NodaroAccount
Docs do Nodaro
DocumentaçãoReferência de nósModelosTemplatesAgentes de IA (MCP)DesenvolvedoresAuto-hospedagemPesquisaComparações
CLI

Comandos de mídia e voz

Troque vozes, legende vídeos, processe áudio, planeje edições e enxugue podcasts, com capítulos e clipes, usando os comandos voice, media, audio e edit da CLI.

Os comandos de mídia e voz da CLI do Nodaro trabalham diretamente com áudio, vídeo e imagens. O grupo voice troca a voz de faixas e cria vozes, media importa, corta, legenda e compõe mídias, audio processa e transcreve sons, e edit planeja e aplica edições para podcasts e vídeos longos. Cada comando usa o mesmo mecanismo que o nó correspondente no editor.

Todo comando que inicia uma tarefa aceita --watch para aguardar o resultado, --poll-interval <ms> para definir o intervalo da consulta periódica, e --json. Veja Saída e códigos de saída.

Voz

nodaro voice list [--clones] [--json]
nodaro voice favorites [--json]
nodaro voice favorite <voiceId> --name <name> --type premade|library|custom [--preview <url>] [--json]
nodaro voice unfavorite <voiceId> [--json]
nodaro voice changer --voice <id> --audio <url>|--video <url> [--model <id>] [--stability <0..1>] [--similarity <0..1>] [--style <0..1>] [--use-speaker-boost] [--seed <n>] [--remove-background-noise] [--watch] [--poll-interval <ms>] [--json]
nodaro voice recast --audio <url>|--video <url> --voices <v1,v2,...>|--voices-json <json> [--model <id>] [--output video|stems] [--analysis-json <json>|--analysis-file <path>] [--no-preserve-background] [--separation-quality fast|best] [--music-volume-mode match|normalize|manual] [--music-volume <0-200>] [--remove-background-noise] [--voice-fx <preset>] [--voice-fx-mix <0-100>] [--voice-fx-delay <20-2000>] [--voice-fx-decay <0-1>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice analyze --audio <url>|--video <url> [--separation-quality fast|best] [--suggest-title] [--watch] [--poll-interval <ms>] [--json]
nodaro voice export --source <videoUrl> --tracks-json <json>|--tracks-file <path> [--voice-fx <preset>] [--voice-fx-mix <0-100>] [--voice-fx-delay <20-2000>] [--voice-fx-decay <0-1>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice design --text <line> --description <desc> [--model <id>] [--loudness <-1..1>] [--guidance-scale <0-100>] [--seed <n>] [--quality <n>] [--enhance] [--user-prompt <text>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice remix --text <text> --description <desc> [--user-prompt <text>] [--watch] [--poll-interval <ms>] [--json]
nodaro voice dub --audio <url> --target-language <code> [--source-language <code>] [--num-speakers <1-20>] [--disable-voice-cloning] [--drop-background-audio] [--watch] [--poll-interval <ms>] [--json]
nodaro voice clones list [--json]
nodaro voice clones delete <id> [--json]
ComandoO que faz
voice listLista as vozes prontas, ou os seus clones com --clones. Use os nomes ou os ids delas com --voice e --voices.
voice favoritesLista as suas vozes favoritas, das mais recentes para as mais antigas: prontas, da biblioteca ou clones. Use os ids delas com --voice e --voices.
voice favoriteMarca uma voz como favorita, com o nome e a prévia https que a sua lista de favoritos mostra. Marcar de novo atualiza os dois.
voice unfavoriteRemove uma voz dos seus favoritos. Também dá certo para uma voz que não está marcada.
voice changerTroca a voz de uma faixa de áudio ou de um vídeo com fala por uma única voz, como o nó Modificador de voz. voice change é o mesmo comando.
voice recastTroca a voz de todos os falantes de uma gravação de uma vez, como o nó Modificador de voz Pro. voice pro é o mesmo comando.
voice analyzeDetecta os falantes sem trocar as vozes e imprime a lista com --watch. Só no Nodaro Cloud.
voice exportRenderiza o vídeo final a partir de um conjunto de faixas mixadas. Só no Nodaro Cloud.
voice designCria uma nova voz sintética a partir de uma descrição em texto, como o nó Design de voz.
voice remixFala um texto com uma voz descrita, sem clonagem, como o nó Remix de voz.
voice dubDubla uma gravação em outro idioma e mantém a voz de cada falante, como o nó Dublagem.
voice clonesLista e exclui os clones de voz criados antes de a clonagem ser descontinuada.

Trocar a voz de vários falantes

voice recast roda no Nodaro Cloud. Uma instalação auto-hospedada o executa pela conexão com o Nodaro Cloud.

  • --voices associa vozes aos falantes na ordem em que o Nodaro os detecta. A palavra keep mantém a voz original daquele falante, como em --voices Rachel,keep,Aria.
  • --voices-json recebe, em vez disso, o array bruto do SDK: ids de vozes, objetos de configuração por voz, ou null para um falante que mantém a voz original.
  • --output stems retorna uma faixa seca por falante, para uma mixagem interativa, em vez de um vídeo pronto. Renderize a mixagem com voice export.
  • --analysis-file reaproveita um resultado salvo de voice analyze, então os falantes não são detectados de novo.

