Áudio
Gere fala e diálogos, crie e troque vozes, duble, crie efeitos sonoros, transcreva e limpe ou corte áudio com as ferramentas de áudio do MCP do Nodaro.
As ferramentas de áudio permitem que um assistente crie e altere sons no Nodaro: fala e diálogos, vozes novas e modificadas, dublagem, efeitos sonoros, transcrições e limpeza. Cada ferramenta, exceto list_voices, as ferramentas de vozes favoritas e as duas de leitura de dublagem, inicia uma tarefa e retorna o ID dela, e o resultado é salvo na sua biblioteca. Todas as ferramentas de áudio precisam da permissão workflows:execute, exceto as ferramentas de vozes favoritas e de dublagem: list_voice_favorites, get_dubbing e get_dubbing_captions precisam de assets:read, e favorite_voice e add_dubbing_language precisam de assets:write.
| Ferramenta | O que faz |
|---|---|
generate_speech | Texto para fala com uma voz |
generate_dialogue | Uma conversa entre várias vozes, num único arquivo |
list_voices | As vozes prontas, ou as vozes próprias de um modelo Gemini |
list_voice_favorites | As vozes que o usuário marcou como favoritas |
favorite_voice | Marca uma voz como favorita ou a remove dos favoritos |
voice_design | Uma nova voz a partir de uma descrição |
voice_remix | Fala numa voz que você descreve, sem ID de voz |
voice_changer | Troca a voz de uma gravação ou de um vídeo |
voice_changer_pro | Troca a voz de vários falantes de uma vez |
dubbing | Traduz a fala para outro idioma, mantendo as vozes |
get_dubbing | Lê uma dublagem: os idiomas, os falantes e as falas traduzidas |
get_dubbing_captions | As legendas de uma dublagem como um arquivo SRT ou WebVTT |
add_dubbing_language | Adiciona outro idioma a uma dublagem |
text_to_audio | Efeitos sonoros a partir de uma descrição |
transcribe | Fala para texto, com os tempos das palavras |
audio_isolation | Isola a voz ou o som principal de uma mixagem |
separate_audio | Separa o áudio em vocais e instrumental, ou em stems |
apply_audio_fx | Reverbs e efeitos que situam uma voz num ambiente |
pitch_tempo | Muda o tom, ou altera o andamento sem mudar o tom |
trim_audio | Corta o áudio ou o extrai de um vídeo |
mix_audio | Sobrepõe de 2 a 20 faixas em um arquivo, com uma trilha de fundo que abaixa sob a voz |
download_youtube_audio | A faixa de áudio de um vídeo do YouTube |
generate_speech
Transforma texto em fala com uma voz do ElevenLabs ou uma voz Gemini. Funciona como o nó Texto para fala.
Permissão: workflows:execute. Créditos: o preço do modelo, abaixo.
| Modelo | Desenvolvedor | Modos | Créditos | Detalhes |
|---|---|---|---|---|
| ElevenLabs v4 | ElevenLabs | Texto para fala | a partir de 5 | O modelo de texto para fala mais recente da ElevenLabs — marcações de áudio entre colchetes, controle de estabilidade e similaridade, até 10.000 caracteres por solicitação. API direta. |
| ElevenLabs v4 Turbo | ElevenLabs | Texto para fala | a partir de 3 | ElevenLabs v4 mais rápido e mais barato, com menor fidelidade — marcações de áudio entre colchetes, controle de estabilidade e similaridade, pelo preço em créditos do Turbo. Prefira o v4 quando a qualidade importa. API direta. |
| ElevenLabs v3 | ElevenLabs | Texto para fala | a partir de 5 | Modelo expressivo de texto para fala da ElevenLabs — aceita marcações de áudio entre colchetes para emoção e ritmo. API direta. |
| ElevenLabs Turbo v2.5 | ElevenLabs | Texto para fala | a partir de 3 | Texto para fala rápido e barato da ElevenLabs, pela API direta da ElevenLabs. Bom para narração. |
| ElevenLabs Multilingual v2 | ElevenLabs | Texto para fala | a partir de 5 | Texto para fala multilíngue da ElevenLabs, pela API direta da ElevenLabs. |
| Parâmetro | Tipo | Observações |
|---|---|---|
text | string | Obrigatório. O que dizer, com até 10.000 caracteres e no máximo o limite do modelo escolhido: 5.000 no ElevenLabs v3. Um texto mais longo é recusado, não cortado. Divida um roteiro mais longo em várias chamadas. |
voice_id | string | O nome de uma voz pronta ou o ID de uma voz que você clonou. Padrão: Rachel. Um nome desconhecido falha. Um ID desconhecido volta para Rachel, para que o assistente receba o áudio mesmo assim. Com voice_type igual a custom ou library, um ID desconhecido falha em vez disso. |
voice_type | string | premade, custom ou library. |
