Modificador de voz Pro
Detecte cada falante de uma gravação ou de um vídeo com fala e dê a cada um uma nova voz, mantendo a emoção e o timing originais. Preço por minuto de fala.
Disponível em Nodaro Cloud
O nó Modificador de voz Pro dá a cada falante de uma conversa uma nova voz própria. Ele detecta cada falante de uma gravação ou de um vídeo com fala e troca a voz do falante 1 pela sua primeira voz, a do falante 2 pela sua segunda voz, e assim por diante. Cada falante mantém a emoção, o ritmo e o timing originais, então uma cena de diálogo, um podcast ou uma entrevista inteira ganha novas vozes em uma única execução.
O Modificador de voz Pro roda no Nodaro Cloud. Em uma instalação auto-hospedada, o nó mostra a marca NODARO e é executado pela sua conexão com o Nodaro Cloud, com cobrança na conta do nodaro.ai conectada.
Quando usar
- Trocar em uma única etapa as vozes de um vídeo de diálogo com vários personagens.
- Substituir todas as vozes de um podcast ou de uma entrevista por vozes anônimas.
- Escolher vozes de personagem específicas para uma cena e manter a interpretação original.
- Transformar uma gravação de rascunho com vários falantes em uma narração bem acabada.
- Trocar as vozes dos convidados de um painel enquanto o apresentador mantém a própria voz.
Para uma gravação com um só falante, o Modificador de voz basta.
Início rápido
Adicione o nó
Pressione Tab no canvas e escolha Áudio › Vozes › Modificador de voz Pro.
Conecte a gravação
Conecte um nó de áudio à entrada Áudio ou um vídeo com fala à entrada Vídeo.
Adicione uma voz por falante
Abra o painel de configurações. Use Adicionar voz uma vez para cada falante, na ordem em que os falantes falam pela primeira vez. Para um falante que deve manter a própria voz, clique em Manter original — não trocar a voz deste falante.
Execute
Clique em Executar no nó. Para um vídeo, o vídeo com as novas vozes aparece na saída Vídeo, e a nova faixa de áudio, na saída Áudio.
Entradas e saídas
| Entrada | Aceita | O que faz |
|---|---|---|
| Áudio | Nós de áudio, como Enviar áudio e Texto para diálogo | A gravação cujos falantes ganham vozes novas. O nó retorna áudio. |
| Vídeo | Nós de vídeo, como Enviar vídeo e Gerar vídeo | O vídeo com fala que recebe as novas vozes. O nó retorna o vídeo com as novas vozes. |
Quando as duas entradas estão conectadas, o vídeo prevalece e a entrada de áudio é ignorada.
| Saída | O que traz |
|---|---|
| Áudio | O áudio com as novas vozes. Sempre gerado. Para um vídeo, é a nova faixa de áudio. |
| Vídeo | O vídeo com as novas vozes. Só é gerado quando um vídeo está conectado. |
O arquivo decide o modo, não a entrada. Antes de começar qualquer trabalho, o nó verifica o que o arquivo realmente contém:
- Um arquivo só de áudio na entrada Vídeo, como uma gravação de voz salva como
.mp4ou.m4a, é executado como áudio. Você recebe o áudio com as novas vozes, a saída Vídeo fica vazia, e nada falha. - Um vídeo na entrada Áudio tem o som extraído primeiro e é tratado como áudio.
Como os falantes recebem as vozes
O nó encontra cada falante da gravação e os numera na ordem em que cada um fala pela primeira vez. A sua lista de vozes é associada a essa ordem.
| Sua lista | Falante 1 | Falante 2 | Falante 3 | Falante 4 |
|---|---|---|---|---|
| Rachel, Manter original, Aria | Rachel | Voz original | Aria | Voz original |
- Até 8 vozes. A lista tem de 1 a 8 entradas, e pelo menos uma entrada precisa ser uma voz de verdade.
- Posições que mantêm a voz original. Uma entrada Manter original deixa a voz desse falante inalterada, enquanto os falantes seguintes continuam ganhando vozes novas.
- Listas mais curtas. Os falantes que passarem do fim da lista mantêm a voz original.
- Edite a lista. Mova uma voz com as setas para cima e para baixo, transforme-a, com Manter, em uma posição que mantém a voz original, ou remova-a.
Se você não tiver certeza de quem fala primeiro, passe a gravação pelo Transcrever com Identificação de falantes ativada e leia os rótulos de falante.