O fluxo interativo de troca de vozes

O voice recast de uma etapa renderiza um vídeo pronto em uma única chamada. O fluxo de três etapas permite conferir primeiro os falantes e mixar o resultado antes de renderizá-lo:

# 1. Detect the speakers. Save the job's output_data for step 2.
nodaro voice analyze --video https://example.com/panel.mp4 --watch --json > analyze.json
jq .output_data analyze.json > analysis.json

# 2. Recast to dry stems, reusing the analysis (no second detection)
nodaro voice recast --video https://example.com/panel.mp4 --voices Rachel,keep,Aria \
  --analysis-file analysis.json --output stems --watch

# 3. Set the level and mute of each track, then render
nodaro voice export --source https://example.com/panel.mp4 --tracks-file mix.json \
  --voice-fx hall --voice-fx-mix 25 --watch

Na etapa 3, cada faixa em mix.json é um objeto com um url, um gain de 0 a 200, uma flag muted e um kind opcional, tirados dos stems da etapa 2. A exportação copia o fluxo de vídeo sem alterações; ele nunca é codificado de novo.

Mídia

nodaro media download <url> [--max-height <px>] [--section <a-b>] [--watch] [--json]
nodaro media metadata <url> [--json]
nodaro media trim-video --video <url> --start <sec> --end <sec>|--keep-first <sec>|--keep-last <sec> [--watch] [--poll-interval <ms>] [--json]
nodaro media trim-audio --video <url>|--audio <url> [--start <sec>] [--end <sec>] [--format mp3|wav|aac] [--watch] [--poll-interval <ms>] [--json]
nodaro media split-media --video <url>|--audio <url> --chunk-duration <sec> [--min-part-duration <sec>] [--format mp3|wav|aac] [--watch] [--poll-interval <ms>] [--json]
nodaro media add-captions <videoUrl> [options, see below]
nodaro media still-to-video --image <url> --audio <url> [--motion none|zoom-in|zoom-out|pan-left|pan-right|ken-burns] [--intensity <1-10>] [--resolution 720p|1080p|4K] [--aspect-ratio <W:H>] [--fps 24|30] [--fit cover|contain] [--pad-color <hex>] [--watch] [--poll-interval <ms>] [--json]
nodaro media slideshow --images <url...> [--audio <url>] [--durations "10,auto,auto"] [--per-image <sec>] [--transition <id>] [--transition-duration <sec>] [--motion none|zoom-in|zoom-out|ken-burns|alternate] [--intensity <1-10>] [--resolution 720p|1080p|4K] [--aspect-ratio <W:H>] [--fps 24|30] [--fit cover|contain] [--pad-color <hex>] [--watch] [--json]
nodaro media collage <imageUrls...> [--sizes <0-3,...>] [--numbered] [--label <text>...] [--badge-position top-left|top-right] [--layout smart|grid] [--resolution 2K|4K] [--aspect-ratio <W:H>] [--gap <px>] [--background-color <hex>] [--watch] [--poll-interval <ms>] [--json]
nodaro media overlay <imageUrl> [layerUrls...] [--layers-file <path>] [--anchor <anchor>] [--x <%>] [--y <%>] [--width <%>] [--opacity <0-1>] [--platform <id>...] [--qr-text <text>] [--mask-mode none|layers|around|outside] [--mask-spread <px>] [--canvas <WxH>] [--base-fit contain|cover] [--background-color <hex>] [--output-format png|jpg|webp] [--watch] [--poll-interval <ms>] [--json]
nodaro media overlay-placement <imageUrl> [--intent <text>] [--aspect <ratio>] [--safe-area <x,y,w,h>] [--json]
nodaro media video-overlay <videoUrl> [layerUrls...] [--at <start[-end]>...] [--preset card|corner-badge|full-frame] [--corner top-left|top-right|bottom-left|bottom-right] [--layers-file <path>] [--aspect 16:9|9:16|1:1|4:5] [--base-fit cover|contain] [--background-color <hex>] [--layout video-bottom|video-top|stack-whole|stack-filled|pip] [--base-box <json>] [--watch] [--poll-interval <ms>] [--json]
nodaro media generate-mask <imageUrl> <prompt> [--threshold <n>] [--watch] [--poll-interval <ms>] [--json]
nodaro media split-layers <imageUrl> [--max-layers <1-99>] [--size 1K|1.5K|2K|auto] [--prompt <text>] [--session <id>] [--idempotency-key <key>] [--watch] [--poll-interval <ms>] [--json]
nodaro media video-mask <videoUrl> <prompt> [--threshold <n>] [--model sam-3.1|sam-3] [--hold-last-mask] [--min-subject-height <pct>] [--max-subject-height <pct>] [--zone <L,R,T,B>] [--per-shot] [--redetect-every <sec>] [--watch] [--poll-interval <ms>] [--json]
nodaro media mask-composite <foregroundUrl> <backgroundUrl> <maskUrl> [--invert] [--feather <px>] [--grow <px>] [--background-fit cover|contain|stretch] [--audio foreground|background|mix|none] [--watch] [--poll-interval <ms>] [--json]
nodaro media mask-composite <backgroundUrl> <maskUrl> --fill pixelate|blur [--pixel-size-pct <pct>] [--blur-strength-pct <pct>] [--invert] [--feather <px>] [--grow <px>] [--watch] [--json]
nodaro media save <url> [--filename <name>] [--type image|video|audio] [--watch] [--poll-interval <ms>] [--json]
ComandoO que faz