model | string | elevenlabs-v4 (padrão), elevenlabs-v4-turbo, elevenlabs-v3, elevenlabs-turbo ou elevenlabs-multilingual. elevenlabs, o ID antigo do elevenlabs-turbo, também é aceito. Os modelos Gemini são gemini-3-8-flash-lite-tts, gemini-3-8-flash-tts, gemini-3-1-flash-tts e gemini-2-5-pro-tts. |
language_code | string | O idioma do texto. Só no ElevenLabs: em um modelo Gemini, o texto decide o idioma. |
stability, similarity_boost, style | number | Configurações de locução, de 0 a 1. |
speed | number | De 0,7 a 1,2. |
style_direction | string | Só no Gemini. No Gemini 3.8, texto livre que descreve o tom, a emoção e o ritmo. No Gemini 3.1 e no 2.5, um entre Vocal Smile, Newscaster, Whisper, Empathetic, Promo/Hype ou Deadpan. Não é falado nem cobrado. Até 1.000 caracteres. |
pace | string | Só no Gemini 3.1 e no 2.5: Natural, Rapid Fire, The Drift ou Staccato. |
accent | string | Só no Gemini 3.1 e no 2.5: Neutral, American (Gen), American (Valley), American (South), British (RP), British (Brixton), Transatlantic ou Australian. |
audio_profile | string | Só no Gemini 3.1 e no 2.5. Quem está falando, em palavras, por exemplo “um narrador caloroso e sem pressa”. Até 1.000 caracteres. |
replica | object | Só no Gemini 3.8 Flash. Fala com a própria voz de uma pessoa, clonada só para esta requisição e nunca salva. Substitui voice_id e não custa nada a mais. Veja Falar com a sua própria voz. |
previous_text | string | A fala dita logo antes desta, como contexto para uma fala contínua entre clipes. Ela não é falada. Até 1.000 caracteres. O ElevenLabs v3 e os modelos Gemini a ignoram. |
next_text | string | A fala dita logo depois desta, com a mesma regra de previous_text. |
output_format | string | O arquivo de áudio: mp3_44100_128 (padrão), mp3_44100_192 para um MP3 com taxa de bits maior, ou wav_24000 para um WAV sem compressão. Todos os formatos custam os mesmos créditos. |
presetId | string | Uma predefinição de locução, como Narrador calmo, Locução comercial ou Audiolivro, de list_node_presets. Você ainda passa text. |
Como escolher o modelo. O ElevenLabs v4, o padrão, aceita tags de áudio como [laughs], [whispers] e [sighs] para emoção e ritmo, e é totalmente multilíngue: use-o para qualquer idioma, inclusive hebraico, árabe, chinês, japonês e coreano. Ele aceita stability e similarity_boost, mas não speed nem style. O ElevenLabs v3 é o modelo anterior, com as mesmas tags e só stability. O ElevenLabs v4 Turbo é o v4 mais rápido, pelo preço do Turbo. O ElevenLabs Turbo é mais barato para narração simples. O ElevenLabs Multilingual v2 é um modelo legado; use-o só para uma voz que comprovadamente funciona apenas no v2. Os modelos Gemini custam menos por caractere. Cada modelo Gemini fala só as próprias vozes nomeadas, que list_voices lista quando você passa o modelo. A voz Gemini padrão é Fola no 3.8 e Kore no 3.1 e no 2.5. No Gemini 3.8, uma tag de áudio entre colchetes vira a tag própria do modelo ou é removida.
Falar com a sua própria voz
No gemini-3-8-flash-tts, replica fala o texto com a voz de uma pessoa real. A voz é clonada só para esta requisição e nunca é salva. replica aceita três campos:
-
source_audio_url: um link https para um arquivo WAV de 10 a 30 segundos da pessoa falando naturalmente, em um ambiente silencioso. -
consent_audio_url: um link https para um arquivo WAV da mesma pessoa, no mesmo ambiente e com o mesmo microfone. Nele, a pessoa lê em voz alta a frase de consentimento.Frase de consentimentoPrompt traduzido. O modelo recebeu o original em inglês, que aparece abaixo.
Eu sou o dono desta voz e autorizo o Google a usar esta voz para criar um modelo de voz sintética.Prompt original em inglês
I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model. -
consent:true. O usuário confirma que a voz é dele, ou que o dono adulto dela autorizou o clone. O usuário também confirma que nenhuma das gravações foi gerada por IA. O assistente precisa pedir essa confirmação ao usuário.
Qualquer outro modelo recusa replica.
Como escolher a voz. As vozes prontas são Rachel, Aria, Roger, Sarah, Laura, Charlie, George, Callum, River, Liam, Charlotte, Alice, Matilda, Will, Jessica, Eric, Chris, Brian, Daniel, Lily e Bill. Para uma voz feminina calorosa, experimente Rachel; para uma voz feminina jovem, Aria ou Lily; para uma voz masculina grave, Roger ou Brian; para uma voz masculina neutra, George ou Daniel; e para uma voz britânica, Charlie ou Charlotte.
