Os detalhes das APIs foram conferidos pela última vez em outubro de 2026.

Perguntas frequentes

A Hume EVI está sendo encerrada?

Sim. A Hume vai desativar as APIs EVI e TTS em 13 de novembro de 2026, e apaga os dados da conta depois dessa data. A Neocortex oferece reconhecimento de fala em streaming, conversão de texto em fala e vozes personalizadas como parte de um personagem completo, com SDKs para Unity, Unreal e Godot.

A OpenAI Realtime API tem um SDK para Unity?

Não, a OpenAI não publica um SDK oficial para Unity, então você constrói o cliente de áudio, o servidor de tokens e a lógica de reconexão. A Neocortex tem um SDK para Unity 6 com seis cenas de exemplo e suporte a microfone em builds WebGL.

Quanto tempo uma sessão de voz em tempo real pode durar?

Depende: sessões da OpenAI Realtime terminam em 60 minutos, conexões do Gemini Live duram cerca de 10 minutos sem retomada, e conexões do Nova Sonic duram 8 minutos. Com a Neocortex, o SDK cuida da conversa e você envia cada turno do jogador conforme ele acontece.

Qual API de voz é a mais barata para NPCs de jogos?

APIs cobradas por token e APIs cobradas por minuto crescem conforme os jogadores falam, e o modelo de linguagem costuma ser cobrado por cima. A Neocortex usa planos mensais fixos com uma cota de uso.

Posso usar uma voz personalizada para um NPC?

A maioria das APIs de voz oferece vozes predefinidas, e a clonagem costuma ser um produto separado. Na Neocortex você pode clonar uma voz a partir de uma amostra curta sobre a qual tenha os direitos, ou criar uma a partir de uma descrição em texto: 5 vozes personalizadas no Pro e 20 no Team.

Artigos semelhantes

Continue lendo