media downloadImporta para o seu armazenamento o vídeo por trás de um link. --section busca um intervalo de tempo, em segundos. --watch transmite o progresso ao vivo, e não há tarefa para consultar periodicamente depois.
media metadataLê a duração, as dimensões e o título de uma URL de mídia sem baixá-la.
media trim-videoCorta um vídeo pelo tempo de início e de fim, ou mantém os primeiros ou os últimos segundos.
media trim-audioCorta o áudio de um vídeo ou de um arquivo de áudio e o salva como MP3, WAV ou AAC.
media split-mediaCorta um vídeo, um arquivo de áudio ou ambos em partes de no máximo --chunk-duration e no mínimo --min-part-duration segundos. O mínimo padrão é 4 segundos. As partes ficam em videoUrls e audioUrls da tarefa. Veja Dividir em partes.
media add-captionsEmbute legendas em um vídeo. Veja Legendas.
media still-to-videoTransforma uma imagem fixa e um arquivo de áudio em um MP4, e custa 0 créditos. O vídeo tem a duração do áudio, então não há opção de duração. --motion anima a imagem fixa.
media slideshowTransforma de 2 a 100 imagens, com áudio opcional, em uma apresentação de slides em MP4, e custa 0 créditos.
media collageCombina de 2 a 30 imagens em uma única imagem grande.
media overlayColoca até 12 camadas sobre uma imagem base, com precisão de pixel, sem IA.
media overlay-placementPergunta a um modelo de visão onde uma camada deve ficar.
media video-overlayColoca de 1 a 20 camadas de imagem ou de vídeo temporizadas sobre um vídeo, sem IA. Uma execução só com camadas de imagem custa 22 créditos. Uma execução com uma camada de vídeo é cobrada a cada 5 segundos iniciados do vídeo base.
media generate-maskSeleciona em uma imagem um objeto descrito em texto e retorna uma imagem de máscara em preto e branco, branca onde o objeto está. --threshold vai de 0 a 1, com padrão 0,3. O modelo que o Gerar máscara usa hoje ignora esse valor, então, para mudar a máscara, mude o prompt. A saída da tarefa traz maskUrl, a máscara, e imageUrl, a origem repassada. Passe as duas para uma edição de inpainting. Custa 55 créditos. Veja Gerar máscara.
media split-layersDivide uma imagem em uma imagem base e camadas separadas, cada elemento no próprio PNG transparente. --max-layers (padrão 9) limita as camadas: elementos a mais são juntados em menos camadas, e nenhum é descartado. --size é a quantidade de pixels de cada imagem: 1K, o padrão, é cerca de um megapixel, e auto mantém o tamanho da própria imagem. --prompt (até 2.000 caracteres) diz o que separar e pode trazer marcas <bbox>x1 y1 x2 y2</bbox> de 0 a 1000. A saída da tarefa traz imageUrl (a base), layers (de baixo para cima) e layerData: o nome de cada camada, o zIndex, o tamanho do próprio arquivo, a box na base, em pixels da base, e o baseUrl. Uma camada é recortada no próprio elemento, então redimensione-a para a box dela para colocá-la de volta. Uma execução reserva o preço de --max-layers + 1 imagens e é cobrada só pelas imagens que retornar. --session arquiva a tarefa em uma das suas sessões. --idempotency-key (8 ou mais caracteres) faz uma nova tentativa responder a tarefa da primeira solicitação em vez de iniciar uma segunda.
media video-maskRastreia ao longo de um vídeo um objeto descrito em texto e retorna um vídeo de máscara em preto e branco, branco onde o objeto está. SAM 3.1 é o padrão, e --model sam-3 custa a metade. --threshold vai de 0,05 a 0,95, com padrão 0,5. Um valor menor encontra mais. --hold-last-mask mantém a última máscara nos quadros em que o objeto se perde, por no máximo 1 segundo. --min-subject-height descarta os objetos mais baixos que essa porcentagem da altura do quadro, e --max-subject-height descarta os mais altos. --zone 10,10,5,5 mantém só os objetos cujo centro fica dentro dessas margens à esquerda, à direita, no topo e na base, de 0 a 49 % cada. --per-shot encontra primeiro os cortes de cena e detecta o objeto de novo em cada tomada. --redetect-every, de 1 a 10 (0, o padrão, desativa), também detecta o objeto de novo a cada esse número de segundos, em cada tomada com --per-shot. Isso pega alguém que entra em cena ou se vira para a câmera no meio da tomada. A execução fica mais lenta, e o preço é o mesmo. Veja Máscara de vídeo.
media mask-compositeColoca o primeiro plano sobre o fundo através da máscara, branco para o primeiro plano. Custa 11 créditos a cada 5 segundos iniciados do resultado. --feather vai de 0 a 20 pixels, e --grow de -10 a 10. --fill pixelate ou --fill blur preenche a máscara com o próprio fundo, então o comando recebe duas URLs, o fundo e a máscara, e o resultado segue o fundo. --pixel-size-pct vai de 0,2 a 10, com padrão 1,25, e --blur-strength-pct de 0,1 a 5, com padrão 2. Veja Composição por máscara.
media saveSalva uma URL de mídia no seu armazenamento, como imagem, vídeo ou arquivo de áudio.