Retorna: um ID de tarefa. O cartão toca o áudio quando ele fica pronto.
generate_dialogue
Dá voz a um roteiro com vários falantes num único arquivo de áudio, com alternância natural entre as falas, no ElevenLabs Dialogue v3, no ElevenLabs Dialogue v4 ou em um modelo Gemini. Use-a para conversas, entrevistas, trocas no estilo podcast e cenas, em vez de juntar clipes separados de generate_speech. Funciona como o nó Texto para diálogo.
Permissão: workflows:execute. Créditos: o preço do ElevenLabs Dialogue v3 ou do ElevenLabs Dialogue v4, por bloco iniciado de 100 caracteres do roteiro, com um mínimo de 8 blocos. Os modelos Gemini custam menos por caractere.
| Parâmetro | Tipo | Observações |
|---|---|---|
model | string | elevenlabs-dialogue (Dialogue v3, o padrão), elevenlabs-dialogue-v4 ou um modelo Gemini: gemini-3-8-flash-lite-tts, gemini-3-8-flash-tts, gemini-3-1-flash-tts ou gemini-2-5-pro-tts. |
dialogue | array | Obrigatório. As falas na ordem em que são ditas, de 1 a 200, cada uma { text, voice_id }. Reutilize a mesma voz para o mesmo personagem. As falas podem conter tags de áudio como [laughs]. |
stability | number | No Dialogue v3: 0 (mais variada), 0.5 (equilibrada) ou 1 (mais estável). No Dialogue v4: qualquer valor de 0 a 1. |
similarity_boost | number | Só no Dialogue v4. O quanto cada fala mantém o caráter da própria voz, de 0 a 1. |
language_code | string | Uma indicação de idioma, como en ou he. Omita-a para detectar o idioma. |
seed | integer | Uma seed fixa, para um resultado repetível. |
apply_text_normalization | string | Escreve por extenso números, datas e abreviações: auto (padrão), on ou off. |
dialogue[].style_direction | string | Só no Gemini 3.8. Como esta fala é dita, em palavras. Não é falado nem cobrado. Até 1.000 caracteres. |
speakers | array | Só no Gemini, até 2 entradas, cada uma { voice_id } com configurações opcionais. No Gemini 3.1 e no 2.5: o style_direction, o pace, o accent e o audio_profile de cada voz, como em generate_speech. No Gemini 3.8 Flash: um replica que clona a voz desse falante só para esta requisição, como em generate_speech. |
filler_words | boolean | Só no Gemini 3.8 com duas vozes. Adiciona palavras de preenchimento naturais entre os falantes. |
output_format | string | O arquivo: mp3_44100_128 (padrão), mp3_44100_192 ou wav_24000, pelos mesmos créditos. O ElevenLabs Dialogue gera só o MP3 padrão. |
Os limites são 5.000 caracteres no total no Dialogue v3 e 10.000 no Dialogue v4, com 2.000 ou menos recomendados para a melhor qualidade, e 10 vozes diferentes por chamada. O mesmo roteiro pode misturar nomes de vozes prontas e vozes clonadas. Em um modelo Gemini, um roteiro tem uma ou duas vozes, cada uma entre as vozes próprias do modelo, e 10.000 caracteres no total. Uma chamada Gemini não retorna transcrição. Uma terceira voz, ou uma voz que não está na lista do modelo, é recusada antes de qualquer reserva de créditos.
Retorna: um ID de tarefa.
list_voices
Retorna as vozes prontas, com o ID, o nome e os detalhes de gênero, sotaque e descrição, quando houver. generate_speech, voice_changer e voice_changer_pro precisam de um ID de voz.
Permissão: workflows:execute. Créditos: grátis.
| Parâmetro | Tipo | Observações |
|---|---|---|
model | string | Opcional. Um ID de modelo de fala. Com um modelo Gemini, a ferramenta lista as vozes próprias desse modelo. No Gemini 3.8, o use_case de cada voz diz para que ela serve. |
A ferramenta lê o catálogo e não inicia nenhuma tarefa.
list_voice_favorites
Retorna as vozes favoritas do usuário, das mais novas para as mais antigas. Uma favorita pode ser uma voz pronta, uma voz da Biblioteca de vozes ou uma das vozes clonadas do usuário. O usuário pode marcar uma voz como favorita em qualquer cliente: um app, o SDK, a CLI ou favorite_voice.
Permissão: assets:read. Créditos: grátis.
Esta ferramenta não tem parâmetros. Ela lê a lista e não inicia nenhuma tarefa.
