# Visão de falantes

> Renderize uma edição multicâmera com os falantes na tela, lado a lado, empilhados, em grade ou em imagem em imagem, com destaque para quem está falando.

Source: https://nodaro.ai/pt-BR/docs/nodes/video/speaker-view

O nó **Visão de falantes** renderiza uma edição com os falantes na tela. Ele pode colocar dois apresentadores lado a lado, seguir quem está falando em um clipe vertical, mostrar um painel em grade ou usar imagem em imagem, com um recorte enquadrado em cada falante. Ele faz uma transição a cada troca de falante e destaca quem está falando, e o som é o da própria edição, sem mudanças.

- Found in: Video › Cut & Assemble
- API type: `speaker-view`

O Visão de falantes é cobrado por minuto de vídeo renderizado. A tarifa depende da **Qualidade** e de quantos falantes a renderização coloca na tela ao mesmo tempo. Veja [Créditos](#credits).

O Visão de falantes é executado no Nodaro Cloud. Em uma instalação auto-hospedada, [conecte a instalação ao Nodaro Cloud](https://nodaro.ai/docs/self-hosting/cloud-connect), e o nó repassa cada execução para a nuvem. Uma instalação auto-hospedada envia cada arquivo de câmera ao Nodaro Cloud, então um arquivo de câmera privado com mais de 500 MB é recusado antes da execução. Use uma URL pública ou um arquivo menor.

## Quando usar
- Mostrar os dois apresentadores de um podcast lado a lado, com destaque para quem está falando.
- Fazer um clipe vertical que segue quem fala, com um recorte enquadrado em cada pessoa.
- Mostrar um painel de até seis falantes em grade.
- Deixar um falante grande e o outro em uma janela menor, com imagem em imagem.

## Início rápido
O Visão de falantes decide **como** os falantes aparecem, nunca **quem** aparece na tela. O [**Troca de câmeras**](https://nodaro.ai/docs/nodes/video/camera-switch) escolhe a câmera de cada corte, e o Visão de falantes organiza as câmeras na tela. Uma cadeia típica é **Sincronizar áudio**, depois **Transcrever** com os falantes identificados, **Plano de edição**, **Troca de câmeras** e **Visão de falantes**.

### Adicionar o nó
Pressione Tab no canvas e escolha **Vídeo › Corte e montagem › Visão de falantes**.

### Conectar a edição
Conecte a saída **Edição com troca de câmeras (EDL)** do Troca de câmeras à entrada **EDL**. Para legendas, conecte a saída **Transcrição (com nomes)** do Troca de câmeras à entrada **Transcrição**.

### Escolher a proporção primeiro
Escolha a **Proporção**. Ela decide quais layouts são oferecidos.

### Escolher o layout, a transição e o destaque
Escolha um **Layout**, uma **Transição** e um **Destaque**. Para recortar cada câmera em um falante, clique em **Editar enquadramento…**.

Workflow: O Plano de edição escreve a edição, o Troca de câmeras escolhe a câmera de cada corte, o Visão de falantes organiza os falantes na tela e o Adicionar legendas legenda o resultado.

- Plano de edição → Troca de câmeras (EDL)
- Troca de câmeras → Visão de falantes (EDL)
- Visão de falantes → Adicionar legendas (Vídeo)

## Entradas
| Entrada | Obrigatória | O que conectar |
| --- | --- | --- |
| **EDL** | Sim | Uma edição no relógio da gravação, do [**Plano de edição**](https://nodaro.ai/docs/nodes/video/edit-plan) ou do [**Troca de câmeras**](https://nodaro.ai/docs/nodes/video/camera-switch). Um conjunto de clipes executa o Visão de falantes uma vez por clipe no canvas. A mídia é buscada na URL de cada origem da edição. |
| **Transcrição** | Quando a edição não indica os falantes | A transcrição palavra por palavra com os falantes identificados. O Visão de falantes divide a edição em cada fala e usa os rótulos quando nenhum segmento indica o falante. |
| **Trilhas de rostos** | Não | A saída **Trilhas de rostos** do [**Quadros dos falantes**](https://nodaro.ai/docs/nodes/video/speaker-frames). Só esse nó se conecta aqui. O recorte de cada falante passa então a seguir o rosto dele. Veja [Rastreamento de rostos](#face-tracking). |

Quando o nó conectado à **EDL** ainda não foi executado, o painel de configurações avisa e oferece **Executar até aqui**. Essa opção executa os nós antes do Visão de falantes, mas não o próprio Visão de falantes.