Apresentações de slides

Com áudio, o áudio define a duração da apresentação. As durações que você fixou com --durations são ajustadas na mesma proporção, e a CLI avisa isso. Sem áudio, a apresentação fica sem som e dura o número de imagens multiplicado por --per-image.

Colagens

  • --sizes dá a cada imagem uma indicação de tamanho relativo, na ordem das imagens: 0 automático, 1 grande (cerca de duas vezes mais larga), 2 médio, 3 pequeno (cerca de metade da largura). As indicações de tamanho só funcionam com o layout smart.
  • --numbered carimba um número de sequência, a partir de 1, em um canto de cada imagem, para storyboards.
  • --badge-position define esse canto: top-left, o padrão, ou top-right. A opção também posiciona os rótulos.
  • --label adiciona uma legenda depois do número. Repita a opção uma vez por imagem, na ordem; um "" vazio pula uma imagem.

Sobreposições em imagem

  • As URLs de imagens depois da imagem base são camadas de imagem. Elas compartilham --anchor, --x, --y, --width e --opacity, o que serve bem para uma marca d'água.
  • --layers-file recebe, em vez disso, o array JSON completo de camadas: opções por camada e os tipos texto, QR code e forma.
  • O posicionamento é em porcentagem da imagem base, então um mesmo comando serve para uma prévia em 1K e para uma renderização em 4K.
  • --platform, que pode ser repetido, também renderiza a composição no tamanho daquela plataforma. A renderização base custa 11 créditos, e cada plataforma aumenta o preço. A saída da tarefa lista as renderizações extras como variants.
  • overlay-placement responde nas mesmas unidades de porcentagem: uma âncora, x, y, width e um motivo de uma linha. Ele responde na hora, sem tarefa para consultar periodicamente, e custa uma chamada de imagem para texto.

Sobreposições em vídeo

  • Informe um --at por URL de imagem, na ordem. 3 significa de 3 segundos até o fim, e 1.2-2.6 significa de 1,2 a 2,6 segundos.
  • --preset e --corner valem para todas as camadas de imagem informadas como URL.
  • As URLs posicionais são camadas de imagem.
  • --layers-file recebe, em vez disso, o array completo de camadas, com caixa, opacidade, animação e ordem de empilhamento por camada.
  • As camadas de vídeo vão por --layers-file: escreva "videoUrl" no lugar de "imageUrl", para no máximo 2 camadas. Uma camada de vídeo fica sem som, a menos que defina "sound": {"volume": 0.8}, com um volume de 0 a 1.
  • --layout posiciona o vídeo base, a primeira camada de vídeo ou os dois. video-bottom e video-top colocam o vídeo base inteiro junto a essa borda. stack-whole e stack-filled colocam o vídeo base acima da primeira camada de vídeo. pip coloca essa camada no canto dela. Todo layout, exceto pip, exige --aspect.
  • --base-box posiciona o vídeo base do seu jeito, como JSON nas unidades da caixa de camada, por exemplo --base-box '{"anchor":"bottom","width":100}'.
  • --base-fit, --background-color e --base-box exigem --aspect.
  • Quando nenhuma camada de vídeo tem som, o áudio do vídeo base é mantido intacto.
  • Uma execução com uma camada de vídeo aceita um vídeo base de até 60 segundos. O preço é calculado a cada 5 segundos iniciados do vídeo base. Confira o preço com nodaro models cost video-overlay:video.
[{"videoUrl":"https://example.com/guest.mp4","start":0,"corner":"top-right","sound":{"volume":0.8}}]

Veja o nó Sobreposição em vídeo para as opções de camada.

Legendas

nodaro media add-captions <videoUrl> [--text <text>] [--captions-file <file.json>] [--style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--look outline|clean] [--position bottom|top|center] [--position-y <pct>] [--font-size <px>] [--font-family <name>] [--font-weight <100-900>] [--color <c>] [--background-color <c>] [--stroke-color <c>] [--stroke-width <px>] [--highlight-color <c>] [--uppercase|--no-uppercase] [--max-words-per-line <1-20>] [--animate|--no-animate] [--no-auto-transcribe] [--transcribe-provider elevenlabs-stt|incredibly-fast-whisper|nemotron-3-5-transcribe|whisper] [--segments-file <file.json>] [--watch] [--poll-interval <ms>] [--json]

media add-captions tem dois tipos de estilo, como o nó Adicionar legendas:

EstiloO que mostra
subtitleLegendas estáticas, sem animação das palavras.
word-highlight, karaoke, tiktok-words, word-pop, bouncyLegendas cinéticas, animadas palavra por palavra. word-highlight, karaoke e bouncy mostram uma linha fixa de cada vez.