Retorna: JSON. Cada voz traz o voiceId e o voiceType, que você passa para generate_speech como voice_id e voice_type. Ela também traz o name e o previewUrl com que foi marcada como favorita.
favorite_voice
Marca uma voz como favorita do usuário, com o nome que a lista de favoritos mostra. Com favorite: false, ela remove a voz dos favoritos.
Permissão: assets:write. Créditos: grátis.
| Parâmetro | Tipo | Observações |
|---|---|---|
voice_id | string | Obrigatório. O ID da voz: o voice_id de uma voz pronta ou da Biblioteca de vozes, ou o ID de voz do ElevenLabs de uma voz clonada. De 1 a 200 caracteres. |
voice_type | string | premade, library ou custom, como generate_speech recebe essa voz. Obrigatório para marcar uma voz como favorita, e desnecessário para removê-la. |
name | string | O nome da voz, como a lista de favoritos o mostra. Obrigatório para marcar uma voz como favorita. De 1 a 200 caracteres. |
preview_url | string | O áudio de prévia da voz, como uma URL https, com até 2.048 caracteres. "" apaga uma prévia salva. |
favorite | boolean | false remove a voz dos favoritos. Padrão: true. |
As duas ações são idempotentes. Marcar de novo uma voz que já é favorita atualiza o nome e a prévia dela. Um usuário pode ter até 500 vozes favoritas. Acima desse limite, a marcação é recusada com limit_reached.
voice_design
Cria uma nova voz a partir de uma descrição e retorna uma amostra dela falando o seu roteiro. Use-a para ouvir uma prévia da voz antes de salvá-la. Funciona como o nó Design de voz.
Permissão: workflows:execute. Créditos: 55.
| Parâmetro | Tipo | Observações |
|---|---|---|
voice_description | string | Obrigatório. A voz: gênero, idade, sotaque, tom e personalidade, com até 1.000 caracteres. Por exemplo “narradora calorosa com sotaque britânico suave, voz grave e ritmo calmo”. |
text | string | Obrigatório. Um roteiro de amostra para a voz falar, de 100 a 1.000 caracteres. |
model | string | eleven_ttv_v3 (padrão, todos os idiomas) ou o legado eleven_multilingual_ttv_v2. |
loudness, guidance_scale, quality, seed, should_enhance | Configurações opcionais de design. loudness vai de -1 a 1, e guidance_scale, de 0 a 100. |
Retorna: um ID de tarefa. O resultado é uma amostra em áudio da voz criada.
voice_remix
Fala um texto numa voz que você descreve em palavras, sem ID de voz. Use-a para uma voz avulsa, que você não precisa guardar. Funciona como o nó Remix de voz.
Permissão: workflows:execute. Créditos: 44.
| Parâmetro | Tipo | Observações |
|---|---|---|
text | string | Obrigatório. O que dizer, com até 5.000 caracteres. |
voice_description | string | Obrigatório. A voz, com até 1.000 caracteres, por exemplo “uma britânica calorosa de uns 45 anos, com tom calmo de âncora de telejornal”. |
Retorna: um ID de tarefa.
voice_changer
Substitui a voz numa faixa de áudio, ou num vídeo inteiro de alguém falando, mantendo a interpretação e o ritmo. Funciona como o nó Modificador de voz.
Permissão: workflows:execute. Créditos: 44.
| Parâmetro | Tipo | Observações |
|---|---|---|
voice_id | string | Obrigatório. A nova voz: o nome de uma voz pronta ou o ID de uma voz que você clonou. |
audio_url ou audio_asset_id | string | Uma origem de áudio. |
video_url ou video_asset_id | string | Uma origem de vídeo, no lugar do áudio. O vídeo prevalece quando você passa os dois. |
remove_background_noise | boolean | true retorna só a voz limpa. false mantém a música e os efeitos sonoros sob a nova voz. |
stability, similarity_boost, style | number | De 0 a 1. style exagera a interpretação original; acima de 0, fica mais lento e pode ser menos estável. |
Retorna: um ID de tarefa. Para uma origem de vídeo, o cartão mostra uma prévia do novo áudio, e o novo vídeo vai para a sua biblioteca.
voice_changer_pro
Detecta cada falante de um clipe e dá a cada um uma nova voz, mantendo as palavras e o timing. O falante 1 recebe a primeira voz da lista, o falante 2, a segunda, e assim por diante, na ordem em que cada um fala pela primeira vez. Funciona como o nó Modificador de voz Pro.