Configurações
| Configuração | O que faz |
|---|---|
| Adicionar voz | Abre o explorador de vozes e adiciona a voz escolhida ao fim da lista. Vozes prontas, da Biblioteca de vozes e as suas próprias vozes funcionam. |
| Manter original — não trocar a voz deste falante | Adiciona ao fim da lista uma posição que mantém a voz original. |
| Modelo | Multilingual v2 (o padrão) cobre 29 idiomas e é o modelo recomendado pela ElevenLabs, inclusive para inglês. English v2 é só para inglês. |
| Qualidade da separação | Rápido — preserva mais a voz (o padrão) ou Qualidade — separação mais precisa. |
| Preservar a música de fundo | Ativado (o padrão) mixa de volta a música e os efeitos sonoros separados sob as novas vozes. Desativado os descarta, para um resultado só com as vozes. |
| Volume da música | O nível da música preservada: Igual à origem (o padrão) mantém o nível original, Normalizar nivela o volume, e Manual define o Nível da música de 0 a 200%. Só quando Preservar a música de fundo está ativado. |
| Efeitos de voz | Nenhum (o padrão), ou uma reverberação ou um eco nas novas vozes. Veja Efeitos de voz. |
| Remover ruído de fundo | Vem desativado por padrão. Remove o ruído do resultado. As vozes já são isoladas automaticamente, então esta opção pode ser desnecessária. |
Configurações de cada voz
Abra Configurações de voz abaixo de uma voz para ajustar só aquele falante. Deixe uma configuração sem mexer para usar o padrão do modelo.
| Configuração | O que faz |
|---|---|
| Mecanismo de conversão | Conversão (o padrão) converte a fala e mantém a interpretação original. Releitura (v3) e Releitura (v4) geram uma nova interpretação a partir da transcrição com o ElevenLabs v3 ou o ElevenLabs v4 e entendem tags de áudio. A Releitura (v4) gera cada fala com as falas vizinhas como contexto, para que as falas se emendem com mais suavidade. Com qualquer um dos dois mecanismos de Releitura, a interpretação original é substituída, e, em um vídeo, os lábios deixam de corresponder. |
| Estabilidade | De 0 a 1 na Conversão e na Releitura (v4). Na Releitura (v3): Mais variável (0), Equilibrado (0,5) ou Mais estável (1,0). Mais alto é mais estável, e mais baixo é mais expressivo. |
| Semelhança | De 0 a 1. O quanto o resultado segue o timbre da voz de destino. Só na Conversão e na Releitura (v4). |
| Exagero de estilo | De 0 a 1. Acima de 0, amplifica a interpretação, com mais latência e menos estabilidade. Só na Conversão. |
| Reforço do falante | Aumenta a semelhança com a voz de destino, com um pouco mais de latência. Só na Conversão. |
| Volume | Igual à origem (o padrão) acompanha o volume do falante original. Normalizar nivela o volume. Manual define um nível de 0 a 200%. |
| Seed | Um número inteiro de 0 a 4.294.967.295. A mesma origem, as mesmas configurações e a mesma seed trocam a voz deste falante de forma idêntica. Deixe vazio para usar uma seed aleatória. |
Como o fundo é mantido
Antes de trocar qualquer voz, o nó sempre divide a gravação em uma faixa de voz e uma faixa de música e efeitos. Preservar a música de fundo não decide se essa divisão acontece. A opção só decide se a faixa de música é mixada de volta sob as novas vozes.
Se a música vazar para as novas vozes, ou se uma voz soar fina, defina Qualidade da separação como Qualidade — separação mais precisa. Mantenha Rápido quando a velocidade importar ou quando as vozes já soarem limpas.
Adicione um ambiente ou um eco às vozes
Efeitos de voz adiciona um efeito a todas as novas vozes juntas, antes de a música ser mixada de volta. O efeito fica só nas vozes, então, com Preservar a música de fundo ativado, a música continua seca sob uma voz com reverberação.
- Espaços de reverberação: Sala (ambiente interno), Banheiro, Interior de carro, Salão / saguão, Sala de concertos, Igreja, Caverna, Arena / estádio e Externo (ao ar livre). O Mix wet / dry, de 0 a 100, define quanto do ambiente você ouve.
- Timbre: Telefone, Megafone / alto-falante, Eco / slapback e Personalizado. Eco e Personalizado usam Atraso (ms), de 20 a 2.000, e Decaimento, de 0 a 1, em que um decaimento maior gera mais repetições.
A página Efeitos de áudio descreve cada predefinição.
Troque as vozes de um vídeo inteiro
Conecte qualquer vídeo com fala à entrada Vídeo. O nó então:
- Extrai a faixa de áudio do clipe.
- Detecta cada falante na ordem em que cada um fala pela primeira vez.
- Troca a voz de cada falante pela voz correspondente.
- Coloca as novas vozes de volta no vídeo original e retorna o vídeo e a nova faixa de áudio.
O vídeo precisa de uma faixa de áudio. A maioria dos modelos de texto para vídeo e de imagem para vídeo gera vídeo sem som, e um clipe sem som falha na hora. Use um clipe com fala, ou conecte uma gravação à entrada Áudio.
