Som e fala
Aula 7 de 22 do curso “Vídeo com IA sem flop”. Grátis, com animações e teste.
Quatro camadas de som
O som é metade do realismo. Um vídeo de IA mudo parece morto, mesmo com imagem perfeita. No cinema, o som é montado em quatro camadas: fala, ambiente (barulho da rua, vento, som da sala), efeitos e foley (passos, tecido, impactos) e música. Antes tudo era feito à parte; agora Veo 3.1, Kling 3.0 e Seedance 2.0 geram som junto com a imagem. É prático, mas o som também precisa ser dirigido com palavras, senão o modelo coloca algo aleatório. Nesta aula vamos ver cada camada e decidir o que gerar e o que pôr na edição.
Foley: som que tem peso
O foley tem o nome de Jack Foley, artista de som da Universal que, no começo do cinema falado, passou a recriar passos e farfalhar de roupa no ritmo da imagem. O segredo é a sincronia: o som acontece exatamente no momento do contato. O pé toca o concreto: rangido. O braço sobe: o moletom farfalha. O cérebro cola som e movimento, e o corpo na tela parece mais pesado e real. Por isso, no prompt, escreva o som junto com a ação e o material: não “passos”, e sim “o tênis range no concreto molhado”. O material diz ao modelo como o som deve ser.
A fala entre aspas
Modelos com som entendem um formato simples: quem fala, em que tom e a frase entre aspas. Por exemplo: Mira says: “Drop’s live. Grab it before I do.” A regra principal é o tamanho. A gente fala umas 2–3 palavras por segundo, então num plano de 8 segundos cabem até 20 palavras, e o confortável é 10–15. Uma fala longa é cortada ou o modelo começa a atropelar. Uma fala e uma pessoa falando por plano; o diálogo se monta com vários planos. Se o modelo desenhar legendas no quadro, ponha “subtitles” no negative prompt.
A música entra na edição
Um modelo pode compor música para um plano, mas num anúncio isso é uma armadilha. Cada plano terá sua melodia, e a música vai quebrar em cada corte. Uma faixa gerada não se corta direito no ritmo, e os direitos muitas vezes são incertos. Profissionais fazem assim: no prompt descrevem só ambiente e efeitos, como “Audio: street ambience, footsteps, distant traffic”, e põem uma faixa só por cima na edição. Para marcas, o TikTok tem a Commercial Music Library: música que dá para usar legalmente em anúncios. Outras opções: faixa própria ou música de banco com licença.
Lip-sync e tradução
Se você precisa de uma fala exata ou da sua própria voz, há um caminho mais confiável que gerar a fala: gravar a voz (ou sintetizar) e colocar no vídeo com lip-sync, assim os lábios acompanham o som. O mesmo truque faz traduções: o Higgsfield Translate traduz um vídeo para 18 idiomas e mexe os lábios conforme o novo texto. Assim um vídeo da Mira vira versões para o Brasil, o México e a Turquia. Duas regras. Primeira: um nativo revisa a tradução, porque gíria de máquina soa cringe fácil. Segunda: voz de outra pessoa só se clona com consentimento por escrito do dono. A sua, à vontade.
O som no fim do prompt
Quando luz, câmera e sons se misturam num parágrafo só, o modelo se perde: um ruído pode virar imagem, e uma imagem, som. Uma ordem confiável: primeiro o plano e a ação, depois a câmera, depois luz e cor, e por último a linha de som marcada com “Audio:”. Os exemplos oficiais de prompt do Veo fazem o mesmo: o som vem separado. A ordem também ajuda você: a linha de áudio é fácil de achar e mudar sem mexer na imagem. Veja o prompt da Mira no esquema: quatro blocos, cada um com o seu.
Legendas para quem assiste sem som
A maior parte do feed é rolada no metrô, na aula e à noite, ou seja, sem som. Já em 2016 o Digiday contou que até 85% dos vídeos do Facebook eram vistos sem som. Se o sentido do vídeo depende de uma fala, sem legenda ninguém entende. Faça as legendas na edição, não por geração: o modelo vai desenhar rabiscos. Coloque grandes, em 1–2 linhas, no meio da tela. No TikTok e no Reels, a parte de baixo e a borda direita ficam cobertas pela legenda do post, pelos botões e pelo nome da música, então o texto se perde ali.
Teste-se
- A Mira pôs uma fala de 40 palavras num plano de 8 segundos. O modelo atropela e corta a frase. O que fazer?
Resposta certa: Cortar para 10–15 palavras ou dividir em dois planos. A gente fala 2–3 palavras por segundo, então cabem bem 10–15 em 8 segundos. O resto vai para o próximo plano. - Num anúncio de cinco planos, o modelo gerou uma música diferente em cada um. A melodia quebra em cada corte. Qual o certo?
Resposta certa: Deixar só ambiente e efeitos nos prompts e pôr uma faixa licenciada na edição. Uma faixa por cima amarra o vídeo e deixa cortar no ritmo, e a licença resolve os direitos. - A Mira quer uma versão em inglês com a voz da amiga Lena, que está de férias. O que fazer?
Resposta certa: Mandar mensagem para a Lena e ter o consentimento por escrito; até lá usar a própria voz ou TTS. A voz faz parte da identidade. Clonar para anúncio exige consentimento explícito do dono, de preferência por escrito. - As legendas do vídeo da Mira ficam embaixo e no Reels a legenda do post cobre. O que mudar?
Resposta certa: Subir legendas grandes para o meio da tela, longe da borda direita. O meio da tela não tem interface, e texto grande se lê até de passagem.