Permissão: workflows:execute. Créditos: os mesmos do nó Modificador de voz Pro. Somente no Nodaro Cloud.
| Parâmetro | Tipo | Observações |
|---|---|---|
ordered_voices | array | Obrigatório. De 1 a 8 itens, um por falante. Um item é um ID de voz, um objeto com as próprias configurações ou null, para manter a voz original desse falante. Pelo menos um item não pode ser null. |
audio_url, audio_asset_id, video_url ou video_asset_id | string | A origem: uma faixa de áudio ou um vídeo cujas vozes são trocadas. |
analysis | object | A saída de uma tarefa anterior de voice_changer_pro_analyze. A troca então usa exatamente a lista de falantes à qual você associou as suas vozes, em vez de detectar os falantes de novo. |
preserve_background | boolean | Mixa de volta a música e os efeitos sonoros sob as novas vozes. Padrão: true. |
music_volume_mode, music_volume | O nível do fundo: match (original), normalize ou manual, com um volume de 0 a 200. | |
voice_fx | object | Uma reverberação ou um efeito nas novas vozes, antes de o fundo voltar: um preset como room, hall, church, telephone ou echo, com wetDryMix, delayMs e decay. |
separation_quality | string | fast (padrão) ou best. |
remove_background_noise | boolean | Remove primeiro o ruído de fundo, para um resultado limpo, só com a voz. |
output | string | video (padrão), um vídeo pronto, ou stems, as faixas separadas para a sua própria mixagem com voice_changer_pro_export. |
model | string | Uma substituição do modelo de voz. |
Um objeto de item de voz recebe voiceId e, opcionalmente, engine, stability, similarityBoost, style, useSpeakerBoost, seed, volumeMode e volume. O engine é sts (o padrão, que troca a voz da interpretação original), v3 ou v4. v3 e v4 falam a frase de novo a partir da transcrição com o ElevenLabs v3 ou o ElevenLabs v4 e aceitam tags de áudio. O mecanismo v3 aceita uma estabilidade de 0, de 0,5 ou de 1. O mecanismo v4 aceita qualquer estabilidade de 0 a 1 e aplica similarityBoost. Os dois leem a transcrição da analysis; sem uma análise, usam a própria transcrição.
Retorna: um ID de tarefa.
voice_changer_pro_analyze
Detecta os falantes de um clipe sem alterá-los: a primeira etapa do fluxo interativo. A saída da tarefa contém as faixas separadas de voz e de fundo, cada falante com os segmentos de tempo, a primeira aparição, a contagem de palavras e um trecho do texto, além do idioma. Confira essa saída para escolher uma voz para cada falante e para identificar “falantes” que não são pessoas, como aplausos.
Permissão: workflows:execute. Somente no Nodaro Cloud.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url, audio_asset_id, video_url ou video_asset_id | string | O clipe de origem. |
separation_quality | string | fast (padrão) ou best. |
suggest_title | boolean | Também sugere um título a partir da transcrição, como suggestedTitle. |
Retorna: um ID de tarefa. Passe o output_data dela para voice_changer_pro como analysis.
voice_changer_pro_export
Renderiza um vídeo pronto a partir da sua própria mixagem de faixas: a última etapa do fluxo interativo, depois de voice_changer_pro com output: "stems". O vídeo é copiado sem recodificação.
Permissão: workflows:execute. Somente no Nodaro Cloud.
| Parâmetro | Tipo | Observações |
|---|---|---|
tracks | array | Obrigatório. De 1 a 16 faixas, cada uma com uma url, um gain de 0 a 200 (100 não altera nada), muted e um kind, voice (padrão) ou background. Pelo menos uma faixa não pode estar silenciada. |
video_url ou video_asset_id | string | O vídeo de origem. |
voice_fx | object | Um efeito aplicado só às faixas de voz. |
Retorna: um ID de tarefa.
dubbing
Traduz a fala para outro idioma, mantendo a voz e o timing de cada falante. Uma origem de vídeo retorna o vídeo dublado e a faixa de áudio dele. Funciona como o nó Dublagem.
Permissão: workflows:execute. Créditos: cobrados por minuto do trecho dublado.
| Parâmetro | Tipo | Observações |
|---|---|---|
target_language | string | Obrigatório. Um código de idioma, como en, es, fr, de, ja, zh, ko ou ar. |
audio_url, audio_asset_id, video_url, video_asset_id ou source_url | string | Exatamente uma origem. source_url é um link público do YouTube, do TikTok ou direto, que é baixado diretamente. |
source_language | string | Uma indicação do idioma de origem. Ele é detectado quando você o omite. |
num_speakers | integer | O número de vozes diferentes, até 20. 0 as detecta. |
disable_voice_cloning | boolean | Usa uma voz nativa parecida em vez da voz original de cada falante. |
drop_background_audio | boolean | Remove o fundo, para origens só com fala. |
start_time, end_time | number | Dubla só parte da origem, em segundos. |
highest_resolution | boolean | Mantém a resolução de origem de um vídeo. Mais lento. |
use_profanity_filter, target_accent, watermark | Opcionais. target_accent orienta as vozes para um sotaque. |
Uma dublagem cobre no máximo 30 minutos. Use start_time e end_time para uma parte de uma origem mais longa.