O texto das legendas

  • Em subtitle, --text é embutido como um único bloco estático durante o vídeo inteiro. Ele nunca é substituído por uma transcrição. Omita --text para legendar a fala.
  • Em um estilo cinético, --text é só a alternativa quando a transcrição não retorna nada, ou quando você passa --no-auto-transcribe.
  • --captions-file é um array JSON de entradas com tempo por palavra, [{ text, startMs, endMs }], com uma entrada por palavra nos estilos cinéticos. Os words de um resultado de nodaro audio transcribe servem do jeito que estão; use o arquivo junto com --no-auto-transcribe.
  • --segments-file dá a intervalos de tempo estilo, visual e posição próprios. Os intervalos não podem se sobrepor.

Estilização

  • As opções de estilização também estilizam um subtitle: --look, --font-family, --font-weight, --stroke-color, --stroke-width, --uppercase, --position-y e --max-words-per-line. Um subtitle estilizado é cobrado pelo preço cinético; um subtitle simples continua no preço mais baixo.
  • --highlight-color e --animate só funcionam nos estilos cinéticos. As duas são recusadas em subtitle.
  • --animate vem ativada por padrão. --no-animate para o movimento de cada palavra e mantém o agrupamento e a cor de destaque.
  • Sem --look, os estilos cinéticos são renderizados como outline, e subtitle é renderizado como clean.
  • --max-words-per-line limita o número de palavras em uma linha de legenda, ou em uma página de tiktok-words, de 1 a 20. A largura do quadro, os finais de frase e as pausas de 0,5 segundo ou mais também quebram as linhas. Uma ou duas palavras dão uma leitura rápida e marcante; deixe a opção sem valor para preencher a largura. Em um subtitle com --text, ela só define as quebras de linha, e não tem efeito em word-pop.
  • Uma renderização cinética ou estilizada mantém a taxa de quadros da origem, como um número inteiro de 15 a 60 fps. Uma origem com taxa de quadros variável ou muito longa é renderizada a 30 fps.

Mecanismo de transcrição

--transcribe-provider escolhe o mecanismo que transcreve a fala. Um estilo cinético precisa das marcações de tempo das palavras, do incredibly-fast-whisper, o padrão, do elevenlabs-stt ou do nemotron-3-5-transcribe. O nemotron-3-5-transcribe acrescenta um preço por minuto iniciado do vídeo. subtitle só precisa das marcações de tempo das frases, então whisper também funciona nesse caso.

Áudio

nodaro audio separate --audio <url> [--mode vocal_instrumental|stems] [--quality auto|fast|best] [--watch] [--poll-interval <ms>] [--json]
nodaro audio isolate --audio <url> [--watch] [--poll-interval <ms>] [--json]
nodaro audio fx --audio <url> [--preset <preset>] [--mix <0-100>] [--delay <20-2000>] [--decay <0-1>] [--eq-low <db>] [--eq-high <db>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio mix --audio <url> --audio <url> ... [--volumes <csv>] [--duck-under <index>] [--duck-amount <0-100>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio adjust-volume --audio <url>|--video <url> [--volume <0-200>] [--normalize] [--fade-in <sec>] [--fade-out <sec>] [--watch] [--poll-interval <ms>] [--json]
nodaro audio pitch-tempo --audio <url>|--video <url> [--semitones <-12..12>] [--tempo <0.5-2>] [--no-preserve-formants] [--watch] [--poll-interval <ms>] [--json]
nodaro audio combine --segment <url[@a-b]> --segment ... [--watch] [--poll-interval <ms>] [--json]
nodaro audio transcribe --audio <url> [--provider elevenlabs-stt|incredibly-fast-whisper|whisper|nemotron-3-5-transcribe] [--language <code>] [--diarize] [--tag-audio-events] [--word-timestamps] [--target-language <code>] [--watch] [--poll-interval <ms>] [--json]
ComandoO que fazNó
audio separateSepara os vocais do instrumental, ou divide o áudio em stems.Separação de áudio
audio isolateMantém a voz e remove o resto.Extrator de voz
audio fxAplica uma predefinição de efeito, com configurações de mixagem, atraso, decaimento e equalizador.Efeitos de áudio
audio mixMixa várias faixas, com um volume por faixa. --duck-under faz as outras faixas baixarem sob uma faixa, indicada pelo índice a partir de 0. --duck-amount define o quanto, padrão 75.Mixar áudio
audio adjust-volumeAltera o volume, normaliza e aplica fade in ou fade out.Ajustar volume
audio pitch-tempoMuda o tom em semitons, ou altera o andamento sem mudar o tom. --no-preserve-formants deixa o caráter da voz mudar junto com o tom.Tom e andamento
audio combineJunta segmentos um depois do outro. url@a-b pega um intervalo de tempo de um arquivo.Combinar áudio
audio transcribeTransforma fala em texto.Transcrever

Estas são as peças que o Modificador de voz Pro combina, disponíveis separadamente.

Mecanismos de transcrição

MecanismoMarcações de tempo das palavrasTambém aceita
elevenlabs-sttSempre--diarize (quem fala quando) e --tag-audio-events
incredibly-fast-whisperCom --word-timestamps
whisperNenhuma, só segmentos de frases; --word-timestamps é recusado antes de qualquer crédito ser gasto
nemotron-3-5-transcribeCom --word-timestamps, com um locutor por palavra--target-language (para o inglês ou a partir dele) traduz a fala no lugar, sem as marcações de tempo das palavras

Se você omitir --provider, o mecanismo whisper é executado. Indique um mecanismo sempre que precisar das marcações de tempo das palavras. O Nemotron 3.5 Transcribe é cobrado por minuto iniciado do arquivo e aceita arquivos de até 60 minutos e 200 MB.