Créditos
Só as vozes trocadas custam créditos. As posições que mantêm a voz original e os falantes além do fim da sua lista passam de graça.
- Uma voz com Conversão é cobrada pela duração do stem dela. O stem vai do início do clipe até a última fala desse falante. A tarifa é 44 créditos por minuto, contados por segundo. Cada voz é arredondada para cima, e depois o total da execução, então uma execução pode custar um pouco mais que a tarifa multiplicada pela duração dos stems.
- Uma voz com Releitura custa o mesmo que o mesmo texto custa no Texto para fala com o mesmo modelo. Cada bloco iniciado de 100 caracteres do texto que ela fala custa 5 créditos na Releitura (v3) e 5 créditos na Releitura (v4). Cada voz com Releitura é cobrada como pelo menos 8 blocos.
- Mínimo. Cada voz com Conversão é cobrada como pelo menos 6 segundos de fala, e cada execução também.
| Vozes | Cobrado como |
|---|---|
| 1 voz (Conversão) cuja última fala termina em 26,76 segundos | 26,76 segundos de stem |
| 1 voz (Conversão) com um stem de 60 segundos | 1 minuto, 44 créditos |
| 1 voz (Conversão) com um stem de 61 segundos | 61 segundos de stem |
| 1 voz (Conversão) com um stem de 3 segundos | 6 segundos de stem, o mínimo |
| 1 voz (Releitura) de 340 caracteres | 8 blocos de 100 caracteres, o mínimo |
| 1 voz (Releitura) de 1.001 caracteres | 11 blocos iniciados de 100 caracteres |
| 2 vozes (Conversão) com stems de 60 segundos e 1 voz (Releitura) de 1.500 caracteres | 2 minutos de stem, mais 15 blocos de 100 caracteres |
Você paga pelos stems que foram realmente convertidos e pelos caracteres que foram realmente falados de novo, e nunca mais do que o valor reservado no início da execução.
Para cotar uma conversão completa por código, peça o identificador próprio dela em vez de somar os preços por voz, que podem errar por um crédito. O identificador é voice-changer-pro:<slot>,<slot>,…, com uma posição por voz trocada, em qualquer ordem:
sts-<seconds>para uma voz com Conversão, pela duração do stem dela, por exemplosts-26.76.respeak-<characters>para uma voz com Releitura na v3.respeak-v4-<characters>para uma voz com Releitura na v4, cobrada pela tarifa própria da v4.respeak-v4t-<characters>para uma voz com Releitura na v4 com um código de idioma, que fala uma tradução. Uma voz traduzida reserva 1,5 vez os caracteres dela, arredondado para cima, porque uma fala pode ser gerada duas vezes. O servidor aplica isso sozinho, então envie sempre os caracteres da transcrição do falante.- Só
sts,respeak,respeak-v4ourespeak-v4tquando a medida é desconhecida. Eles são cobrados como um minuto ou como um bloco de 1.000 caracteres, como a reserva os considera.
POST /v1/credits/model-costs e GET /v1/credits/model-cost respondem a ele com os créditos que a conversão reserva, por exemplo, para voice-changer-pro:sts-26.76,respeak-v4-1200,respeak-v4t-800. Mais de 8 vozes, um stem com mais de uma hora, caracteres demais em uma voz ou uma posição malformada vão para missing. Só a v4 fala uma tradução, então uma posição respeak-v3t é malformada.
Use como app
O Modificador de voz Pro também é um app independente, em voice.nodaro.ai. Cole um link ou envie um vídeo, escolha uma voz para cada falante e receba o vídeo convertido.
Dicas
- Ordene as vozes com cuidado. A associação é por posição: a primeira voz vai para o primeiro falante a falar.
- Ajuste cada falante separadamente. Cada voz tem as próprias configurações, então você pode deixar um falante mais estável e manter outro expressivo.
- Equilibre o volume por falante. Use Volume em cada voz: Igual à origem reproduz o falante original, e Manual define um nível exato.
- Associe menos vozes do que falantes. Só os falantes da lista mudam; todos depois deles mantêm a própria voz.
- Mantenha a interpretação. A Conversão converte fala em fala, então a atuação original é preservada. Use Releitura (v3) ou Releitura (v4) só quando quiser uma nova interpretação, por exemplo em um projeto só de áudio.
Solução de problemas
Um falante soa robótico. Diminua a Semelhança ou a Estabilidade dessa voz, ou escolha uma voz com timbre mais próximo do falante original.
A música vaza para as vozes. Defina Qualidade da separação como Qualidade — separação mais precisa.
O falante errado recebeu uma voz. Os falantes são numerados por quem fala primeiro. Confira a ordem com o Transcrever e reordene as vozes.