Retorna: um ID de tarefa. Leia a dublagem pronta com get_dubbing.
get_dubbing
Lê uma dublagem pelo ID da tarefa: uma dublagem feita com dubbing, ou no editor, no SDK ou na CLI. Retorna os idiomas da dublagem, os falantes, a fala original e o que a dublagem pode fazer agora. Cada idioma tem o code, o status (processing, completed, stale ou failed), o jobId que guarda a mídia dele e o segmentCount.
Permissão: assets:read. Créditos: grátis.
| Parâmetro | Tipo | Observações |
|---|---|---|
job_id | string | Obrigatório. O ID da tarefa da dublagem, ou o ID da tarefa de um idioma adicionado a ela. |
language | string | Um código de idioma que a dublagem lista, ou source para a fala original. Com ele, a ferramenta retorna os segmentos desse idioma. |
offset | integer | O primeiro segmento da página, contando a partir de 0. Padrão 0. |
limit | integer | Quantos segmentos a página traz, de 1 a 200. Padrão 50. |
capabilities diz o que pode ser feito com a dublagem agora. addLanguage diz pelo que adicionar um idioma é cobrado: os minutos inteiros e o identificador de preço que os precifica.
Cada segmento tem o id, o speakerId, start e end em segundos, e o text. Um segmento traduzido também tem sourceSegmentId e sourceText: o segmento de origem que ele traduz e o texto desse segmento. Cada um dos dois é null onde a dublagem não o guarda. Os segmentos vêm uma página por vez, com total, offset e nextOffset, que é null na última página.
Um idioma que ainda está sendo feito retorna uma página vazia com o status dele. Um idioma que a dublagem não lista é recusado com dubbing_language_not_found. Os outros erros são not_found, not_a_dubbing_job, dubbing_not_ready, dubbing_failed, dubbing_unavailable e dubbing_read_failed.
Retorna: JSON.
get_dubbing_captions
Retorna as legendas de uma dublagem como o texto de um arquivo SRT ou WebVTT, pronto para salvar. Funciona para um idioma que a dublagem lista, ou para a fala original.
Permissão: assets:read. Créditos: grátis.
| Parâmetro | Tipo | Observações |
|---|---|---|
job_id | string | Obrigatório. O ID da tarefa da dublagem, ou o ID da tarefa de um idioma adicionado a ela. |
language | string | Obrigatório. Um código de idioma que a dublagem lista, ou source para a fala original. |
format | string | srt (padrão) ou vtt. |
Um idioma que a dublagem não lista é recusado com dubbing_language_not_found. Um idioma que ainda está sendo feito é recusado com dubbing_language_processing. Um idioma cujas falas não podem ser lidas é recusado com dubbing_captions_unavailable.
Retorna: o texto do arquivo de legendas.
add_dubbing_language
Adiciona um idioma a uma das suas dublagens e inicia a tarefa que o cria. O novo idioma mantém a origem e as configurações da dublagem. Acompanhe a tarefa com get_job ou wait_for_job. Quando a tarefa termina, get_dubbing lista o idioma.
Permissão: assets:write. Créditos: cobrados por minuto iniciado da dublagem, pelo preço que get_dubbing indica em addLanguage.
| Parâmetro | Tipo | Observações |
|---|---|---|
job_id | string | Obrigatório. O ID da tarefa da dublagem, ou o ID da tarefa de um idioma adicionado a ela. |
target_language | string | Obrigatório. O idioma a adicionar, como es ou pt-BR. |
confirmation_id | string | A confirmação de direitos de conteúdo, para uma dublagem feita a partir de um link que pertence a outra pessoa. |
Ofereça esta ferramenta só quando capabilities.addLanguage de get_dubbing for true. Um idioma que a dublagem já tem é recusado com dubbing_language_exists. Uma dublagem cuja origem ou duração não pode mais ser lida é recusada com unreadable_dubbing_source. Os outros erros são os de get_dubbing.
Retorna: um ID de tarefa.
text_to_audio
Cria um efeito sonoro a partir de uma descrição: foley, ambiência, sons de interface. Não serve para fala nem música. Funciona como o nó Texto para áudio.
Permissão: workflows:execute. Créditos: o preço do ElevenLabs Sound Effects, por segundo de duration, arredondado para cima até um segundo inteiro. Uma chamada sem duration é cobrada como 5 segundos.
| Parâmetro | Tipo | Observações |
|---|---|---|
prompt | string | O som, por exemplo “trovoada com chuva forte”, com até 2.000 caracteres. Obrigatório, a menos que uma predefinição o forneça. |
duration | number | De 0,5 a 30 segundos. Por padrão, o modelo decide. |
loop | boolean | Faz o som se repetir em loop sem emendas. |
prompt_influence | number | O quanto o som segue o prompt, de 0 a 1. |
presetId | string | Uma predefinição como Ambiente de chuva, Transição whoosh ou Impacto / estrondo. |
Retorna: um ID de tarefa.
transcribe
Transforma a fala de um arquivo de áudio ou de vídeo em texto. Roda no mecanismo ElevenLabs STT, a menos que model indique outro. Funciona como o nó Transcrever.