## Saídas
| Saída | O que leva |
| --- | --- |
| **Vídeo** | A edição renderizada. |
| **EDL** | A edição como foi desenhada: dividida nas falas, com os layouts, as transições e os destaques escritos nela. Com trilhas de rostos, cada espaço que seguiu um rosto indica a câmera, a trilha e o movimento. É um EDL, não uma transcrição, então nunca alimenta a entrada **Transcrição** do Adicionar legendas. |
| **Transcrição** | A transcrição conectada, reajustada à edição como foi desenhada. As palavras das partes removidas saem, e as demais vão para onde o vídeo as toca. Conecte-a à entrada **Transcrição** do [**Adicionar legendas**](https://nodaro.ai/docs/nodes/video/add-captions). Ela fica vazia quando nenhuma transcrição foi conectada. |

Cada tentativa guarda o próprio EDL e a própria Transcrição. Quando você escolhe uma tentativa mais antiga nos resultados, o EDL e a Transcrição dela voltam.

## Configurações
| Configuração | Padrão | O que faz |
| --- | --- | --- |
| **Proporção** | A da edição, ou 16:9 | 16:9, 9:16, 1:1 ou 4:5. Uma versão final tem 1920×1080, 1080×1920, 1080×1080 ou 1080×1350. Uma prévia tem o lado menor com 720 pixels. |
| **Qualidade** | **Final — sem etapa de revisão** | Ou **Prévia primeiro — revise e depois faça a renderização final**, uma renderização privada em 720p para revisar antes de fazer a versão final. |
| **Layout** | **Automático** | **Automático**, **Único**, **Lado a lado**, **Empilhado**, **Grade** ou **Imagem em imagem**. **Automático** segue as sugestões de layout do Troca de câmeras e, sem elas, usa **Único**. |
| **Transição** | **Corte** | O que acontece em uma troca de falante: **Corte**, **Pan**, **Zoom** ou uma **Fusão** escolhida em uma lista de transições. Com uma só câmera, o padrão é **Pan**. |
| **Duração da transição (ms)** | 600 | A duração de um **Pan** ou de um **Zoom**, de 0 a 5.000 ms, em passos de 50 ms. |
| **Destaque** | **Escala** | **Escala**, **Borda** e **Escurecer**, sozinhos ou juntos. Todos desativados significa sem destaque. |
| **Suavização do destaque (ms)** | 300 | De 0 a 5.000 ms, em passos de 50 ms. |
| **Cor da borda** | Branco | A cor do destaque **Borda**, em **Avançado**. |
| **Enquadramento** | Quadro inteiro | Um recorte de cada câmera por falante, definido com **Editar enquadramento…**. O painel diz quantos recortes estão definidos. |
| **Dividir a câmera por falante** | Desativado | Em **Enquadramento**. Sem enquadramento salvo, os falantes que dividem uma câmera recebem cada um um terço padrão dela: as mesmas caixas de onde o **Editar enquadramento…** parte. Veja [Enquadramento](#framing). |
| **Movimento** | **Deslizar**, quando há trilhas de rostos conectadas | Em **Rastreamento de rostos**. **Deslizar** move o recorte junto com o rosto. **Fixo** enquadra cada segmento uma vez, a partir do rosto. A configuração fica em cinza até que algo seja conectado a **Trilhas de rostos**. |

O painel de configurações deixa em cinza uma opção que a proporção ou o número de falantes não permite, e diz o motivo quando você passa o ponteiro ou move o foco do teclado sobre ela. Os motivos também aparecem listados abaixo do grupo, para telas sensíveis ao toque.

