Voz em off com IA para vídeos: do roteiro ao vídeo

Primeiro o roteiro, depois a voz e por último a imagem. Quem monta a imagem antes acaba esticando planos ou cortando frases para a voz caber. Com a voz pronta, você corta a imagem no ritmo da narração e encaixa de primeira.

O fluxo é o mesmo para um Short de 40 segundos e para um documentário de uma hora:

1. 1Escreva o roteiro inteiro em um documento, pensando no ouvido. Mais abaixo vai como.
2. 2Calcule a duração: cerca de 1.000 caracteres por minuto. Se o vídeo precisa durar 8 minutos, mire em uns 8.000.
3. 3Cole o texto no gerador ou envie o arquivo (txt, md, srt, pdf, docx) e escolha a voz. Ouça a amostra com uma frase do seu próprio roteiro, não com a de exemplo.
4. 4Gere e ouça o resultado. Se quiser mudar algo, mude no texto e gere de novo só essa parte.
5. 5Baixe o MP3 e importe no seu editor. Coloque em uma trilha de áudio própria, desde o segundo zero.
6. 6Corte e posicione a imagem seguindo a voz: a cada mudança de ideia, uma mudança de plano.
7. 7Adicione música em outra trilha, abaixe-a para ficar sob a voz e ative a redução automática (ducking) se o seu editor tiver.
8. 8Gere legendas: nas redes, boa parte do público assiste aos vídeos sem som.
9. 9Exporte, meça o volume final e publique. Se a plataforma pedir, marque o conteúdo como feito com IA.

Em português, conte caracteres. É o que qualquer gerador de voz mede e não depende de quão longas são as suas palavras. A conta redonda: 1.000 caracteres, com espaços, por minuto de áudio.

A referência clássica em palavras vem do inglês: o National Center for Voice and Speech estima cerca de 150 palavras por minuto na fala dos EUA. Em português as palavras são um pouco mais longas e esse número não se aplica direto. O confiável é gerar um minuto de teste com a voz que você vai usar e ajustar o roteiro ao que durar.

Quem ouve não pode voltar para reler. Cada frase precisa ser entendida de primeira.

• Frases de 15 a 25 palavras, no máximo. Se uma frase precisa de duas vírgulas e um parêntese, divida em duas.
• Uma ideia por frase e o dado importante no final, que é onde cai o acento da frase.
• Valores, datas, horas e preços são lidos bem sozinhos. Já siglas e símbolos estranhos, escreva como você quer que soem: “dáblio, dáblio, dáblio”, ou “três vezes” em vez de “3x”.
• A pontuação marca o ritmo. O ponto faz pausa e a vírgula deixa respirar; um roteiro sem pontos é lido de corrido.
• Nada de listas longas lidas em voz alta. Passando de quatro itens, as pessoas se perdem: coloque na tela e deixe a voz dizer só os dois que importam.
• Leia o roteiro em voz alta antes de gerar. Onde você tropeça, a voz também soa forçada.

O tom é definido pela voz antes da imagem. Escolha com o seu roteiro na frente: a voz que vai bem em um tutorial pode adormecer um anúncio.

Se as pessoas já conhecem a sua voz, clone-a e os vídeos continuarão soando como você nos dias em que não gravar. Em um canal sem rosto nem voz conhecida, os chamados faceless, uma voz da biblioteca poupa esse passo e você a troca por série ou por idioma.

Os menus mudam, o princípio não: o MP3 vai na sua própria trilha de áudio, começa no segundo zero e a imagem se ajusta a ele.

Uma referência prática de edição: picos da voz entre −12 e −6 dB e a música uns 20 dB abaixo enquanto há fala. Se a música tem letra ou muita bateria, abaixe mais.

A redução automática, ou ducking, abaixa a música quando a voz entra e a sobe nas pausas. O Premiere faz isso no painel de som essencial e o DaVinci com um compressor com sidechain; no CapCut se faz à mão com quadros-chave de volume.

Antes de exportar, meça o volume integrado da mixagem completa em LUFS. As próprias plataformas publicam estas referências:

Um documentário de uma hora, um curso ou um audiolivro são gerados de uma vez: cada áudio aceita até 600.000 caracteres, cerca de 10 horas de voz (entre 7 e 12 conforme a rapidez da voz). Sem dividir o roteiro, não há duas metades com tom diferente.

Se você prefere várias peças (um áudio por capítulo ou por slide), “Encadear áudios” gera até 100 de uma vez com os nomes. Essa função usa créditos comprados; os créditos grátis valem só para gerar no site.

Pode: em vídeos monetizados, anúncios e trabalhos para clientes. O que não é permitido é se passar por alguém nem conteúdo ilegal.

O YouTube pede que, no envio (opção de conteúdo alterado ou sintético), você marque o que parece real e foi gerado ou alterado com IA, como fazer uma pessoa real dizer algo que não disse. A própria lista de exceções inclui clonar a sua voz para fazer vozes em off ou dublagens e usar IA para o roteiro ou as legendas.

A monetização é outro assunto. Desde julho de 2025 o YouTube chama de “conteúdo não autêntico” o que é produzido em massa ou repetitivo, e aplica isso também a vídeos com IA feitos com modelos genéricos sem contribuição própria. Um canal de vídeos intercambiáveis corre esse risco com voz sintética ou sem ela. O que protege você é um roteiro original, com a sua pesquisa e o seu ponto de vista.

O TikTok pede para ativar o rótulo de conteúdo gerado com IA quando o conteúdo é realista, e proíbe em qualquer caso se engana sobre pessoas ou fatos reais.

Quase todos se resolvem reescrevendo o texto antes de gerar.

• Colar um artigo ou um PDF como está. Soa como alguém lendo um folheto em voz alta.
• Deixar “1/2” ou “S.A.” sem escrever como soam: podem ser lidos de forma inesperada.
• Escolher a voz pela frase de exemplo e não com o seu próprio roteiro.
• Música alta demais ou com letra sob a voz.
• Montar a imagem primeiro e forçar a voz a encaixar.
• Gerar 20 minutos sem ouvir antes um minuto de teste.
• Subir a expressividade ao máximo para soar mais viva: exagerada, ela perde naturalidade.
• Esquecer as legendas nos vídeos para redes.