# Sincronizar áudio

> Meça pelo som a defasagem de 2 a 6 gravações de uma conversa e alinhe uma edição multicâmera sem digitar deslocamentos. Também informa o desvio de relógio.

Source: https://nodaro.ai/pt-BR/docs/nodes/audio/audio-sync

O nó **Sincronizar áudio** (Audio Sync) mede, pelo som, a distância entre os relógios de 2 a 6 gravações de uma mesma conversa. Um podcast costuma ter várias gravações simultâneas: uma câmera por convidado, um plano aberto e um microfone principal, cada uma iniciada em um momento próprio. O Sincronizar áudio ouve todas elas e informa o quanto cada gravação está deslocada em relação a uma gravação de referência. Assim, uma edição multicâmera fica alinhada sem que ninguém precise digitar deslocamentos.

O nó é executado localmente, sem modelo de IA e sem chave de provedor, então funciona em todas as edições.

- Found in: Audio › Analyze
- API type: `audio-sync`

## Quando usar
- Alinhar um podcast multicâmera, com uma câmera por convidado e um microfone principal, antes de planejar a edição.
- Encontrar o deslocamento de um gravador de áudio separado, como um gravador sobre a mesa, em relação ao som da câmera.
- Verificar se dois gravadores se desalinham ao longo de uma sessão longa.

## Início rápido
### Adicione o nó
Pressione Tab no canvas e escolha **Áudio › Análise › Sincronizar áudio**.

### Conecte todas as gravações
Conecte de 2 a 6 gravações, de áudio ou de vídeo, à única entrada **Origens**. Conecte primeiro o microfone principal, para que ele seja a referência.

### Confira a referência
Abra o painel de configurações. Reordene as **Gravações** arrastando-as, ou escolha uma em **Referência**.

### Execute
Clique em **Executar** no nó. Os deslocamentos aparecem na saída **Deslocamentos**, como dados.

Workflow: Um microfone e duas câmeras são conectados a Origens, e o deslocamento de cada câmera é medido em relação ao microfone.

- Enviar áudio → Sincronizar áudio (origens)
- Enviar vídeo → Sincronizar áudio (origens)
- Enviar vídeo → Sincronizar áudio (origens)

## Entrada e saída
| Entrada | Aceita | O que faz |
| --- | --- | --- |
| **Origens** | Nós de áudio e de vídeo, de 2 a 6 | As gravações a alinhar. No caso de um vídeo, o nó usa a faixa de áudio dele. |

Cada gravação é identificada pelo nó de onde vem. O ID desse nó vira o `sourceId` da gravação no resultado, e é também o ID que um plano de edição dá à mesma gravação.

A saída, **Deslocamentos**, é de dados, não de áudio. Conecte-a à entrada **Deslocamentos (Sincronizar áudio)** do [**Plano de edição** (Edit Plan)](https://nodaro.ai/docs/nodes/video/edit-plan), que alinha com ela uma edição com várias câmeras, ou a outro nó que leia dados, como [**Extrair campo** (Extract Field)](https://nodaro.ai/docs/nodes/automate/extract-field).

## Configurações
| Configuração | O que faz |
| --- | --- |
| **Gravações** | As gravações conectadas, em ordem. Arraste para reordená-las. A primeira gravação é a referência padrão, e o resultado lista os deslocamentos nesta ordem. |
| **Referência** | A gravação em relação à qual todos os deslocamentos são medidos: **Primeira gravação (padrão)** ou qualquer gravação conectada. Se a gravação escolhida for desconectada depois, o nó volta a usar a primeira gravação. |

## Como ele mede
O nó compara cada gravação com a referência em três passagens:

1. **Busca aproximada.** Compara o volume das duas gravações inteiras. Isso encontra o deslocamento a qualquer distância, mesmo para uma câmera iniciada minutos antes do microfone.
2. **Ajuste fino.** Compara as formas de onda em torno dessa primeira resposta, em até três janelas de 10 segundos do trecho que as duas gravações têm em comum. Cada frequência é ponderada pela sua fase, então uma câmera do outro lado de uma sala com eco é sincronizada pelo som direto, não pelo eco. Em gravações limpas, o erro fica em cerca de 1 milissegundo, e em gravações com eco, geralmente em poucos milissegundos.
3. **Desvio.** Os relógios de gravadores separados andam em velocidades ligeiramente diferentes, normalmente de 20 a 100 partes por milhão. O nó ajusta os deslocamentos das janelas a uma reta, e a inclinação dessa reta é o desvio. Ele mede desvios de até 200 partes por milhão.

Os tempos são lidos no relógio de cada arquivo, que é o relógio usado nos cortes da edição. Um vídeo cujo som começa depois da imagem é medido com essa diferença mantida.