### Quais opções valem onde
| Layout | Em uma troca de falante | Transição | Destaque |
| --- | --- | --- | --- |
| **Único** | O único espaço se reenquadra no novo falante. | **Corte**, **Pan** entre dois recortes de uma câmera, **Zoom**, **Fusão** | Não é usado, porque o Único mostra um falante. |
| **Imagem em imagem** | A imagem principal e a janela menor trocam de lugar. | **Corte**, **Zoom**, **Fusão** e **Pan** quando as duas estão na mesma câmera | **Borda** e **Escurecer**. A troca faz o papel da escala. |
| **Lado a lado**, **Empilhado**, **Grade** | Os espaços ficam no lugar, e o ativo é marcado. | Só onde o próprio layout muda: **Corte** ou **Fusão** | **Escala**, **Borda**, **Escurecer** e combinações |

- **Lado a lado** é desenhado em 16:9 e 1:1, e **Empilhado** em 9:16, 4:5 e 1:1. **Grade**, **Único** e **Imagem em imagem** são desenhados em todas as proporções.
- **Lado a lado**, **Empilhado** e **Imagem em imagem** recebem exatamente dois falantes. **Grade** recebe de dois a seis. Os espaços seguem a ordem em que os falantes aparecem pela primeira vez.
- Um layout que a proporção ou o número de falantes não permite é renderizado como o seu par (Lado a lado e Empilhado), ou então como Grade se o número de falantes couber, ou então como Único.
- O **Pan** se move dentro de uma câmera. Em uma troca de falante entre duas câmeras, ele corta. Abaixo das opções de **Transição**, o painel conta a quantas trocas de falante cada transição se aplica.
- A **Fusão** só é usada onde a edição salta no tempo, porque um trecho da gravação foi cortado entre os dois falantes. Ela nunca é usada sobre uma fala contínua.

## Enquadramento
**Editar enquadramento…** abre o editor de enquadramento na janela inteira. Ele precisa das câmeras e dos falantes da edição, então execute antes o Plano de edição e o Troca de câmeras. Quando nenhuma câmera ainda tem um falante para enquadrar, porque nenhuma transcrição com rótulos de falantes e nenhum Plano de edição os nomeiam, o editor avisa isso em vez de mostrar um quadro sem nada para desenhar. Conecte o Transcrever ou um Plano de edição para que o Visão de falantes saiba quem está falando. Até lá, **Voltar aos terços** e **Salvar enquadramento** ficam desativados. O editor não abre em um workflow compartilhado com você só para visualização.

- **Câmeras e falantes.** O editor lista cada câmera da edição e, abaixo dela, os falantes que ela mostra. Uma câmera que mostra um só falante, como um close, aparece em quadro inteiro até você clicar em **Desenhar uma caixa**. Uma câmera dividida por vários falantes, como um plano geral, começa com uma caixa por falante. **Voltar aos terços** traz essas caixas de volta.
- **O quadro.** O vídeo da própria câmera toca sob as caixas, com uma barra de busca no tempo master da edição. **Ir para** um falante leva à primeira fala dele com mais de 3 segundos nessa câmera.
- **O recorte.** Uma caixa é um retângulo livre. O renderizador a recorta no formato do espaço do layout, em torno do centro dela, então uma caixa serve para todos os layouts e proporções. Escolha um layout em **Mostrar como** para ver o recorte dele como um retângulo tracejado. Um rótulo informa o tamanho do recorte e quanto ele é ampliado, e fica âmbar acima de 1,5×, quando a imagem começa a perder nitidez.
- **Teclas.** As setas movem a caixa um pixel da câmera por vez, ou dez com Shift. Tab passa pelas caixas, e F mostra o falante selecionado em quadro inteiro. **Trocar** inverte as caixas dos dois falantes de uma câmera.
- **Salvar.** **Salvar enquadramento** guarda todas as caixas mostradas. Nada é guardado até você salvar, e fechar com mudanças não salvas pede confirmação antes. Um nó cujo enquadramento nunca foi salvo renderiza todas as câmeras em quadro inteiro.
- **Rostos.** Com trilhas de rostos conectadas, o editor desenha os rostos que o Quadros dos falantes rastreou como caixas pontilhadas, com o rótulo da trilha e do falante dela. Veja [Rastreamento de rostos](#face-tracking).