Em uma instalação auto-hospedada, a execução é recusada com nodaro_connection_required. A instalação não tem conexão com o Nodaro Cloud. Conecte-a com OAuth ou com uma chave de API, como descrito em Conectar ao Nodaro Cloud.
Pela API
POST /v1/voice-changer-pro executa o nó por código, no Nodaro Cloud. orderedVoices associa o falante N à entrada N. Uma entrada é um ID de voz, um objeto com configurações por voz ou null para uma posição que mantém a voz original. O objeto de configurações recebe voiceId, engine ("sts", "v3" ou "v4"), stability, similarityBoost, style, useSpeakerBoost, seed, volumeMode e volume. Com engine: "v3", stability aceita só três valores (0, 0,5 e 1), e similarityBoost, style e useSpeakerBoost são ignorados. Com engine: "v4", stability aceita qualquer valor de 0 a 1 e similarityBoost é aplicado, enquanto style e useSpeakerBoost são ignorados. O campo sourceHasVideo do resultado informa se a execução usou o modo de vídeo ou o modo de áudio.
No Nodaro Cloud, você também pode executar o mesmo mecanismo em três etapas. Assim, você confere os falantes antes de pagar por uma troca de voz e mixa as faixas antes de renderizar:
- Análise.
POST /v1/voice-changer-pro/analyzesepara as vozes da música e detecta os falantes. Retorna os segmentos de tempo, a contagem de palavras e um trecho da transcrição de cada falante, além do idioma detectado. Custa 11 créditos. - Troca de voz em stems. Chame
POST /v1/voice-changer-procomoutput: "stems"e a análise. Os falantes não são detectados de novo, então você pode trocar as vozes por outras quantas vezes quiser. O resultado é uma faixa seca por voz. - Exportação.
POST /v1/voice-changer-pro/exportrenderiza o vídeo final a partir da sua mixagem. Envie até 16 faixas, cada uma com umgainde 0 a 200,mutede umkindigual avoiceoubackground, além de umvoiceFxopcional. Pelo menos uma faixa precisa estar com som. O fluxo de vídeo é copiado, nunca codificado de novo. Ajustar a mixagem é grátis; a exportação custa 2 créditos.
Os métodos do SDK são client.voices.analyze, client.voices.recast e client.voices.exportMix. Os comandos da CLI são nodaro voice analyze, nodaro voice recast e nodaro voice export. As ferramentas MCP são voice_changer_pro, voice_changer_pro_analyze e voice_changer_pro_export. Veja Voz e mídia.
Perguntas frequentes
Como o “Modificador de voz Pro” sabe qual voz vai para qual falante?
Ele detecta os falantes na ordem em que cada um fala pela primeira vez. A voz 1 substitui a voz do primeiro falante a falar, a voz 2, a do segundo, e assim por diante. Os falantes que passarem do fim da sua lista mantêm a voz original.
Posso trocar a voz de só alguns falantes?
Sim. Adicione uma posição “Manter original” para cada falante que deve manter a própria voz. Por exemplo, Rachel, Manter original, Aria troca as vozes dos falantes 1 e 3, e o falante 2 fica inalterado. Os falantes mantidos não custam nada.
Quantos créditos o “Modificador de voz Pro” custa?
Cada voz com Conversão custa 44 créditos por minuto do stem dela, contados por segundo, e é cobrada como pelo menos 6 segundos. O stem vai do início do clipe até a última fala desse falante. Uma voz com Releitura custa o mesmo que o “Texto para fala” cobra pelo mesmo texto no mesmo modelo, por 100 caracteres iniciados, com um mínimo de 8 blocos. Cada voz é arredondada para cima, e depois o total da execução.
O “Modificador de voz Pro” mantém a música de fundo?
Sim, por padrão. A música e os efeitos sonoros são separados das vozes primeiro, e “Preservar a música de fundo” os mixa de volta sob as novas vozes. Desative essa opção para ter um resultado só com as vozes.
Posso usar o “Modificador de voz Pro” em uma instalação auto-hospedada?
Sim, por meio de uma conexão com o Nodaro Cloud. O nó roda no Nodaro Cloud e é cobrado da conta do nodaro.ai conectada. Sem conexão, o nó mostra um botão “CONECTAR NODARO”.
Páginas relacionadas
Modificador de voz
Transcrever
Dublagem
Efeitos de áudio
Conectar ao Nodaro Cloud
Última atualização
Modificador de voz
Troque a voz de uma gravação ou de um vídeo com fala por outra voz e mantenha a emoção, o ritmo e o timing originais. Fala para fala com o ElevenLabs.
Design de voz
Crie uma nova voz a partir de uma descrição, com controle de modelo, volume, orientação e seed. Receba uma prévia em áudio e um ID de voz reutilizável.