SceneMixer
Português
Cadastre-se grátis

Personagens que falam

Vídeo de IA com personagens que falam

Atualizado em 15 de novembro de 2026

Resposta rápida: a fala é gerada junto com a imagem em um único passo, não é sincronia labial aplicada em um vídeo mudo. Cada tomada contém a fala na íntegra, o personagem que fala está vinculado a uma voz estável da biblioteca, com uma direção curta de interpretação e uma nota explícita de que todas as outras pessoas no quadro mantêm os lábios fechados. Tomadas com diálogo têm um tempo mínimo — três palavras por segundo em inglês — para que uma fala nunca seja espremida em uma tomada curta demais para ela.
Frame de “O Véu ao Amanhecer”, um curta de drama com IA gerado de ponta a ponta pelo SceneMixer (6 personagens, 1 episódio)
ExemploO Véu ao AmanhecerHD Digital1 episódioProduzido de ponta a ponta pelo SceneMixer a partir do roteiroAssistir aos episódios
SceneMixer em resumoO que você recebe
Preço do vídeoA partir de $0,06 por segundo (10 créditos) no nível padrão, até $0,47 por segundo no nível mais alto; todos os preços aparecem antes de você apertar o botão
Duração do clipeAté 30 segundos por segmento gerado; um episódio é montado a partir dos seus segmentos a 1 crédito por segundo
Um episódio, com os númerosUm episódio de 60 segundos no nível padrão custa cerca de 660 créditos (vídeo mais montagem), ou cerca de $4,11 ao menor preço de crédito; uma série de 10 episódios de 90 segundos a partir de um romance de 30.000 caracteres custa cerca de 10.026 créditos, ou cerca de $62
DiálogoFalado no próprio vídeo, uma voz por personagem, em qualquer um de 15 idiomas
Formatos9:16 vertical ou 16:9 horizontal; de 480P a 1080P, mais um nível 2K
Grátis para começar50 créditos ao se cadastrar, 15 imagens de configuração grátis, um storyboard grátis do primeiro episódio e uma prévia de vídeo grátis de 5 segundos
Quem usa2.900+ criadores já geraram com o SceneMixer (contas com pelo menos uma geração, contagem de novembro de 2026)
EntradaUm roteiro, um romance ou uma ideia em uma linha; uploads de .txt, .docx e .md

A voz sai da mesma geração que a imagem

Existem duas maneiras de fazer um personagem falar na tela. Uma é renderizar um vídeo mudo e depois mover a boca com uma faixa de áudio — o caminho da sincronia labial, que precisa de um recorte do rosto, um arquivo de áudio de referência, e produz um rosto que se move corretamente, mas um corpo que não atua. A outra é gerar imagem e som juntos, para que a atuação e a boca sejam uma única decisão.

O pipeline do SceneMixer faz a segunda. O nível de vídeo padrão é audiovisual: o modelo recebe a fala, quem a diz, como ela é dita e uma referência de voz, e devolve um plano com a fala dita nele. Nada é costurado depois.

Visão geral

O que é enviado com uma tomada de fala
A falaLiteral, uma vez. Dita exatamente como escrita — sem paráfrases, sem reajuste de tempo.
Quem falaNomeado, e vinculado à referência de voz daquele personagem para que a mesma pessoa soe igual entre os episódios.
Como é ditaUma direção curta entre colchetes — baixinho, ainda sorrindo, forçando um tom neutro. É direção de atuação, não legenda.
Quem mais está no quadroMarcado com lábios fechados, para que quem ouve não mexa a boca junto.
Fala fora de quadroMarcada primeiro no colchete — voz over, ao telefone, pelo interfone — e depois todos os visíveis são descritos com a boca fechada.
TempoUma tomada com diálogo nunca é mais curta do que a fala precisa: três palavras por segundo em inglês, cinco caracteres por segundo em chinês.

Vozes são combinadas, não sintetizadas por personagem

No SceneMixer, cada personagem recebe uma voz de uma biblioteca de vozes de sistema pré-prontas — você ouve uma amostra de três a oito segundos antes de escolher, pode corresponder novamente, pode escolher outra no seletor ou pode enviar sua própria gravação. O motivo de ser uma combinação, e não um desenho de voz por personagem, é custo e estabilidade: vozes desenhadas se desviam entre as gerações e custam por personagem, enquanto uma voz da biblioteca é a mesma no episódio um e no episódio doze.

Se um personagem não tiver voz atribuída, a tomada usa como apoio uma descrição escrita da voz — idade, textura, registro — que o modelo interpreta. Esse é o padrão para projetos novos; atribuir vozes é um passo deliberado, não algo que acontece silenciosamente com cada personagem.

A regra de tempo e por que ela existe

Um plano de quatro segundos não comporta dezesseis palavras em inglês. Ou a fala sai apressada e ininteligível, ou ela é cortada. Por isso os planos de diálogo do SceneMixer têm um piso derivado da fala: contagem de palavras dividida por três para inglês, contagem de caracteres dividida por cinco para chinês, e falas curtas recebem uma pausa acrescentada em vez de serem espremidas até o mínimo teórico. Planos que voltam curtos demais para a fala são sinalizados e corrigidos antes de qualquer renderização — o que é mais barato do que descobrir isso na saída.