O output_data da tarefa concluída traz text, words (uma entrada por palavra, em milissegundos) e json (a transcrição normalizada, também em milissegundos). Uma lista segments no nível superior, em segundos, só existe com whisper e incredibly-fast-whisper; o elevenlabs-stt não retorna nenhuma, então leia words. Passe words para media add-captions --captions-file para uma renderização cinética.

Edição

Os comandos de edição são peças editoriais para podcasts e vídeos longos. Cinco comandos fazem a edição inteira de um podcast em um só comando: edit tighten-episode, edit episode-chapters, edit episode-trailer, edit clip-pack e edit speaker-layout.

nodaro edit silence-detect <audioUrl> [--threshold-db=-35] [--min-silence-ms <ms>] [--pad-ms <ms>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit audio-sync (--source <[id=]url> ... | --sources-file <file.json>) [--reference <id>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit speaker-map (--source <[id=]url> ... | --sources-file <file.json>) --transcript <file.json> [--offsets <file.json>] [--master <id>] [--wide <id>] [--margin-db <db>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit apply-edl --edl <file.json> [--transcript <file.json>] [--source <url> ...] [--output video|audio] [--quality proxy|final] [--crossfade-ms <ms>] [--clip-key <inMs-outMs>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit plan --mode tighten|clips|chapters|trailer --plan-tier economy|standard|premium --transcript <file.json> (--source <[id=]url[@audio|@video]> ... | --sources-file <file.json>) [--silence <file.json>] [--offsets <file.json>] [--transcript-source <id>] [--instructions <text>] [--style-guide <text>] [--count <n>] [--target-duration-sec <n>] [--target-aspect 16:9|9:16|1:1|4:5] [--platform <name>] [--watch] [--poll-interval <ms>] [--json]
nodaro edit capabilities [--json]
nodaro edit switch-cameras --edl <file.json> --transcript <file.json> [--speaker-map <file.json>] [--speaker-map-result <file.json>] [--speaker-names <file.json>] [--min-shot-ms <ms>] [--lead-ms <ms>] [--lag-ms <ms>] [--max-shot-ms <ms>] [--wide-every <n>] [--layout-hints] [--watch] [--poll-interval <ms>] [--json]
ComandoO que fazNó
edit silence-detectEncontra os trechos silenciosos de uma gravação.Detectar silêncio
edit audio-syncAlinha de 2 a 6 gravações, de áudio ou vídeo, do mesmo evento.Sincronizar áudio
edit speaker-mapDescobre em qual câmera está cada falante, pelos próprios microfones das câmeras.Mapa de falantes
edit planPlaneja uma edição a partir de uma transcrição: deixar o ritmo mais enxuto, cortar clipes, marcar capítulos ou montar um trailer.Plano de edição
edit capabilitiesLista os modos do Plano de edição que este servidor consegue planejar. Nada é cobrado.Plano de edição
edit apply-edlRenderiza uma lista de decisões de edição (EDL) como vídeo ou arquivo de áudio.Aplicar EDL
edit switch-camerasColoca cada corte de uma edição na câmera de quem está falando. A transcrição precisa de rótulos de falante.Troca de câmeras
edit tighten-episodeEnxuga uma gravação até virar um episódio pronto: transcreve, planeja e renderiza, com legendas, música e enquadramento conforme definido.Enxugar episódio
edit episode-chaptersLista os capítulos de uma gravação. Nada é renderizado.Índice de capítulos
edit episode-trailerCorta um trailer de 20 a 40 segundos em cada formato escolhido.Trailer do episódio
edit clip-packCorta uma gravação em um pacote de clipes curtos.Pacote de clipes
edit speaker-layoutEnquadra uma gravação inteira por falante, sem cortar nada.Layout de locutores
edit continue-use-caseContinua uma das cinco execuções acima como uma nova tarefa.Enxugar episódio

edit audio-sync nomeia as gravações como source-1, source-2 e assim por diante, a menos que você informe um id no formato id=url. O output_data.json dele tem três campos:

  • reference: a gravação à qual as outras são alinhadas. Escolha essa gravação com --reference.
  • offsets: uma entrada por gravação, com sourceId, offsetMs, confidence e driftMsPerHour.
  • notes: observações sobre o alinhamento.

Um tempo em uma gravação é convertido para a referência com referenceMs = sourceMs + offsetMs.

edit speaker-map recebe de 2 a 6 gravações, com as mesmas regras de --source de edit audio-sync. --offsets recebe um resultado de edit audio-sync. --master e --wide indicam gravações que não são a câmera de ninguém. Uma linha de --sources-file pode trazer kind: "audio" para uma gravação só de som, que nunca é uma câmera. O output_data.json do resultado é { version, speakerMap, confidence, notes, edl? }: passe-o para edit switch-cameras --speaker-map-result.

edit apply-edl --quality proxy renderiza uma prévia para revisão: ela é privada e cobrada pela taxa de prévia, mais baixa. --quality final renderiza a versão de entrega. --clip-key indica o clipe de um plano no modo Clipes que a renderização corta, no formato <first inMs>-<last outMs>. O resultado devolve esse valor como output_data.clipKey, ao lado de output_data.quality.

edit capabilities imprime os modos do Plano de edição que este servidor consegue planejar, quem respondeu e se o Plano de edição é cobrado por minuto iniciado. Uma instalação auto-hospedada conectada é respondida pelo Nodaro Cloud. Com --json, imprime { modes, source, perMinute }.

edit switch-cameras --speaker-map-result recebe um resultado de edit speaker-map. Um rótulo em --speaker-map vence sobre ele. --lead-ms adianta cada corte, e --lag-ms o atrasa, de 0 a 5.000 ms. O padrão de --lag-ms é 0.

