Escreva o roteiro, escale os personagens com vozes de texto para fala e depois adicione trilha e efeitos sonoros para cada cena. Tudo roda no mesmo espaço de trabalho, então você ouve um episódio bruto na mesma tarde e refaz só as falas que soarem mal.
Um audiodrama é um filme sem a imagem, então tudo o que a câmera fazia agora fica a cargo de um som. As vozes carregam os personagens, a música carrega o clima e uma batida de porta precisa avisar ao ouvinte que ele está em um corredor. Hoje a IA consegue entregar as três camadas a partir de um roteiro que você escreve: um elenco de vozes, uma trilha e efeitos pontuais. Esta página mostra o que usar em cada camada, como juntar tudo e onde você ainda vai precisar de um editor de áudio.
A ficção sonora sempre teve um problema de equipe. Uma cena com quatro personagens, uma tempestade e uma escada rangendo tradicionalmente exige atores, estúdio, uma mesa de foley e alguém para mixar tudo. Por isso, a maioria das pessoas que escrevem bons diálogos nunca chega a ouvi-los interpretados. Os modelos de texto para fala eliminam o primeiro obstáculo: você cola uma fala, escolhe uma voz e recebe uma interpretação, e pode repetir quantas vezes o roteiro pedir sem combinar agenda com ninguém.
O Picasso IA reúne as peças em um só lugar. O catálogo tem 502 modelos, incluindo 24 de texto para fala e 10 de música com IA, e o toolkit é o espaço de trabalho onde você escolhe um, escreve um prompt ou anexa um arquivo e gera. Contas novas ganham créditos grátis, então testar uma cena não custa nada no começo, e a página de preços explica como os créditos são gastos quando acabam.
A vantagem real é a velocidade de iteração na escrita. Um roteiro que funciona no papel muitas vezes desmorona quando é falado: uma fala é longa demais, dois personagens soam iguais, uma piada precisa de um silêncio. Ouvir expõe tudo isso em poucos minutos.
O diálogo é a camada que o ouvinte julga com mais rigor, então comece por ela. Dois modelos do catálogo combinam bem com drama, e eles se comportam de modo diferente o bastante para valer testar os dois na mesma cena.
O elevenlabs/v3 oferece uma longa lista de vozes com nome, controle de velocidade, um ajuste de estilo que leva a entrega da narração neutra para algo mais teatral e um ajuste de estabilidade pensado para manter a voz igual ao longo de um roteiro extenso. Ele também aceita o texto anterior e o seguinte à fala atual, o que ajuda a entonação no começo e no fim de uma frase a fazer sentido no contexto. O inworld/tts-1.5-max trabalha com marcações dentro do próprio roteiro: etiquetas como [happy] ou [sad] orientam a emoção de uma fala, [laugh] e [sigh] acrescentam sons não verbais e etiquetas de pausa colocam os silêncios exatamente onde você quer. Ele também deixa você escolher vozes predefinidas pelo nome.
Qualquer que seja o escolhido, atribua uma voz a cada personagem e anote a escolha. Uma ficha de elenco com o personagem, o modelo, o nome da voz e os ajustes é o documento mais útil do projeto inteiro, porque mais tarde você vai regenerar falas e precisar igualar o que fez no primeiro dia. Dê ao narrador uma voz claramente diferente da de qualquer personagem.
Se quiser que um personagem use a sua própria voz, a página de clonagem de voz explica como, e isso vale apenas para uma voz que seja sua ou que você tenha permissão para usar. Personagens fictícios recebem vozes fictícias, nunca a imitação de uma pessoa real e identificável.
Música e efeitos são trabalhos separados, e o catálogo os trata separadamente. Para a trilha, modelos de música como elevenlabs/music, stability-ai/stable-audio-2.5 e google/lyria-3 transformam uma descrição escrita em uma faixa. O elevenlabs/music tem uma chave de instrumental e uma duração-alvo, exatamente o que você quer para um fundo que fica por baixo do diálogo. Peça um clima, alguns instrumentos e uma duração, e deixe os vocais de fora para que a música nunca dispute espaço com um personagem falando.
Os efeitos sonoros são menos diretos. O catálogo não tem nenhum modelo feito só para transformar texto em efeito sonoro, então há dois caminhos. O stability-ai/stable-audio-2.5 inclui efeitos curtos entre seus resultados, por isso vale tentar descrever um único evento, como uma pesada porta de madeira se fechando. O outro caminho parte da imagem: mirelo/video-to-sfx-v1.5 e zsxkib/mmaudio leem um clipe de vídeo e geram um som que combina com o que aparece na tela. Isso só serve se a cena já existir como vídeo, mas é útil se você também estiver fazendo uma versão visual. Para saber mais sobre esse caminho, veja como adicionar efeitos sonoros a vídeos de IA sem áudio.
| Camada | Modelos para testar | O que você fornece | O que observar |
|---|---|---|---|
| Diálogo | elevenlabs/v3, inworld/tts-1.5-max | Uma fala, uma voz, uma nota de interpretação | A voz pode variar entre execuções |
| Narração | elevenlabs/v3, inworld/tts-1.5-max | Um trecho curto em uma voz distinta | Trechos longos podem precisar ser divididos |
| Trilha | elevenlabs/music, google/lyria-3 | Clima, instrumentos, duração, instrumental ligado | A música não sabe onde suas falas caem |
| Efeitos pontuais | stability-ai/stable-audio-2.5 | Um único evento sonoro por prompt | Os resultados variam, gere vários |
| Efeitos sincronizados | mirelo/video-to-sfx-v1.5, zsxkib/mmaudio | Um clipe de vídeo da cena | Precisa de imagem e funciona com clipes curtos |
Planeje um primeiro episódio curto. Dois ou três personagens e um único cenário bastam para aprender o processo inteiro antes de ampliar.
