Feche os olhos e pense nas marcas em que você confia. Você provavelmente consegue ver os logos delas. Agora tente ouvir. Para a maior parte das marcas, não tem nada ali. Silêncio. E no entanto todo vídeo que elas publicam tem uma voz dentro, escolhida nos últimos dez minutos da produção, normalmente descrita com uma palavra só: profissional.

Esse silêncio é um ativo perdido. Na KURACONV, voz não é a etapa final de um vídeo. É uma das primeiras decisões da marca. Aqui está o argumento, e o fluxo de trabalho que decorre dele.

O problema de remendo na locução com IA

O pipeline padrão na maioria das equipes é assim: escreve o roteiro, gera as imagens, monta o corte, e aí, no fim, abre uma ferramenta de texto para fala e faz teste de preset até um soar aceitável. A voz é tratada como mecanismo de entrega de palavra, um subproduto do vídeo.

O resultado é locução que briga com o filme. O ritmo da leitura nunca bate com o ritmo da montagem, porque a montagem foi travada antes de a voz existir. A energia é genérica, porque a voz foi escolhida num cardápio em vez de desenhada para um fim. E em dez vídeos, a marca soa como dez empresas diferentes, porque cada montador pegou o preset mais próximo.

O público registra isso mesmo sem conseguir nomear. Som chega à emoção mais rápido que imagem. Um filme pode parecer caro e ainda assim soar barato no segundo em que a locução começa.

Voz primeiro: como a gente constrói de fato

No nosso fluxo, a voz é desenhada antes de o vídeo ser construído, e o vídeo é construído em volta dela. Não o roteiro. A voz em si: timbre, ritmo, sotaque, respiração, a temperatura da leitura.

Isso inverte tudo lá na frente, e os efeitos são práticos, não poéticos. Quando a voz existe primeiro, a montagem herda o ritmo dela. Uma voz lenta e quente produz planos mais longos e transições mais suaves, porque cortar rápido contra ela parece errado na timeline. Uma voz seca e precisa merece enquadramento mais fechado e corte mais duro. A voz vira o metrônomo do filme, que é exatamente o que um diretor humano faz com a atuação do protagonista.

O nosso método, Sentimagem, coloca isso de forma simples: coerência de clima vem antes de qualquer coisa ser revelada na tela, e voz é o canal mais rápido até o sentimento. Escolher a voz por último é escolher o sentimento por último, o que quer dizer nunca escolher de verdade.

Desenhar uma voz de IA com a ElevenLabs

Motor de voz moderno tornou esse fluxo possível para estúdio de qualquer tamanho. A gente trabalha bastante com a ElevenLabs, e o ofício mora nos parâmetros que a maioria nunca toca.

Timbre é a camada de identidade: quão escuro, quão claro, quanta textura no tom. Isso deveria mapear personalidade de marca do mesmo jeito que uma tipografia mapeia. Ritmo é a camada de confiança: marca que corre soa como quem está vendendo, marca que respira soa como quem está afirmando. Sotaque é a camada de pertencimento, e merece pensamento de verdade em marca global. Um sotaque internacional neutro se lê de forma diferente em São Paulo, Londres e Dubai, e às vezes um sotaque enraizado é exatamente o ponto.

E tem a consistência, que é onde a locução com IA bate em silêncio a locução tradicional. Uma voz desenhada nunca fica resfriada, nunca envelhece, nunca fecha outro trabalho. O clipe de produto de cinco segundos e o filme de marca de três minutos compartilham exatamente a mesma identidade vocal, indefinidamente. Essa repetição é como o branding sonoro compõe juros: a voz fica reconhecível antes de o logo aparecer.

Uma nota de laboratório sobre voz e imagem

Um achado dos nossos testes de produção vale compartilhar. Quando a gente gera vídeo primeiro e acrescenta locução depois, iterar sai caro: toda mudança de roteiro briga com uma montagem travada. Quando a trilha de voz existe primeiro, iterar fica barato. A gente ajusta uma leitura, e a montagem se flexiona em volta dela em minutos, porque a linguagem visual foi construída para servir à voz desde o começo.

Existe também um achado de casting. Testar uma voz contra um storyboard revela problema que nenhuma ficha técnica pega. Uma voz que soava autoritária isolada pode ficar fria contra imagem quente. A gente testa voz e imagem juntas na etapa de animatic, antes de qualquer geração cara, do mesmo jeito que um diretor de cinema faz teste de tela com um ator.

O que isso significa se você está construindo uma marca

Três conclusões que você pode aplicar amanhã.

  • Trate escolha de voz como decisão de marca, tomada uma vez, documentada como uma paleta. Escreva o timbre, o ritmo, o sotaque, e os sentimentos que cada escolha serve, para que nenhum montador escolha preset de novo.
  • Desenhe a voz antes de produzir o seu próximo lote de vídeos, não depois. Mesmo que os vídeos sejam simples, a ordem muda a qualidade deles.
  • Audite o que você já tem. Toque os seus últimos cinco vídeos em sequência com a tela desligada. Se eles soam como cinco empresas diferentes, você encontrou patrimônio de marca real caído no chão.
Som chega à emoção mais rápido que imagem. Um filme pode parecer caro e ainda assim soar barato no segundo em que a locução começa.
Desenhe a voz antes do vídeo e o filme inteiro herda o ritmo dela: voz é elemento de marca como paleta ou tipografia, não um preset escolhido nos últimos dez minutos da montagem.