Idioma

O idioma do diálogo é uma configuração do projeto, escolhida uma vez, e aplicada onde as falas são escritas pela primeira vez, em vez de ser traduzido depois — assim a atuação é criada naquele idioma, em vez de ser uma dublagem. Quinze idiomas de interface estão disponíveis e o diálogo tem suporte em todos eles; alguns idiomas ocasionalmente pronunciam mal palavras individuais no nível padrão do modelo, e o seletor avisa quando isso acontece. A página de vozes de personagens cobre isso em detalhes.

O que ele não faz

Quanto custa

A fala está incluída no preço do vídeo — não há cobrança separada de áudio. O vídeo começa em 10 créditos por segundo de saída (≈ $0,06/s no menor preço por crédito) e chega a $0,47/s no nível mais nítido; a montagem custa 1 crédito por segundo. A combinação de voz da biblioteca não custa nada. Contas novas recebem 50 créditos e uma prévia gratuita de até 5 segundos — o suficiente para ouvir um personagem falar antes de decidir. As tarifas estão na página de preços.

Idiomas

Diálogos nativos em 15 idiomas

Cada série abaixo foi produzida pelo mesmo fluxo do SceneMixer, com o elenco falando o idioma de forma nativa: a interface, os documentos de trabalho e as falas estão todos no mesmo idioma, e nada é dublado. Abra uma para ouvir.

Ver todos os 15 idiomas

No SceneMixer vs. juntar ferramentas na mão

A maioria dos fluxos de trabalho de dramas de IA é uma sequência de cinco ou seis ferramentas. Aqui você vê onde cada etapa acontece e o que ela substitui.

EtapaNo SceneMixerFazendo à mão com ferramentas separadas
Roteiro e plano de episódiosCole um roteiro ou um romance, ou digite uma linha: o texto é lido e vira um elenco, locações, adereços e um esboço de episódios que você pode editarUm modelo de chat escreve o roteiro; você o divide em episódios e leva o texto de uma ferramenta para outra
Rostos de personagens e lugaresCada personagem, locação e adereço é desenhado uma vez como ficha de referência e anexado a todos os planos em que apareceUm modelo de imagem, uma ficha por vez; você mesmo envia a referência certa para cada clipe
PlanosUm storyboard por episódio com planos numerados e segundos; o vídeo é gerado segmento a segmento em 9:16 ou 16:9, sempre com base nas mesmas fichasUm modelo de vídeo, um clipe por prompt, descrevendo as mesmas pessoas de novo a cada vez
Vozes e diálogoAs falas são interpretadas no próprio vídeo, uma voz por personagem, em qualquer um de 15 idiomasUma ferramenta de síntese de voz para cada fala, depois uma passada de sincronização labial em cada clipe
Corrigir um planoEdite o texto desse plano e gere de novo só o segmento; o resto do episódio fica intactoGere o clipe de novo e depois refaça o corte da linha do tempo
FinalizaçãoOs segmentos são montados em um único arquivo de episódio com a trilha sonora; membros baixam sem o selo AIUm editor de vídeo para juntar os clipes, adicionar música e legendas e depois exportar
PublicaçãoVocê envia o episódio pronto para TikTok, YouTube, Instagram ou qualquer outro lugar; nada é postado em seu nomeEnvio manual, igual ao que acontece aqui

Perguntas frequentes

Isso é sincronia labial?

Não. O SceneMixer gera imagem e fala juntas em uma só passagem, então a boca e a atuação são a mesma decisão. Não há faixa de áudio separada sendo ajustada a uma renderização muda, e não há como conduzir uma foto ou um vídeo enviado.

Posso usar minha própria voz?

Você pode enviar uma gravação ao SceneMixer como referência de voz de um personagem. A voz de outra pessoa só com a permissão dela.

Quem está ouvindo na tomada mexe a boca?

Não deveriam — o SceneMixer marca explicitamente todo personagem em cena que não está falando com os lábios fechados, que é a instrução que impede um ouvinte de mexer a boca junto com a fala.

O que acontece com voz over e chamadas telefônicas?

O SceneMixer escreve primeiro o marcador de fora de cena na nota de entrega e depois descreve todos os visíveis no plano, com a boca fechada — assim a fala é ouvida sem que ninguém pareça dizê-la.

Por que minha tomada de diálogo ficou mais longa do que eu escrevi?

Porque a fala precisa de tempo. O SceneMixer dá aos planos com diálogo um piso de cerca de três palavras por segundo em inglês e cinco caracteres por segundo em chinês, com uma pausa acrescentada para falas muito curtas. Um plano curto demais para a fala é corrigido antes da renderização, e não depois.

Ouça um personagem antes de finalizar um episódio

A prévia gratuita é longa o suficiente para uma linha de diálogo.

Experimente o SceneMixer gratuitamente

Pacotes de créditos a partir de $1,49 · Pro $7,99/mês · Não precisa de cartão de crédito para começar