Pular para o conteúdo

Locução com IA no ElevenLabs: escolha a voz, dirija a interpretação, corrija a palavra

Escolha uma voz ouvindo-a ler as suas próprias palavras, escale um diálogo como uma relação, coloque tags de interpretação onde o pensamento muda e corrija uma palavra mal pronunciada sem mexer no texto da tela, com takes reais para ouvir lado a lado.

Atualizado em

Um catálogo de vozes é cheio de rótulos: “confiante”, “calorosa”, “ótima para narração”. Nenhum deles diz como uma voz vai ler o seu roteiro. O único teste que decide é ouvir alguns candidatos lendo as mesmas palavras. Abaixo estão três narradores que o agente do Bald Rhino testou para um vídeo explicativo de ciência sobre como as asas sustentam um jato, feitos com o Eleven v4, da ElevenLabs. Cada um leu a abertura inteira (em inglês); escolha uma voz e acompanhe as palavras enquanto ela fala, ou clique em qualquer palavra para ouvir dali em diante.

Michael C. Vincent
Brian
Matilda

[intrigued] A loaded jumbo jet can weigh around four hundred tonnes. So what's holding it up? The answer is right here, in the shape of the wing. A wing is curved, and tilted slightly upward. As it slices through the air, the flow over the top speeds up, and its pressure drops. Underneath, the air slows and presses harder. Low pressure above. Higher pressure below. The wing gets pushed up. That's lift. Now look behind the wing. The air leaves it bent downward. Push air down, and the air pushes the wing up. Two ways of describing the same flow. [lightly amused] And no, the air on top isn't racing to "catch up" with the air below. It actually gets there first. More speed and more wing mean more lift. Enough to carry four hundred tonnes into the sky.

1. Escale para o trecho, não para o rótulo

Descreva a interpretação antes de olhar os nomes. Um narrador pode precisar sustentar uma explicação longa sem transformar cada frase num anúncio; um apresentador pode precisar de um ritmo íntimo, de conversa; um personagem precisa reagir a outro intérprete e mudar com a cena. Essas são necessidades de elenco. Rótulos e categorias só estreitam a busca: uma voz marcada como “notícias” pode atuar, e uma marcada como “narração” pode atropelar o seu tipo de roteiro.

Comece com uma lista curta de duas ou três e ouça-as lendo o mesmo trecho, no mesmo volume, guardando os arquivos. Ponha nele as palavras que importam: a marca, um nome, um número e uma mudança de sentimento. Para outro idioma ou sotaque, faça o teste exatamente nesse idioma e na fala regional; o nome de exibição de uma voz ou o suporte do modelo ao idioma não provam que ela soa bem em português do Brasil ou em espanhol do México. Depois mantenha a escolha: uma voz aprovada segue em todas as cenas e revisões seguintes.

2. Mude uma coisa de cada vez

Separe a escalação do ajuste. Primeiro ouça qual voz serve ao papel; depois, só se a interpretação precisar, mude um controle dessa voz. No Eleven v4 há dois: estabilidade (diminua quando uma boa leitura precisa de mais variação, aumente quando a interpretação se dispersa) e similaridade (aumente quando o resultado deixa de soar como a voz que você escolheu, diminua quando a semelhança traz traços indesejados da fonte). Os takes acima usaram 0,5 de estabilidade e 0,75 de similaridade, um ponto de partida para comparar, não um ideal testado. O v4 não tem controles de velocidade nem de estilo: molde o ritmo com as palavras, a pontuação e as indicações de interpretação.

3. Escale um diálogo como uma relação

Numa conversa, a dupla importa tanto quanto cada voz. Uma pessoa lenta e seca diante de outra apressada e cheia de si torna uma troca fácil de acompanhar e engraçada. Teste um papel de cada vez: estes dois takes de uma discussão de madrugada mantêm o mesmo Aristóteles e mudam só Sócrates. Ouça como as mesmas falas soam com um barítono grave e impassível e com um contador de histórias caloroso.

Del como Sócrates
George como Sócrates
  1. Sócrates [calm, amused] Aristotle. It's two a.m. Why are you still scrolling?
  2. Aristóteles [quickly, not looking up] Research.
  3. Sócrates On what?
  4. Aristóteles [pause] [embarrassed mumble] ...Raccoons who are bad at stealing.
  5. Sócrates [gently] Ah. And what are you looking for?
  6. Aristóteles [defensive] Nothing! I'm relaxing.
  7. Sócrates So you're working very hard... at relaxing. And you feel?
  8. Aristóteles [flat] Terrible. Thank you.
  9. Sócrates [slowly, leaning in] Then tell me. Is the phone serving you... or are you serving the phone?
  10. Aristóteles [exasperated] Okay, stop with the questions. This is why they gave you hemlock.
  11. Aristóteles [regaining composure, lecturing] Look. The problem isn't the phone. It's the dose. Zero screen time? Hermit. Infinite screen time? Raccoon. Virtue lives in the middle. The golden mean.
  12. Sócrates [innocently] And where is the middle... at two in the morning?
  13. Aristóteles [long pause, realising] ...Asleep. [quietly] The middle is asleep.
  14. Aristóteles [recovering, grand] Excellence is not an act, it's a habit. We are what we repeatedly do.
  15. Sócrates [dry] Lovely. Will Durant wrote that. In nineteen twenty-six.
  16. Aristóteles [flustered] ...It's the vibe of my work!
  17. Sócrates [warmly, savouring it] The unexamined scroll is not worth scrolling.
  18. Aristóteles [grudgingly impressed] Put that on a mug.
  19. Sócrates I don't write things down.
  20. Aristóteles [sighs] Fine. I'll post it for you.