## Leia o resultado
A saída **Deslocamentos** tem esta forma:

```json
{
"version": 1,
"reference": "mic",
"offsets": [
{ "sourceId": "mic", "offsetMs": 0, "confidence": 1, "driftMsPerHour": 0 },
{ "sourceId": "camA", "offsetMs": 7500, "confidence": 0.94, "driftMsPerHour": 1.2 },
{ "sourceId": "camB", "offsetMs": -40000, "confidence": 0.91, "driftMsPerHour": null }
],
"notes": []
}
```

| Campo | O que significa |
| --- | --- |
| `reference` | A gravação em relação à qual todos os deslocamentos são medidos. O deslocamento dela é sempre `0`. |
| `offsetMs` | Onde a gravação fica no relógio da referência, em milissegundos inteiros. |
| `confidence` | De 0 a 1. O grau de certeza do nó sobre o deslocamento. |
| `driftMsPerHour` | O desvio medido em relação à referência, em milissegundos por hora. `null` quando o trecho em comum era curto demais para medir o desvio. |
| `notes` | Avisos em linguagem simples. |

### A regra do deslocamento
**Tempo da referência = tempo da gravação + deslocamento.** É a mesma regra de sinal que uma lista de decisões de edição usa. Quando a referência é a sua gravação principal, cada deslocamento é exatamente o valor que essa gravação recebe na edição.

- Uma câmera iniciada 7,5 segundos depois do microfone tem um deslocamento de `+7500`: o segundo 0 dela é o segundo 7,5 do microfone.
- Uma câmera iniciada 40 segundos antes do microfone tem um deslocamento de `-40000`.

### Confiança
- Com um trecho em comum de 6 minutos ou mais, o nó mede três janelas. Quando elas concordam com uma diferença de até um milissegundo, o deslocamento é considerado confiável, com confiança de pelo menos 0,6, mesmo para uma câmera do outro lado de uma sala com eco. Uma correspondência nítida eleva a confiança a 1. Janelas que discordam em 5 ms ou mais recebem 0.
- Um trecho em comum mais curto tem uma única janela, então tanto essa correspondência quanto o alinhamento geral precisam ser claros.
- Confiança baixa é um resultado, não uma falha. Uma câmera com o microfone desligado não tem o que alinhar, e a execução é concluída mesmo assim.

### Notas
| Nota | Quando aparece |
| --- | --- |
| Correspondência fraca | Confiança abaixo de 0,5. Confira esse deslocamento de ouvido. |
| Nenhuma correspondência clara | Confiança abaixo de 0,2. O deslocamento é um palpite. |
| Desvio | O desvio ao longo do trecho em comum passa de um quadro a 30 fps, ou seja, 33 ms. A nota informa o desvio total e o pior erro nas pontas, que é a metade dele. |
| Nenhum som em comum | A gravação não tem nenhum trecho em comum com a referência. A confiança dela é 0. |
| Sem faixa de áudio | A gravação, por exemplo um arquivo de câmera só com imagem, não tem som. Ela recebe uma linha com confiança 0, e as outras gravações são alinhadas mesmo assim. |

## Créditos
O Sincronizar áudio custa **11 créditos por gravação alinhada à referência**. A própria referência não é alinhada a nada, então não custa nada. A duração das gravações não altera o preço.

| Gravações | Créditos |
| --- | --- |
| 2 | 11 |
| 3 | 22 |
| 4 | 33 |
| 5 | 44 |
| 6 | 55 |

No canvas, o preço acompanha o número de gravações conectadas a **Origens**. Uma estimativa feita sem as conexões do workflow cota o preço de 6 gravações, 55 créditos, para nunca cotar um valor baixo demais. A Community Edition e a Business edition, que são self-hosted, não usam créditos.

## Exemplos
**Um microfone e uma câmera.** A câmera começou 7,5 segundos depois do microfone. O resultado é `mic` em `0`, a referência, e `cam` em `+7500`. A execução custa 11 créditos.

**Um microfone e três câmeras.** A câmera A começou 7,5 segundos depois do microfone, a câmera B, 40 segundos antes dele, e a câmera C, gravando a 44,1 kHz, 3,25 segundos depois dele. O resultado é `mic` em `0`, `camA` em `+7500`, `camB` em `-40000` e `camC` em `+3250`. A execução custa 33 créditos.

**Seis gravações, com a câmera A como referência.** Os mesmos deslocamentos passam a ser medidos no relógio da câmera A. Cada valor muda na medida do deslocamento da própria câmera A, e `camA` fica em `0`. A execução custa 55 créditos.

