Um clipe de vídeo com IA é, na maior parte do tempo, imagem em movimento. Para virar peça de comunicação ele precisa de voz, legenda e trilha. Esse acabamento é barato e rápido, e boa parte dele roda numa GPU alugada por pouco tempo. Este artigo mostra o fluxo em português, do roteiro ao arquivo final.
O fluxo
- Roteiro. Texto da narração, curto, dividido por cena.
- Narração. Um modelo de voz transforma o texto em áudio.
- Legenda. O Whisper transcreve a narração e gera um arquivo SRT com tempos.
- Montagem. O ffmpeg junta clipes, áudio e legenda.
1. Roteiro por cena
Escreva a narração já pensando em cenas de 5 segundos: cerca de 12 a 15 palavras por cena em ritmo natural. Se quiser ajuda, o roteiro pode sair de um modelo de linguagem pela API de IA por token, como mostra o fluxo completo de roteiro e vídeo.
2. Narração em português
Existem modelos de voz abertos com bom resultado em português, e a GPUBrasil tem templates 1-clique para Chatterbox (PT-BR), F5-TTS e OpenVoice v2. O custo por minuto de áudio é muito baixo; o artigo narração com IA: voz e custo por minuto traz a conta.
Clonar a voz de alguém exige consentimento explícito, de preferência por escrito. Use sua própria voz ou uma voz com autorização documentada. Veja o checklist de uso responsável.
3. Legenda automática com Whisper
O Whisper é um modelo aberto de reconhecimento de fala, com bom desempenho em português. Com a ferramenta de linha de comando:
whisper narracao.wav --model large-v3 --language pt --output_format srtO resultado é um narracao.srt com os trechos e seus tempos. Revise o texto: nomes próprios, siglas e termos técnicos são onde o reconhecimento mais erra. Para transcrever muito material, o servidor Whisper em 1 clique expõe um endpoint pronto.
4. Montagem com ffmpeg
Primeiro, junte os clipes e some a narração; depois, grave a legenda no vídeo (legenda “queimada”, que aparece em qualquer plataforma):
# 1) clipes + narração
ffmpeg -f concat -safe 0 -i lista.txt -i narracao.wav -map 0:v -map 1:a -c:v copy -c:a aac -shortest peca.mp4
# 2) legenda queimada
ffmpeg -i peca.mp4 -vf "subtitles=narracao.srt:force_style='FontSize=22,Outline=2'" -c:a copy peca_legendada.mp4Se o vídeo é vertical (9:16), aumente a margem inferior da legenda para ela não ficar sob os botões da plataforma.
Onde a GPU entra de verdade
- Whisper large-v3: roda em CPU, mas é muito mais rápido em GPU. Para um vídeo curto a diferença é pequena; para dezenas de peças, é grande.
- Voz: modelos de voz abertos precisam de GPU para gerar com rapidez.
- ffmpeg: não precisa de GPU para esse fluxo.
Em resumo, uma sessão curta de GPU por hora basta: suba o ambiente, gere narração e legenda das peças do dia e desligue. Os clipes continuam sendo gerados no GenBrasil.
Alguns modelos geram áudio junto com a imagem, o que muda o fluxo: nesse caso o Whisper pode gerar a legenda direto do áudio do clipe. Confira o comportamento do modelo antes de montar a narração por fora.
Perguntas frequentes
O Whisper funciona bem em português?
Sim, o large-v3 tem bom desempenho em português. Revise nomes próprios, siglas e termos técnicos, onde costuma errar mais.
Preciso de GPU para legendar?
Não é obrigatório, mas o Whisper large-v3 é muito mais rápido em GPU, o que importa em volume.
Posso clonar minha voz para narrar os vídeos?
Sim, com a sua própria voz ou com autorização documentada da pessoa. Clonar voz de terceiros sem consentimento é risco jurídico.
Gere o seu vídeo no GenBrasil
Oito modelos de vídeo com IA numa conta só, em português, com custo à vista antes de gerar e pagamento em reais por Pix ou cartão. O plano Free não pede cartão.
Acessar o GenBrasil ↗Prefere montar o seu próprio fluxo? Veja os templates de GPU por hora ou compare os dois caminhos.
Continue: pós-produção na GPU · narração com IA: voz e custo