**Dividir a câmera por falante** enquadra um plano geral sem desenhar nada. Com a chave ligada e nenhum enquadramento salvo no nó, cada falante da única câmera recebe o terço padrão: altura total, o formato da saída, centralizado na parte do quadro desse falante. Os terços são distribuídos aos falantes na ordem em que eles aparecem pela primeira vez.

- **Quando se aplica.** Uma edição com uma câmera e de 2 a 6 falantes na tela, em uma saída diferente de 16:9. Um falante só, mais de seis, várias câmeras ou uma execução com vários clipes ficam em quadro inteiro. Uma saída 16:9 também fica em quadro inteiro, porque cada caixa seria o quadro todo.
- **O que prevalece.** As caixas supõem uma câmera 16:9. O enquadramento que você salvou sempre prevalece. Com trilhas de rostos conectadas, um falante que uma trilha nomeia segue o próprio rosto, e os terços padrão enquadram só os outros falantes.

## Rastreamento de rostos
Com o rastreamento de rostos, o recorte de cada falante segue o rosto dele em vez de uma caixa fixa. Conecte a saída **Trilhas de rostos** do [**Quadros dos falantes**](https://nodaro.ai/docs/nodes/video/speaker-frames) à entrada **Trilhas de rostos**. Ou clique em **Adicionar rastreamento de rostos** no painel de configurações. Isso adiciona um nó Quadros dos falantes que lê a mesma edição e a mesma transcrição que o Visão de falantes e conecta as trilhas dele, em uma única etapa de desfazer.

O Quadros dos falantes não tem preço em créditos no momento, então ainda não pode ser executado. Um Visão de falantes com trilhas de rostos conectadas é recusado até que o Quadros dos falantes tenha um resultado.

- **A mesma transcrição.** O Quadros dos falantes precisa ler a mesma transcrição que o Visão de falantes, a saída **Transcrição (com nomes)** do Troca de câmeras. As trilhas recebem então os nomes de falantes que a edição usa.
- **O que segue um rosto.** Cada espaço que mostra um falante em uma câmera segue a trilha do rosto desse falante. Onde a trilha tem uma lacuna de mais de 2 segundos, o recorte é posicionado a partir de onde o rosto está em outro momento do clipe, ou então a partir do seu recorte de **Editar enquadramento…**. Uma câmera que você desmarcou no Quadros dos falantes sempre usa o seu enquadramento.
- **Movimento.** **Deslizar** move o recorte suavemente junto com o rosto e fica parado enquanto o rosto continua perto do centro. **Fixo** enquadra cada segmento uma vez, a partir do rosto. Nas duas opções, o tamanho do recorte não muda durante a fala de um falante.
- **De quem é uma trilha.** Uma trilha recebe o nome de falante que o Quadros dos falantes deu a ela, renomeado pelo Troca de câmeras. Uma correção no nó Quadros dos falantes vem em seguida. Uma trilha que continua sem nome recebe o nome de uma caixa que você desenhou em **Editar enquadramento…**, quando o centro do rosto está dentro de exatamente uma caixa. Uma caixa que o editor desenhou por você nunca dá nome a uma trilha.
- **Corrigir uma trilha.** Em **Editar enquadramento…**, clique no rótulo de um rosto ou use a lista abaixo do quadro. Escolha um falante, **Ninguém** ou **Como detectado** para remover uma correção. **Salvar enquadramento** guarda as correções no nó Quadros dos falantes. Nada é executado de novo.
- **Cobertura.** O selo indica um falante cujo tempo em uma câmera tem menos de 60% coberto por trilhas. A renderização usa o seu enquadramento no restante desse tempo.
- **Renderização final e Atualizar prévia** usam as trilhas salvas. Elas nunca executam o Quadros dos falantes de novo, então a prévia e a versão final usam as mesmas trilhas.