Gere uma troca num único pedido, com cada fala ligada a quem fala (guia de Text to Dialogue da ElevenLabs), para que o tempo, as pausas e as passagens de uma pessoa para a outra sobrevivam. Um nome digitado no texto não escolhe uma voz; a atribuição de quem fala, sim.

4. Dirija onde o pensamento muda

As tags entre colchetes no diálogo acima, como [calm, amused] (calmo, divertido), [embarrassed mumble] (resmungo envergonhado) ou [long pause, realising] (pausa longa, percebendo), são indicações para a voz, não palavras. Coloque cada uma ao lado da frase que ela afeta, onde a intenção muda: o tom tranquilizador virando irritação, depois alívio, dentro de uma mesma fala. Marque cada mudança em vez de rotular cada frase. Combine tags compatíveis quando as duas importam ([annoyed] [under his breath]: irritado, entre dentes).

As tags são linguagem natural, não uma lista fixa, e não garantem o efeito. Confira se a indicação pede uma qualidade de voz, e não um som de fundo (guia de prompts da ElevenLabs). Deixe notas de câmera e explicações fora do texto falado: “ela disse, animada” pode ser lido em voz alta. E guarde uma cópia limpa do diálogo, sem tags, para as legendas.

5. Mantenha um pensamento num só take

Gere um pensamento ou uma troca completa num único pedido sempre que puder. Cortar cada frase num pedido próprio dá a cada uma uma cadência nova de abertura e de fechamento, e as emendas aparecem. Quando um texto longo precisa ser dividido, divida nas viradas reais e dê a cada parte as palavras logo antes e logo depois dela como contexto, para a interpretação se ligar. Ouça através da emenda. Se um pequeno conserto soa colado, gere de novo o pensamento inteiro em volta dele.

6. Corrija uma palavra sem mexer na tela

Quando uma palavra sai errada, mude só o que a voz recebe, não o roteiro nem as legendas. Neste anúncio, o primeiro take leu “Live” (ao vivo) como o verbo de “I live here” (“eu moro aqui”), com som de “liv”. Duas correções foram testadas só no texto oculto da voz: uma grafia alterada e uma transcrição em IPA. A grafia alterada foi mantida, e a tela continua dizendo “Live”. Ouça as três tentativas:

Na tela

Live one-on-one lessons with a certified teacher.

O que a voz recebeu

Live one-on-one lessons with a certified teacher.

Live · Como escrito: lido como “liv”
Lyve, · Grafia alterada: mantida
"/laɪv/" · IPA: não usada

O Eleven v4 aceita IPA entre barras dentro do texto, com as marcas de tonicidade. Confira a transcrição para o idioma e o sotaque pretendidos em vez de adivinhá-la pela grafia, teste a palavra no contexto antes de usá-la num roteiro inteiro e aplique-a só àquela palavra. Como aqui, uma simples grafia alterada pode funcionar melhor.

7. Diga números, datas e pausas de propósito

Decida como uma data, um valor, um número de telefone, uma sigla ou uma unidade devem soar naquele idioma e escreva assim quando isso importa: algarismos, um número, letras ou palavras. Defina o idioma quando você o souber; um código de idioma escolhe o idioma, não um sotaque regional (referência da API de Text to Dialogue da ElevenLabs). O v4 não aceita tags de pausa em SSML: a pontuação e a estrutura do texto moldam o ritmo, e reticências sugerem hesitação sem prometer um silêncio exato. Para uma pausa precisa, coloque-a na edição.

Quando um trecho não cabe no tempo dele, corte palavras ou mude a imagem antes de fazer a voz correr. Mantenha as respirações e as pausas que carregam o pensamento.

8. Fique com o que está bom e ouça antes de decidir

Conserte a menor parte que está errada e mantenha a interpretação aprovada em volta dela. Para manter a cadência de um ator numa voz diferente, a conversão de fala para fala segue a interpretação original, incluindo o sotaque e a interpretação emocional (guia do Voice Changer da ElevenLabs), então ela não salva uma fonte mal lida. Confira cada fala, nome e número, quem fala, o sotaque, a emoção e os finais.

Uma transcrição é um jeito de achar pontos suspeitos, não um veredito: palavras que batem não provam a pronúncia, a atuação nem a sincronia labial, e uma transcrição que erra a grafia de um nome não prova que a voz o disse errado. Na dúvida, ouça, ou peça a alguém que conhece o idioma para ouvir.