Permissão: workflows:execute. Créditos: o preço do mecanismo, como o ElevenLabs STT. O Nemotron 3.5 Transcribe é cobrado por minuto iniciado do arquivo.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url ou audio_asset_id | string | A origem. O ID pode ser de uma tarefa de áudio ou de vídeo. |
model | string | O mecanismo: elevenlabs-stt (padrão), incredibly-fast-whisper, whisper ou nemotron-3-5-transcribe. |
language | string | Um código de idioma, como en. Detectado quando você o omite. O Nemotron sempre o detecta. |
diarize | boolean | Só ElevenLabs STT: identifica cada falante. Padrão: false. |
tag_audio_events | boolean | Só ElevenLabs STT: marca sons como [laughter] ou [music]. Padrão: false. |
word_timestamps | boolean | Tempos por palavra. O ElevenLabs STT os retorna de qualquer forma. O Incredibly Fast Whisper e o Nemotron os retornam só com true, e o Nemotron acrescenta um falante a cada palavra. O Whisper nunca os retorna. |
target_language | string | Só nemotron-3-5-transcribe: traduz a fala para este idioma, de ou para o inglês, como en, ja ou he. A tradução fica em text, sem tempos das palavras. Recusado junto com word_timestamps ou em outro mecanismo. |
Retorna: um ID de tarefa. A transcrição fica na saída da tarefa. Para legendar um vídeo com o texto corrigido, mapeie json.words para as captions de add_captions, um item por palavra.
O Nemotron 3.5 Transcribe aceita um link direto para o arquivo, com até 60 minutos e 200 MB.
audio_isolation
Remove a música e o ruído de fundo de uma mixagem e retorna a voz, os vocais ou o instrumento principal como uma única faixa limpa. Funciona como o nó Extrator de voz.
Permissão: workflows:execute. Créditos: o preço do ElevenLabs Voice Isolation, conforme a duração.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url ou audio_asset_id | string | A origem. O ID pode ser de uma tarefa de áudio ou de vídeo. |
Retorna: um ID de tarefa.
separate_audio
Separa qualquer áudio em vocais e instrumental, ou em stems completos: bateria, baixo, guitarra, piano e outros. Usa o Demucs e também funciona com gravações lançadas comercialmente, que suno_separate_stems recusa. Funciona como o nó Separação de áudio.
Permissão: workflows:execute. Créditos: de 33 a 88, conforme o modo e a qualidade.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url ou audio_asset_id | string | A origem. audio_asset_id aceita uma tarefa de áudio ou um arquivo de áudio enviado, não um vídeo. |
mode | string | vocal_instrumental (padrão) ou stems. |
quality | string | auto (padrão), fast ou best. |
Retorna: um ID de tarefa. Leia a URL de cada stem, como vocalUrl, instrumentalUrl ou drumsUrl, com get_job.
apply_audio_fx
Aplica um efeito criativo a uma voz ou a um clipe: uma reverberação que situa uma voz seca num ambiente, ou um efeito de telefone, megafone ou eco. Funciona como o nó Efeitos de áudio.
Permissão: workflows:execute. Créditos: 22.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url ou audio_asset_id | string | A origem. O ID pode ser de uma tarefa de áudio ou de vídeo. |
preset | string | room (padrão), bathroom, car, hall, concert-hall, church, cave, arena, outdoor, telephone, megaphone, echo ou custom. |
mix | number | A quantidade de reverberação, de 0 a 100. |
Retorna: um ID de tarefa.
pitch_tempo
Muda o tom de uma voz ou de uma música em semitons, ou altera o andamento sem mudar o tom. Funciona como o nó Tom e andamento.
Permissão: workflows:execute. Créditos: 22 por minuto iniciado da entrada, até 30 minutos.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url, video_url ou asset_id | string | Exatamente uma origem. O ID pode ser de uma tarefa de áudio ou de vídeo, ou de um upload. Um vídeo mantém a imagem. |
semitones | number | De -12 a 12. O padrão é 0. 12 é uma oitava acima. |
tempo | number | De 0,5 a 2, com o tom mantido. O padrão é 1. É ignorado para um vídeo. |
preserve_formants | boolean | Mantém o caráter natural da voz. O padrão é true. Desative para uma voz de esquilo ou de gigante. |
Retorna: um ID de tarefa.
trim_audio
Corta o áudio num intervalo de tempo, ou extrai o áudio de um vídeo e o corta. Funciona como o nó Cortar áudio.