Várias câmeras, passo a passo

Em uma gravação com várias câmeras, edit plan --offsets recebe o output_data.json de uma tarefa edit audio-sync com os mesmos ids de fonte. O plano aplica o deslocamento de cada fonte antes de começar. Uma fonte que não foi medida, ou que teve uma correspondência fraca, é recusada; nesse caso, defina o offsetMs dela em --sources-file. Uma edição com várias câmeras executa estes comandos, nesta ordem:

  1. audio transcribe --provider elevenlabs-stt --diarize, para uma transcrição com rótulos de falante.
  2. edit audio-sync, para medir os deslocamentos.
  3. edit plan --offsets, para planejar a edição.
  4. edit speaker-map, para descobrir quem está em cada câmera.
  5. edit switch-cameras --speaker-map-result, para colocar cada corte na câmera de quem fala.
  6. edit apply-edl --quality proxy para revisar e, depois, edit apply-edl --quality final para a entrega.

Editar um episódio inteiro em um comando

nodaro edit tighten-episode --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--music <url> [--music-duck-amount <0-100>]] [--output video|audio] [--framing 16:9|9:16|1:1|4:5 [--layout auto|single|side-by-side|stacked|grid|pip] [--framing-source auto|static|tracking]] [--no-captions | --caption-style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit episode-chapters --media <url> [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit episode-trailer --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--intro-card <url>] [--formats 9:16,1:1,4:5,16:9] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit clip-pack --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--count <n>] [--length <sec>] [--framing 16:9|9:16|1:1|4:5|none [--layout auto|single|side-by-side|stacked|grid|pip] [--switch <id>] [--emphasis <style>]] [--framing-source auto|static|tracking] [--no-captions | --caption-style subtitle|word-highlight|karaoke|tiktok-words|word-pop|bouncy] [--review] [--plan-tier economy|standard|premium] [--instructions <text>] [--style-guide <text>] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit speaker-layout --media <url> [--media <url> ...] [--master-audio <url>] [--wide-camera <n>] [--synced] [--speaker-camera <speaker>=<recording> ...] [--aspect 16:9|9:16|1:1|4:5] [--layout auto|single|side-by-side|stacked|grid|pip] [--switch <id>] [--emphasis <style>] [--framing-source auto|static|tracking] [--review] [--idempotency-key <key>] [--estimate] [--watch] [--poll-interval <ms>] [--json]
nodaro edit continue-use-case <jobId> --mode from-failed|render-final [--edit <file.json>] [--type tighten-episode|episode-chapters|episode-trailer|clip-pack|speaker-layout] [--idempotency-key <key>] [--watch] [--poll-interval <ms>] [--json]

Cada um dos cinco comandos recebe uma gravação, de vídeo ou de áudio, de até 3 horas. Trailer do episódio e Layout de locutores precisam de uma gravação com imagem. Uma execução cobra cada etapa pelo preço dela, mais uma taxa fixa por execução. A taxa de uma execução que falhou é reembolsada. --review para em uma prévia para uma pessoa conferir e imprime o comando edit continue-use-case que renderiza a final.

  • --estimate faz a cotação da execução que as mesmas opções iniciariam, e não inicia nada: nenhuma tarefa é criada e nada é cobrado. Ele imprime o total, as etapas, a taxa por execução e a duração da gravação. O total leva ≈ quando uma etapa é uma estimativa medida. Com --json, imprime { totalCredits, stepsCredits, feeCredits, estimate?, durationSec }. Em uma edição sem créditos, ele avisa isso.
  • --idempotency-key faz uma nova tentativa com a mesma chave responder com a execução já iniciada.
  • --style-guide é um guia de estilo para o planejador, até 4.000 caracteres.

Várias câmeras. Repita --media para as câmeras de uma conversa, em ordem, e adicione --master-audio para a faixa da mesa de som. --wide-camera, --synced e --speaker-camera configuram as câmeras: --speaker-camera 1=2 coloca a primeira voz ouvida na gravação 2, e 0 é o plano geral. Várias gravações ou um Áudio principal precisam do Mapa de falantes: onde ele não está disponível para você, a execução é recusada com 403 node_not_available. O Índice de capítulos lê uma só gravação.