## Créditos
O Visão de falantes é cobrado por minuto de vídeo renderizado, arredondado para cima em minutos inteiros, com um mínimo de 1 minuto. A tarifa depende da **Qualidade** da renderização e da faixa dela. Uma prévia tem uma tarifa menor que uma versão final. O nó mostra o preço exato antes de ser executado.

| Faixa | Quando se aplica |
| --- | --- |
| Tarifa menor | No máximo duas imagens na tela em todos os segmentos, e nenhum zoom. Por exemplo, **Único**, **Lado a lado**, **Empilhado** ou **Imagem em imagem** com dois falantes, ou uma **Grade** de dois. |
| Tarifa maior | De três a seis imagens na tela em qualquer segmento, por exemplo uma **Grade** de três ou mais. Qualquer zoom também usa esta tarifa: a transição **Zoom**, em que uma imagem é reenquadrada, ou um zoom que a própria edição traz. |

- **Uma única faixa para a renderização inteira.** Um único segmento com três falantes na tela coloca a renderização inteira na tarifa maior.
- **A faixa segue o layout como foi desenhado.** **Lado a lado**, **Empilhado** ou **Imagem em imagem** com três ou mais falantes é desenhado como **Grade**, então usa a tarifa maior. Uma transição **Zoom** em **Lado a lado** ou **Grade** não desenha nada e não acrescenta nada.
- **Pan, Corte, as fusões e o destaque** não mudam a faixa.
- **Reservado pela edição, cobrado pela renderização.** Os créditos são reservados pela duração da edição quando a renderização começa. As fusões podem deixar o corte final mais curto. Você é cobrado pelos minutos do corte renderizado, nunca mais do que foi reservado, e o restante é liberado.
- **Prévias e versões finais são renderizações separadas.** Cada uma é cobrada pela própria tarifa. Um pacote de clipes renderiza e cobra cada clipe separadamente, pela duração e pela faixa desse clipe.

Antes de uma execução, o nó, o botão **Executar** e os botões **Renderização final** e **Atualizar prévia** mostram uma estimativa. Quando o número de falantes ainda não é conhecido, só **Único** sem a transição **Zoom** recebe a estimativa pela tarifa menor. Todos os outros layouts recebem a estimativa pela tarifa maior, então a estimativa pode ser maior que a cobrança, mas nunca menor.

## Dicas
- **Execute o Troca de câmeras primeiro** em uma gravação multicâmera. O Visão de falantes nunca escolhe uma câmera e recusa uma edição multicâmera que não indica nenhum falante.
- **Acompanhe as sobreposições.** Ative **Sugestões de layout** no Troca de câmeras e defina o **Layout** do Visão de falantes como **Automático**, para mostrar um layout lado a lado quando duas pessoas falam ao mesmo tempo. O Aplicar EDL recusa uma edição com sugestões de layout.
- **Volte para o Aplicar EDL.** **Voltar para Aplicar EDL**, no painel de configurações, troca este nó por um nó Aplicar EDL no mesmo lugar, em uma única etapa de desfazer. O Aplicar EDL oferece o inverso, **Substituir por Visão de falantes**.
- **Escolha a proporção primeiro.** Ela decide quais layouts são oferecidos.