Permissão: workflows:execute. Créditos: 11.
| Parâmetro | Tipo | Observações |
|---|---|---|
audio_url, audio_asset_id, video_url ou video_asset_id | string | Uma origem. Uma origem de vídeo fornece a faixa de áudio dele. |
start_time, end_time | number | O intervalo em segundos. Omita os dois para manter a faixa inteira. |
audio_format | string | mp3 (padrão), wav ou aac. |
Retorna: um ID de tarefa.
mix_audio
Sobrepõe de 2 a 20 faixas de áudio em um único arquivo. Com duck, uma trilha de fundo abaixa sob a voz enquanto a voz fala e volta a subir nas pausas. Funciona como o nó Mixar áudio.
Permissão: workflows:execute. Créditos: 22, com ou sem ducking.
| Parâmetro | Tipo | Observações |
|---|---|---|
tracks | array | Obrigatório. De 2 a 20 faixas, na ordem da mixagem. Cada uma é { audio_url } ou { audio_asset_id }, com um volume opcional de 0 a 200 por cento. Padrão: 100. Um audio_asset_id pode ser uma tarefa de áudio ou de vídeo do Nodaro. |
duck | object | Abaixa todas as outras faixas sob uma faixa-chave. Omita-o para uma mixagem simples. |
duck.under | integer | Obrigatório em duck. A posição da faixa-chave, normalmente a voz, em tracks, contando a partir de 0. |
duck.amount | number | Quanto as outras faixas abaixam, de 0 a 100. Padrão: 75. |
duck.threshold_db | number | O nível em dBFS que a faixa-chave precisa passar para iniciar o abaixamento, de -60 a 0. Padrão: -30. |
duck.ratio | number | Uma taxa de compressão de 1 a 20. Ela substitui amount. |
duck.attack_ms, duck.release_ms | number | A rapidez com que o abaixamento começa, de 1 a 2.000 ms (padrão 20), e a lentidão com que as outras faixas voltam, de 10 a 9.000 ms (padrão 500). |
end_at | string | Onde a mixagem termina: longest (padrão), com a faixa mais longa, ou voice, quando a faixa duck.under termina. voice exige duck. |
Uma mixagem com ducking soma as faixas em vez de calcular a média delas, então a voz mantém o seu nível.
Retorna: um ID de tarefa. O áudio mixado é o resultado da tarefa.
download_youtube_audio
Extrai a faixa de áudio de um vídeo do YouTube.
Permissão: workflows:execute.
| Parâmetro | Tipo | Observações |
|---|---|---|
youtube_url | string | Obrigatório. A URL do vídeo do YouTube. |
Uma implantação pode desativar as importações por link com imports.links: false. Nessa implantação, esta ferramenta não aparece na lista. Uma chamada a ela, ou a qualquer ferramenta com um link para outro site nos argumentos, responde 403 link_imports_disabled antes de criar uma tarefa. Veja Solução de problemas.
Retorna: um ID de tarefa. O resultado é um arquivo de áudio que você pode passar para outras ferramentas.
Perguntas frequentes
Qual voz generate_speech usa por padrão?
A Rachel, no modelo ElevenLabs v4. Passe voice_id com o nome de uma voz pronta, como Aria, Roger ou Charlotte, ou com o ID de uma voz que você clonou. list_voices retorna as vozes prontas.
Como faço uma conversa entre duas vozes?
Use generate_dialogue com uma lista ordenada de falas, cada uma com o texto e a voz. A ferramenta retorna um único arquivo de áudio com alternância natural entre as vozes, que soa melhor do que juntar clipes de fala separados.
O ElevenLabs v4 fala outros idiomas além do inglês?
Sim. Ele é totalmente multilíngue, inclusive hebraico, árabe, chinês, japonês e coreano, então use-o para qualquer idioma. Ele também entende tags de áudio como [laughs] e [whispers].
Como obtenho os tempos das palavras para legendas?
Chame transcribe. No mecanismo padrão, o ElevenLabs STT, os tempos das palavras, em milissegundos, ficam sempre em output_data.json.words da tarefa, que é o formato que add_captions aceita como captions.
Posso trocar várias vozes num único clipe?
Sim, no Nodaro Cloud, com voice_changer_pro. A ferramenta detecta cada falante e dá a cada um a voz que você listar para ele, na ordem em que cada um fala pela primeira vez, mantendo as palavras e o timing.
Páginas relacionadas
Texto para fala
Modificador de voz Pro
Dublagem
Música
Modelos de áudio
Última atualização
Análise e listas de edição
Analise um vídeo cena a cena, encontre planos e silêncios, sincronize câmeras, renderize listas de edição e transforme podcasts em episódios, clipes e trailers.
Música
Crie músicas e instrumentais com o Suno e outros modelos e depois estenda, faça covers e mashups, edite, separe e converta tudo com o MCP do Nodaro.