← Voltar ao blog
Aicerca de 7 min de leitura

O som é a última parte feita à mão de um vídeo de IA

Publicado 8 de nov. de 2026
O som é a última parte feita à mão de um vídeo de IA

Os modelos de vídeo já geram áudio. O Veo vem com som, o Seedance vem com som, o MiniMax H3 gera imagem e áudio estéreo na mesma passada, o Gemini Omni escreve áudio sincronizado junto com os quadros. A era do vídeo silencioso terminou em algum momento dos últimos doze meses e ninguém quer voltar.

Então por que todo vídeo finalizado feito com IA ainda soa como se tivesse sido montado à mão?

Porque foi. O áudio gerado chega como uma base: ambiência, talvez uma trilha, algo parecido com diálogo se você pedir. O que uma peça finalizada precisa é de som desenhado. A porta que fecha no quarto segundo. O barulho do tecido quando o personagem se vira. O clique oco e específico de um trinco de plástico em vez de um de metal. Essa camada ainda é comprada de uma biblioteca, gravada em uma sala tratada ou tirada de um pacote que alguém licenciou em 2019.

O Sound Effects v3 da ElevenLabs chegou ao fal esta semana, e o detalhe que importa está no formato do endpoint, não no número da versão.

O que o endpoint expõe

Texto na entrada, efeito sonoro na saída, até 30 segundos, gerado com consciência do contexto descrito. Acesso programático pela API do fal em vez de uma interface web. E suporte nativo a loop sem emenda, pensado explicitamente para camadas de ambiência e áudio de jogos.

Um microfone de estúdio na frente de um painel acústico, com uma forma de onda aberta na tela ao lado.

Três dessas coisas são comuns. A quarta não.

Loop sem emenda é uma restrição técnica que quase todo áudio generativo lida mal. Um loop tem que terminar onde começou, em fase, sem clique na junção e sem um crescendo audível onde o modelo tentou resolver. Quem já montou uma fase de jogo ou uma faixa de ambiência de dez minutos conhece o sinal: um ponto de loop que respira uma vez a cada vinte segundos.

Pedir a um modelo de texto para áudio que produza um loop é pedir que ele cumpra uma restrição que não tem nada a ver com soar bem isolado. O fato de isso aparecer como capacidade nativa, e não como algo que você conserta na pós, é a parte substancial deste lançamento.

Os 30 segundos são a outra restrição que vale anotar. Isso descarta cenas inteiras e trilha. Não descarta o que de fato preenche uma timeline: chuva no teto do carro, o zumbido de uma sala de servidores, o burburinho de um mercado, passos no cascalho, o ronco grave da ventilação de um prédio. 30 segundos de uma camada em loop bastam para um minuto de imagem se você fizer cross-fade, e para uma hora se o loop for limpo.

Por que isso roda em um agregador

O fal é uma plataforma de inferência que coloca algumas centenas de modelos de imagem, vídeo, áudio e 3D atrás de uma única API, com clientes como Adobe, Canva e Shopify. Colocar o endpoint de efeitos sonoros da ElevenLabs nesse catálogo é uma notícia pequena de produto com uma consequência estrutural grande: o áudio agora é cidadão de primeira classe no mesmo pipeline da imagem.

Isso importa por causa de como a produção de vídeo com IA realmente se divide. Um fluxo moderno é uma corrente de chamadas separadas: roteiro, keyframes, animação, upscale, voz, música, efeitos, mixagem. Cada etapa antes morava em uma ferramenta diferente com uma relação de cobrança diferente. Quando o endpoint de efeitos fica ao lado do endpoint de vídeo, a corrente vira um programa único, e um programa único pode ser versionado, rodado de novo e orçado.

O lado do custo é o argumento silencioso. O desenho de som é um dos poucos itens que restam em uma produção pequena em que uma hora humana é realmente insubstituível, porque a decisão de como esta sala soa não tem resposta certa. Um endpoint generativo não elimina essa decisão. Ele elimina a etapa de compra entre a decisão e o ativo.

Onde o som gerado ainda falha

Existem três modos de falha para os quais vale planejar.

O primeiro é a especificidade. "Uma porta fechando" produz uma porta genérica. O ofício no foley está em escolher a porta: o peso dela, o tipo de trinco, se o batente é de metal ou de madeira. O prompt carrega um pouco disso, mas o padrão do modelo é a média de tudo que ele já ouviu, e a porta média é uma porta que ninguém nota, o que às vezes é exatamente certo e às vezes é o motivo de uma cena parecer barata.

O segundo é a sobreposição. Cenas reais são pilhas: uma ambiência de base, uma camada média de atividade, efeitos pontuais por cima, tudo abaixando embaixo do diálogo. Uma geração única te dá um stem. Juntar cinco sons gerados em uma mixagem convincente é um problema de mixagem, não de geração, e continua exigindo alguém que ouça a diferença.

O terceiro é a sincronia. Som gerado separado da imagem precisa ser posicionado contra a imagem. Colocar com precisão de quadro é uma operação de timeline, e nenhum prompt de texto acerta de forma confiável o quadro em que o pé encosta no chão. É por isso que o trabalho interessante está acontecendo em modelos que emitem áudio e vídeo em uma passada só, e por isso a separação em five stems que alguns já oferecem é maior do que parece: uma passada entrega a sincronização, a separação entrega a capacidade de reequilibrar depois.

Três perguntas para qualquer efeito gerado

Ele faz loop sem se entregar. Carregue duas vezes seguidas e escute na junção. Se você ouvir uma respiração, o ativo é um clipe e não uma camada, e ele pertence embaixo de uma cena, não embaixo de uma fase.

Ele aguenta a sobreposição. Um som que impressiona sozinho muitas vezes some embaixo de uma mixagem ou, pior, briga com o diálogo. Peça o efeito em um nível mais baixo do que você pretende usar e veja se o caráter sobrevive.

Ele fica na sala certa. Reverb é contexto, e contexto é a parte que um prompt descreve mal. Dois efeitos com conteúdo idêntico vão soar errados em espaços diferentes, e a correção costuma ser uma passada separada, não um prompt melhor.

Nada disso é um teste difícil. São os testes que um designer de som faz em dez segundos, e são o motivo de o ofício existir. O valor de um endpoint como esse é que ele deixa você rodá-los em vinte candidatos em vez de três.

A consequência prática

Para quem cria sozinho, isso muda o custo de uma primeira passada. Agora dá para iterar o som de uma cena no mesmo ciclo da imagem, o que significa que as duas coisas são desenhadas juntas em vez de o som chegar no fim como etapa de acabamento. É uma melhora de fluxo de trabalho, e melhoras de fluxo se acumulam.

Para um estúdio, o valor está na cauda longa. Uma biblioteca cobre os sons que você planejou. Não cobre aquele som que a edição exigiu às 23h, que é justamente o caso que um prompt de texto resolve bem.

Para quem constrói ferramentas, o endpoint estar em um agregador é o sinal. Áudio não é mais uma compra separada. É um parâmetro na mesma cadeia de requisições do render, e produtos que tratam isso como etapa separada vão parecer lentos em um trimestre.

O resumo honesto: isso não substitui um designer de som, e o lançamento não diz que substitui. Substitui o momento em que o dia de um designer de som vai embora procurando em uma biblioteca algo parecido o suficiente. Esse momento é maior do que parece, e é o que todo mundo na pós odeia.

Artigos relacionados