## Solução de problemas
| Mensagem ou problema | Causa e solução |
| --- | --- |
| “Plano de edição ainda não foi executado. O layout e o enquadramento precisam dos falantes dele.” | Um EDL está conectado, mas o nó que o alimenta ainda não tem resultado. Execute esse nó primeiro. |
| Os falantes da transcrição não batem com os da edição. | O Troca de câmeras renomeia os falantes. Conecte a saída **Transcrição (com nomes)** do Troca de câmeras, e não a transcrição do Transcrever. |
| “Esta edição tem várias câmeras, mas nenhum segmento indica o falante” | Conecte o Troca de câmeras entre o Plano de edição e o Visão de falantes. |
| Um layout é renderizado diferente do que você escolheu. | A proporção ou o número de falantes não o permite, então ele é renderizado como o layout mais próximo, por exemplo Empilhado em vez de Lado a lado em 9:16. |
| “As trilhas de rostos estão conectadas, mas o Quadros dos falantes ainda não tem saída — execute o Quadros dos falantes primeiro ou remova a conexão para renderizar sem rastreamento de rostos.” | A entrada **Trilhas de rostos** está conectada, mas o Quadros dos falantes não tem resultado. Remova a conexão para renderizar com o seu enquadramento. |
| “As trilhas de rostos não cobrem “Wide” — execute o Quadros dos falantes de novo nesta edição.” | O Quadros dos falantes nunca amostrou uma câmera que a renderização segue. Execute o Quadros dos falantes de novo nesta edição. |
| A edição é recusada. | A edição não é uma única edição no relógio da gravação, uma origem não tem URL, um recorte é pequeno demais ou está fora do quadro, ou a saída passa de 180 minutos. |

## Pela API
`POST /v1/speaker-view` recebe `edl`, um EDL como objeto ou como string JSON, com os opcionais `transcript`, `quality`, `targetAspect`, `layout`, `switch`, `emphasis`, `accentColor`, `speakerRegions`, `tracks` e `motion`. `layout` é um destes: `auto`, `single`, `side-by-side`, `stacked`, `grid` ou `pip`. `switch.type` é `cut`, `pan`, `zoom` ou `xfade:<transition>`, e `emphasis.style` é um conjunto de `scale`, `border` e `dim` unidos por `+`, ou `none`.

`tracks` é a saída **Trilhas de rostos** do Quadros dos falantes, e `motion` é `static` ou `glide`. O padrão de `motion` é `glide`, e ele é ignorado sem `tracks`. Uma requisição recusada responde `400` com `invalid_edl`, `unsupported_setting`, `too_long` ou `invalid_tracks`. A renderização reserva e cobra como descrito em [Créditos](#credits).

O `output_data` da tarefa concluída tem `videoUrl`, `thumbnailUrl`, `json` (o EDL como foi desenhado) e `transcript` (a transcrição conectada, reajustada a esse EDL). Veja [Executar um único nó](https://nodaro.ai/docs/developers/api/nodes) e [Tarefas](https://nodaro.ai/docs/developers/api/jobs).

## Perguntas frequentes

### Qual é a diferença entre o Visão de falantes e o Aplicar EDL?

O Aplicar EDL mostra uma câmera em quadro inteiro em cada corte. O Visão de falantes pode mostrar vários falantes ao mesmo tempo, lado a lado, empilhados, em grade ou em imagem em imagem, e destaca quem está falando.

### Como é calculado o preço do Visão de falantes?

O Visão de falantes é cobrado por minuto de vídeo renderizado, arredondado para cima em minutos inteiros, com um mínimo de 1 minuto. A tarifa depende da Qualidade e de quantos falantes aparecem na tela ao mesmo tempo. Uma prévia custa menos que uma versão final, e o nó mostra o preço antes de ser executado.

### O Visão de falantes escolhe qual câmera mostrar?

Não. O Visão de falantes decide como os falantes aparecem, nunca quem aparece na tela. Quem escolhe a câmera de cada corte é o Troca de câmeras. Em uma gravação multicâmera, conecte o Troca de câmeras entre o Plano de edição e o Visão de falantes.

### Quais layouts funcionam em um vídeo vertical?

Em 9:16 e 4:5, você pode usar Único, Empilhado, Grade e Imagem em imagem. Lado a lado só é desenhado em 16:9 e 1:1. Um layout que não cabe na proporção é renderizado como o layout mais próximo.

### Posso legendar uma renderização do Visão de falantes?

Sim. Conecte uma transcrição à entrada Transcrição. A saída Transcrição é essa transcrição reajustada à edição como foi desenhada, e você pode conectá-la à entrada Transcrição do Adicionar legendas.