Voz, trilha e som de vídeo imobiliário: o checklist com os números que usamos

1. A régua de medição da voz

Quem monta o vídeo nem sempre consegue ouvir com calma cada take. Por isso a voz passa por número antes de passar pelo ouvido de quem aprova.

• Três takes do off inteiro, numa chamada só. Gerar frase por frase quebra a continuidade de timbre e energia entre os trechos. Depois corte as frases pelos tempos de cada palavra (endpoint com timestamps).
• Refazer uma frase só: mande junto o texto vizinho (antes e depois) para a entonação continuar a mesma.
• Não cabe? Corte texto. No modelo v4 o parâmetro de velocidade não muda a fala. E voz acelerada é justamente o que reprova.
• Os takes escolhidos do nosso filme ficaram entre 3,73 e 4,37 semitons e entre 3,8 e 4,6 sílabas por segundo.

2. Roteiro para o ouvido

• Frases curtas, de até 12 palavras. Uma ideia por frase.
• Reticências no texto da voz marcam pausa. A legenda leva a pontuação normal.
• Número por extenso no texto da voz ("trezentos metros") e em algarismo na tela ("300 metros"). Metragem e planta ficam só na tela.
• Respiro entre as frases: no nosso filme, as 7 falas somam 26,6 s de voz num filme de 35,8 s.

As 7 falas do filme, com o nome do empreendimento trocado por marcador:

As falas 3 e 7 precisaram de segunda e terceira rodadas: a 3 saía corrida e a 7 saía plana. O off inteiro, pronto para colar:

[warmly] Daqui de cima... dá pra ver tudo o que fica perto.
[warmly, proud] No [bairro], em São Luís... nasce o [nome do empreendimento].
[warmly] O mercado fica a trezentos metros. E a escola... a um minuto.
[happy, playful] O fim de semana... começa sem sair de casa.
[warmly, amazed] E lá dentro... o dia inteiro cabe.
[smiling] Da luz da manhã... ao fim de tarde na varanda.
[happy, warm] Aqui, o seu sonho... tem endereço.

3. Trilha escolhida pela emoção, e o erro da primeira

Na primeira versão a trilha foi Electro House a 128 bpm. O motivo da escolha: era um estilo que a gente nunca tinha usado. Variar não é critério. A pergunta certa é qual emoção o arco pede em cada trecho.

A trilha da segunda versão: original, montada com Apple Loops, em Dó maior a 82 bpm, com piano e cordas (família e conquista). A 82 bpm cada batida dura 0,732 s, e os cortes principais caem em tempo forte.

Levamos uma trilha B para escuta: Lá menor a 70 bpm, com violão, piano elétrico e pad. Mais íntima e nostálgica, mas fora da grade de cortes. Quem aprova escolhe de ouvido entre duas ou três candidatas boas, cada uma com uma linha dizendo por que serve ao arco.

4. Licença da trilha

• Apple Loops: licença Apple, sem crédito obrigatório. Vêm com o GarageBand e o Logic.
• CC0: livre, sem crédito obrigatório.
• CC BY: com crédito na legenda e no texto do anúncio: "Música: título, autor (CC BY versão)".
• Nunca: BY-SA, NC ou ND. E nada de música gerada por IA.

5. Som em camadas

De baixo para cima: ambiência, ruído da ação (passos, porta, louça, tecido, água), transições, impactos discretos, trilha e voz.

• Em todo plano, uma ambiência e pelo menos um evento sincronizado com a ação. No nosso filme: vento e cidade no alto, piscina e crianças longe, chute na bola, latido, papel e lápis no vale, pássaros da manhã, tecido na suíte.
• J-cut: o som do próximo plano entra antes da imagem. A água da piscina chega antes do corte; a risada de criança vem de outro cômodo.
• Som sem ação na imagem sai. Depois da crítica tiramos a xícara, as taças e a persiana, que tocavam sem nada acontecendo na tela.
• Silêncio é ferramenta: o vale antes da virada pede tirar camadas, não acrescentar.
• Fontes: Freesound CC0, escolhido cena a cena (nunca sorteio), e a biblioteca de efeitos do Final Cut Pro.

6. Mix: os números do filme

• A trilha abaixa sob a voz pelo envelope da própria voz: -22 dB enquanto ela fala (-12 dB no pico).
• Rampas de descida de cerca de 120 ms e de volta de 350 ms; pausa curta (menos de 0,9 s) mantém a trilha abaixada, para não bombear.
• Medido em LUFS só nos trechos de fala: trilha 19,9 dB e ambiência 22,8 dB abaixo da voz.
• Voz com passa-alta, compressor suave e presença; a trilha ganhou um recorte fixo em 1,6 e 2,5 kHz para não brigar com a fala.

Alvos: -14 LUFS para redes e -16 para site, pico real abaixo de -1 dBTP. Meça com ffmpeg -af ebur128.

7. Custo

• Voz: ElevenLabs em caracteres da assinatura, não por vídeo. Na segunda versão foram cerca de 45 chamadas entre takes e baterias de teste. Confira no seu plano o uso comercial de vozes da biblioteca.
• Trilha: Apple Loops vêm com o GarageBand e o Logic.
• Efeitos: CC0 do Freesound e biblioteca do Final Cut Pro.

8. Checklist para imprimir

• Direção da voz escrita em uma linha: quem fala, para quem, em que situação.
• Frases com até 12 palavras, reticências onde quer pausa, números por extenso no texto da voz.
• Uma tag de emoção ativa por frase; nada de [softly], [whispering], [dreamy] ou [in awe] para narração calorosa.
• Off inteiro gerado numa chamada só, três takes.
• Cada take medido: 3 a 6 semitons, 3 a 4,5 sílabas por segundo, pelo menos 0,3 s de folga na janela do plano.
• Os dois melhores takes de cada frase ouvidos por quem aprova.
• Trilha escolhida pela emoção do arco, com licença Apple Loops, CC0 ou CC BY (crédito na legenda).
• Trilha retirada no vale, entrada cheia na virada, cauda no fim, cortes no compasso.
• Ambiência em todo plano e um evento sincronizado com a ação; nenhum som de ação que não está na imagem.
• Trilha 15 a 20 dB abaixo da voz enquanto ela fala; ambiência 20 a 28 dB abaixo.
• Medido com ebur128: -14 LUFS redes, -16 LUFS site, pico abaixo de -1 dBTP, LRA acima de 4 LU.

9. Passo a passo resumido

1. Escreva a direção da voz em uma linha. Quem fala, para quem e em que situação. No nosso filme: uma amiga contando pra outra, com sorriso na voz, sem vender.
2. Escreva o roteiro para o ouvido. Frases curtas, reticências onde quer pausa, números por extenso no texto da voz e na grafia normal na tela.
3. Gere três takes do off inteiro. Uma chamada com o texto todo, três vezes. Depois corte as frases pelos tempos de cada palavra.
4. Meça cada take. Variação de altura entre 3 e 6 semitons e 3 a 4,5 sílabas por segundo para tom íntimo. Abaixo de 2,5 semitons é leitura plana.
5. Escolha a trilha pela emoção do arco. Família e casa pedem piano, cordas ou violão a 70 a 100 bpm. Corte no compasso e deixe cauda no fim.
6. Monte o som em camadas. Ambiência em todo plano, um evento sincronizado com a ação e silêncio no vale antes da virada.
7. Mixe e meça. Trilha 15 a 20 dB abaixo da voz enquanto ela fala, -14 LUFS para redes, -16 para site, pico abaixo de -1 dBTP.