Transformar texto em áudio com IA: gerador de narração

Como escolher a voz

• Uma voz da biblioteca ganhou de uma voz criada. A voz que criamos a partir de uma descrição em texto soou teatral demais. As vozes profissionais prontas soaram naturais e com cara de cinema, e uma delas virou a voz definitiva da Mira. As vozes desta ferramenta também são prontas.
• Um personagem, uma voz. Mantenha a mesma voz em todos os vídeos, do mesmo jeito que você mantém o mesmo rosto.

Diálogo e sincronia labial

• Falas curtas podem ficar com o modelo de vídeo. O Seedance falou um cumprimento curto palavra por palavra. Numa tomada de 30 segundos com duas pessoas falando, ele embolou várias palavras, então gravamos o roteiro de novo com o Eleven v4.
• Ancore a voz nova no tempo de cada palavra. Transcrevemos a tomada gerada para saber o momento de cada palavra e depois esticamos a gravação nova para casar com ela sem mudar o tom. A diferença ficou em cerca de 20 milissegundos.
• Estique só o que aparece na tela, e pouco. Para quem fala em cena, grave a fala em algumas velocidades e fique com a tomada que precisa de menos ajuste, no máximo 25%. O cinegrafista estava fora de quadro, então as falas dele ficaram na velocidade natural; comprimidas, elas ficavam difíceis de acompanhar.

Risadas, som ambiente e mixagem

• Fique com a risada do modelo de vídeo. A tag [laughs] soou falsa nessa cena. A risada que o modelo de vídeo gerou combinava com o rosto dela, então separamos essa risada do áudio do clipe e mantivemos.
• Use o som de fundo do próprio clipe. Passos, murmúrios e pássaros vieram do modelo de vídeo, em vez de efeitos gerados à parte. A fala original foi abaixada em 40 dB em volta de cada palavra, para que só a voz nova seja ouvida.
• Não normalize o volume desse fundo sozinho. Normalizar a faixa rebaixada traz de volta o que sobrou da fala; aplique um ganho fixo.
• Use pouco reverb. No máximo cerca de um décimo da voz direta, sem uma primeira reflexão forte, que causa filtragem em pente (comb filtering).
• Confira a mixagem medindo, não só de ouvido. Transcreva a mixagem final e leia cada fala, mantenha a fala pelo menos 12 dB acima do fundo e deixe a voz principal um pouco mais alta que as outras. A nossa primeira mixagem tinha 4 dB de diferença; a final ficou com 18,7 dB.

Esta ferramenta entrega as vozes, não um editor: gere as falas aqui e depois alinhe e mixe no CapCut, no Premiere ou no DaVinci Resolve. Para um apresentador que fala direto para a câmera, a Foto falante faz a sincronia labial por você. O processo completo do personagem, do rosto ao vídeo pronto, está em como criar um influenciador com IA.

Diálogo

Uma cena com duas ou mais pessoas num arquivo só. Você escolhe uma voz para cada fala e pode colocar tags como [laughs] ou [short pause] entre elas. Serve para podcasts, esquetes e diálogos de anúncio. Um diálogo aceita até 10 vozes diferentes e 2.000 caracteres no total, cobrados por caractere como uma narração.

Efeitos sonoros

Descreva um som e receba o som: uma porta rangendo, aplausos, chuva, uma transição whoosh. A duração vai de 3 s a 30 s e é cobrada por segundo: um efeito de 5 s custa 2 créditos, e um de 30 s, 12. Mais detalhes nos efeitos sonoros com IA.

Música

O Compositor musical compõe a música que você descrever: uma canção com vocal ou uma trilha instrumental de fundo. Descreva o gênero, o clima e os instrumentos, e coloque a letra entre aspas. A duração vai de 15 s a 3 min; 30 s de música custam 18 créditos, e 3 min custam 108. A música é liberada para uso comercial. Mais detalhes em criar música com IA.