O erro mais comum é gerar uma cena inteira de uma vez. Um único bloco longo de texto dá uma só interpretação e nenhum controle sobre quem soa como. Gere cada fala separadamente, para poder refazer uma tomada ruim sem mexer no resto e para que as pausas entre os personagens sejam suas, e não do modelo.
O segundo é escrever para os olhos. Os modelos leem a pontuação como interpretação, então uma parede de vírgulas produz uma fala sem fôlego, enquanto frases curtas dão espaço para a voz. Leia o roteiro em voz alta uma vez antes de gerar qualquer coisa e corte toda fala em que você tropeçar. Um personagem também não consegue executar uma ação que só existe entre colchetes, então transforme-a em um som ou em uma fala.
O terceiro é enterrar o diálogo. Música gerada com energia máxima afoga uma voz baixa, e isso aparece na mixagem, onde consertar é fácil só se as faixas estiverem separadas. Mantenha cada camada em seu próprio arquivo e peça música instrumental com um arranjo calmo.
Dica: uma única coisa por prompt de efeito e uma única voz por arquivo. Uma batida de porta limpa que você coloca onde quiser vale mais do que uma geração longa com porta, passos e vento que depois não dá para separar.
Esse fluxo entrega uma montagem bruta convincente, e às vezes um episódio publicável, mas tem limites reais que vale conhecer antes de dedicar semanas a uma série.
A IA cuida da interpretação e da matéria-prima; você cuida da estrutura, do ritmo e do acabamento final.
Ela gera as vozes, a música e os efeitos, mas não monta tudo por você. Você escreve o roteiro, gera cada fala, adiciona trilha e efeitos e depois organiza os arquivos em faixas em um editor de áudio. O Picasso IA é o elenco e a biblioteca de sons; o editor é a mesa de mixagem. Um episódio curto com dois ou três personagens é um primeiro objetivo realista.
Escolha uma voz para cada personagem e não troque no meio do caminho. Mantenha também os ajustes fixos: no elevenlabs/v3 isso inclui os controles de estabilidade e similaridade, e no inworld/tts-1.5-max significa a mesma voz predefinida e a mesma velocidade de fala. Gere as falas na mesma sessão quando puder. Se uma fala continuar estranha, regenere só ela em vez de refazer a cena.
Nenhum é o melhor em tudo, então teste os dois na sua cena mais difícil. O elevenlabs/v3 tem muitas vozes com nome e um controle de estilo para uma entrega mais teatral. O inworld/tts-1.5-max permite escrever emoção e sons não verbais direto no roteiro com etiquetas. Escolha de ouvido para os seus personagens e use um modelo por personagem para evitar descompassos. O catálogo tem 24 modelos de texto para fala se nenhum dos dois servir.
Não há no catálogo um modelo feito só para isso, mas o stability-ai/stable-audio-2.5 inclui efeitos curtos entre seus resultados, então vale descrever um evento sonoro por prompt. Os resultados variam, por isso gere várias versões e fique com a melhor. Se você tem a cena em vídeo, mirelo/video-to-sfx-v1.5 e zsxkib/mmaudio geram efeitos que combinam com a imagem.
Sim. Modelos de música como elevenlabs/music, stability-ai/stable-audio-2.5 e google/lyria-3 criam faixas a partir de uma descrição. Para um drama, peça um instrumental com arranjo calmo e uma duração que cubra a cena, e abaixe o volume sob as vozes na mixagem. Gere algumas opções por cena.
Sim, para qualquer episódio com mais de uma camada. O Picasso IA gera as vozes, a música e os efeitos como arquivos separados, mas não os organiza em uma linha do tempo. Um editor gratuito basta para cortar, posicionar faixas, ajustar volumes, fazer a música entrar e sair com fades e exportar o arquivo final. O que você precisa é saber ouvir, mais do que conhecimento técnico.
Pode, se a voz for sua ou se você tiver permissão clara de quem é o dono. A clonagem de voz está explicada na página de clonagem de voz com IA. Nunca clone nem imite uma pessoa real sem o consentimento dela, e reserve vozes clonadas para personagens que você controla. Personagens fictícios podem simplesmente usar as vozes predefinidas que os modelos oferecem.
Curto o bastante para terminar. Alguns minutos com dois ou três personagens e um único cenário permitem testar as vozes, a trilha e a mixagem sem o projeto sair do controle. Quando soar bem, você já tem um processo repetível e uma ficha de elenco.
Muitas vezes sim, mas confira os requisitos atuais da plataforma em que for publicar, porque hospedagens de podcast, sites de vídeo e serviços de streaming têm regras próprias sobre áudio gerado por IA e sobre como informar isso. Confira também os termos de cada modelo que você usou. Mantenha seus personagens fictícios e credite a produção com honestidade se a plataforma pedir.
Depende dos modelos e dos ajustes que você escolher e de quantas tomadas gerar, porque cada geração consome créditos. O diálogo pesa mais na conta, já que é gerado fala por fala. Contas novas começam com créditos grátis, e a página de preços é o único lugar para consultar os planos atuais.
Pronto para ouvir o seu roteiro em voz alta? Abra o toolkit do Picasso IA, escolha uma voz e gere a primeira fala da sua primeira cena.
Escolha seu idioma