edit tighten-episode transcreve a gravação, planeja o corte enxuto e o renderiza, com legendas, música e enquadramento conforme definido. --music-duck-amount define quanto a música abaixa sob a voz, de 0 a 100, padrão 75. --caption-style define a aparência das legendas, padrão word-highlight. --layout e --framing-source só funcionam com --framing. --framing-source static, o padrão, divide o quadro igualmente entre os falantes. tracking segue os rostos com o Quadros dos falantes, cobrado por bloco iniciado de 1.000 quadros amostrados, e é recusado onde o Quadros dos falantes não está disponível para você. auto segue os rostos enquanto o Quadros dos falantes está disponível para você, e divide igualmente caso contrário.

edit episode-chapters transcreve a gravação e planeja os capítulos dela. Com --watch, as notas do episódio são impressas quando a execução termina: uma linha 0:00 Title por capítulo.

edit episode-trailer corta um trailer de 20 a 40 segundos, com margens em cada formato de --formats e nunca recortado. --formats é separado por vírgulas, e o padrão é 9:16,1:1,4:5. Um formato listado duas vezes é recusado com 400 validation_error antes de qualquer cobrança. --intro-card toca primeiro um vídeo curto, de no máximo 15 segundos. Com --watch, o trailer de cada formato é impresso como 9:16 <url>, e depois qualquer formato que não pôde ser renderizado.

edit clip-pack corta --count clipes, de 1 a 50 e 8 por padrão, de cerca de --length segundos cada, de 5 a 180 e 60 por padrão. Por padrão, cada clipe é enquadrado em 9:16 com os falantes empilhados e legendado no estilo karaoke. --framing none mantém o formato da gravação. --switch é a troca a cada mudança de falante: cut, pan, zoom ou xfade:<transition>, padrão pan. --emphasis é como o falante que está falando é destacado: none, ou scale, border e dim unidos com +, padrão scale. Com --watch, cada clipe é impresso como 1 <url> <title>.

edit speaker-layout enquadra a gravação inteira por falante, com a mesma duração e sem cortar nada. --aspect é o formato, padrão 9:16. --layout tem padrão stacked, --switch tem padrão cut e --framing-source tem padrão auto. Uma prévia de --review é renderizada em qualidade total com edit continue-use-case, sem --edit: o layout não tem corte para mudar.

O valor de cada opção é verificado antes de qualquer requisição. Se --wide-camera aponta para uma gravação com imagem é uma verificação do servidor.

edit continue-use-case continua uma execução como uma nova tarefa, em um de dois modos:

  • from-failed mantém as etapas que terminaram e executa o resto. A taxa é reservada de novo, porque a taxa da execução que falhou foi reembolsada.
  • render-final renderiza o resultado em qualidade total depois de uma prévia de --review, com as configurações da prévia e sem taxa. --edit recebe a edição do plano feita pelo revisor, como um arquivo EDL. Em um Pacote de clipes, ele lista os clipes a manter. Uma execução do Índice de capítulos não renderiza nada.

A execução é continuada na rota do próprio tipo de nó. --type indica o tipo. Sem --type, a CLI lê a tarefa para saber o tipo. Quando o tipo não pode ser lido, por exemplo com um token sem o escopo jobs:read, nada é enviado. O comando então sai com código 1 e pede --type, com o código use_case_type_unknown.

Uma recusa que cita outra tarefa imprime o código dela e essa tarefa. already_running significa que você deve acompanhar essa tarefa. continuation_superseded significa que você deve continuar essa tarefa no lugar. render_final_already_rendered significa que o resultado dela é o que deve ser usado. Com --json, a recusa é gravada na saída padrão como { "error": { "code", "message" }, "jobId" }, com código de saída 1.

nodaro edit tighten-episode --media https://cdn.example.com/episode-12.mp4 --framing 9:16 --estimate
nodaro edit tighten-episode --media https://cdn.example.com/episode-12.mp4 --framing 9:16 --review --watch
nodaro edit continue-use-case <jobId> --mode render-final --watch
nodaro edit episode-chapters --media https://cdn.example.com/episode-12.mp4 --watch

Perguntas frequentes

Como troco a voz de vários falantes de um vídeo pela CLI?

Execute nodaro voice recast com --video e --voices, com uma voz por falante, na ordem em que eles são detectados. Escreva keep para um falante que mantém a voz original, por exemplo --voices Rachel,keep,Aria.

Qual mecanismo de transcrição fornece as marcações de tempo das palavras?

O elevenlabs-stt sempre retorna as marcações de tempo das palavras, e o incredibly-fast-whisper as retorna com --word-timestamps. O whisper retorna só segmentos de frases. Se você omitir --provider, o mecanismo whisper é executado, então indique um mecanismo sempre que precisar das palavras.

still-to-video e slideshow custam créditos?

Não. nodaro media still-to-video e nodaro media slideshow renderizam o vídeo sem nenhum modelo de IA e custam 0 créditos.

Como legendo um vídeo com palavras que eu mesmo corrigi?

Transcreva o áudio com um mecanismo que marca o tempo de cada palavra, edite as palavras no arquivo JSON salvo e depois passe o arquivo para nodaro media add-captions com --captions-file e --no-auto-transcribe.

Quais comandos de mídia precisam do Nodaro Cloud?

voice analyze e voice export só funcionam no Nodaro Cloud. voice recast, edit plan e edit switch-cameras rodam no Nodaro Cloud, e uma instalação auto-hospedada os executa pela conexão com o Nodaro Cloud.

Última atualização

Nesta página