**Desvio.** Dois gravadores cujos relógios diferem em 100 partes por milhão se afastam 360 ms por hora. Em um trecho em comum de 40 minutos, isso dá 240 ms, bem acima do limite de 33 ms. `driftMsPerHour` tem um valor absoluto de cerca de 360, com um sinal que indica para que lado a gravação escorrega. Uma nota avisa que as pontas estão defasadas em até 120 ms. Nada é corrigido.

## Limites
- **De 2 a 6 gravações por execução.** Com menos ou com mais, a execução é recusada antes de começar, e nenhum crédito é reservado.
- **Som em comum.** As gravações precisam ter pelo menos 2 segundos de som em comum. Uma gravação sem nenhum recebe uma nota e confiança 0.
- **A referência precisa de som.** Ela é o relógio em que tudo é medido. Uma referência sem faixa de áudio faz a execução falhar, com uma mensagem que a identifica. Qualquer outra gravação sem som só recebe a própria linha, com confiança 0.
- **O desvio é informado, não corrigido.**
- **Arquivos longos.** Na primeira execução, uma gravação é baixada por completo. O arquivo pode ter até 64 GB, e o download pode levar até uma hora. Um arquivo de tamanho conhecido precisa chegar no tempo do tamanho dele a 2 MB/s (16 Mbit/s), com no mínimo dois minutos e no máximo uma hora. Depois dos dois primeiros minutos, o download precisa continuar chegando a cerca de 2 Mbit/s ou mais. Se ficar mais lento que isso por um minuto inteiro, o download é abandonado. As execuções seguintes reutilizam o áudio preparado.

## Dicas
- **Use o microfone principal como referência.** Conecte-o primeiro ou escolha-o em **Referência**. Assim, os números ficam fáceis de ler: os deslocamentos dele são exatamente os valores que a edição usa.
- **Confira de ouvido a confiança baixa.** Ela costuma indicar que a gravação mal captou a conversa, como uma câmera sem som ou um plano aberto distante em uma sala barulhenta.
- **Leia as notas de desvio em episódios longos.** Um desvio de mais de um quadro faz a sincronia labial escorregar ao longo do episódio, mesmo quando o início está alinhado.
- **Alinhe a edição.** Conecte a saída **Deslocamentos** à entrada **Deslocamentos (Sincronizar áudio)** do [Plano de edição](https://nodaro.ai/docs/nodes/video/edit-plan), com as mesmas gravações conectadas às **Origens** dele. O Plano de edição converte cada deslocamento para o relógio da própria origem mestre, então qualquer gravação pode ser a referência aqui. Ele para antes de cobrar quando uma gravação que ele usa não foi medida ou teve uma correspondência fraca. Veja [Gravações com várias câmeras](https://nodaro.ai/docs/nodes/video/edit-plan#multicam-recordings).

## Pela API
`POST /v1/audio-sync` recebe `sources`, uma lista de 2 a 6 objetos com um `id` único e uma `url`, e um `reference` opcional, que precisa ser um dos IDs. Um ID repetido, ou uma referência que não seja um dos IDs, é recusado com um `400 validation_error` que o identifica. O `output_data.json` da execução concluída é o resultado acima. O método do SDK é `client.edit.audioSync`, o comando da CLI é `nodaro edit audio-sync`, e a ferramenta MCP é `audio_sync`. Veja [Voz e mídia](https://nodaro.ai/docs/developers/api/voice-and-media).

## Frequently asked questions

### Quantas gravações o nó “Sincronizar áudio” consegue alinhar?

De 2 a 6 gravações por execução, em qualquer combinação de áudio e vídeo. No caso de um vídeo, o nó ouve a faixa de áudio dele.

### O que significa um deslocamento positivo?

A gravação começou depois da referência. Um deslocamento de +7500 significa que o segundo 0 da gravação é o segundo 7,5 da referência. A regra é: tempo da referência = tempo da gravação + deslocamento.

### O nó “Sincronizar áudio” corrige o desvio de relógio?

Não. Ele mede o desvio e avisa nas notas quando ele passa de um quadro de vídeo, mas nunca altera as gravações. O deslocamento é medido no meio do trecho em comum, o que reduz pela metade o pior erro em cada ponta.

### Quantos créditos o nó “Sincronizar áudio” custa?

11 créditos por gravação alinhada à referência, ou seja, por cada gravação exceto a própria referência. Duas gravações custam 11 créditos, e seis custam 55. A duração das gravações não altera o preço.

### O que acontece se uma câmera não gravou som?

Essa gravação recebe confiança 0 e uma nota, e as outras gravações são alinhadas mesmo assim. Só a referência precisa ter som, porque todos os deslocamentos são medidos no relógio dela.