Gerador de Voz com IA

Um gerador de voz com IA transforma texto escrito em áudio falado. Você digita o que deve ser dito e descreve como deve soar, como idade, sotaque, ritmo e emoção, e o modelo faz a interpretação. O resultado é um arquivo de áudio que você pode usar em um vídeo, um jogo, a abertura de um podcast ou uma apresentação.

No Mage, o modelo de voz é o Seed Audio. Ele cria vozes, diálogos, músicas e efeitos sonoros a partir de um único prompt e entrega um MP3 com exatamente a duração que você escolher: 5, 10, 30, 60 ou 120 segundos. Ele aceita uma referência de imagem ou até três referências de áudio para guiar o som, mas não os dois no mesmo clipe.

O que o torna útil no Mage é o que vem depois. Um personagem salvo pode ter uma voz, e os modelos de vídeo que leem vozes de personagens, Cherry, Raspberry, Plum, Lemon e MiniMax-H3, a usam automaticamente, então a pessoa que você criou tem a mesma voz em todos os clipes. O app Lipsync também pode pegar uma fala que você criou e sincronizar um rosto com ela.

Um prompt de voz tem duas partes: o que é dito e como soa. Coloque as palavras faladas entre aspas para que fiquem claras como o roteiro e descreva a interpretação ao redor delas. "Um homem de uns setenta anos, de voz calorosa e rouca, lento e bem-humorado, perto do microfone em uma sala silenciosa, diz: “Toda história começa com alguém que deveria ter ficado em casa.”" dá ao Seed Audio uma voz, um jeito de falar e um espaço.

Os detalhes que mais mudam uma voz são idade, energia, ritmo e distância. Um sussurro perto do microfone, uma voz de palco em um grande salão e uma voz cansada ao telefone são três interpretações diferentes das mesmas palavras. Nomeie a emoção com um verbo, como provocar, implorar ou anunciar, em vez de usar só um adjetivo.

• Coloque as palavras exatas entre aspas
• Informe uma faixa de idade e um nível de energia
• Indique o ritmo: calmo, rápido, hesitante
• Descreva o ambiente: estúdio, rua, catedral, telefone
• Use uma fala de 5 ou 10 segundos para testar uma voz antes de uma leitura longa

O Seed Audio entrega exatamente a duração que você escolher, então ajuste o tamanho ao roteiro. Uma única fala ou uma reação cabe em 5 ou 10 segundos. Uma locução curta ou a leitura de um produto cabe em 30. Uma cena de diálogo ou uma narração cabe em 60 ou 120. Um roteiro longo demais para o clipe fica apressado; um curto demais deixa silêncio ou ruído ambiente no final.

Pense em onde o áudio vai ser usado. O Lipsync e o Music Video aceitam áudio de até 15 segundos, então, para um retrato falante, escreva uma fala que caiba em 10 segundos e gere com essa duração.

Um personagem no Mage pode ter uma voz: envie um MP3 ou WAV, ou gere uma amostra curta com o Seed Audio ao criar o personagem. Daí em diante, Cherry, Raspberry, Plum, Lemon e MiniMax-H3 usam essa voz automaticamente sempre que o personagem falar. O gerador de personagens com IA cobre os personagens, e o guia de foto falante com IA mostra como fazer um retrato dizer uma fala.

Use como referência apenas áudio da sua própria voz ou de uma voz que você tenha permissão para usar. Imitar uma pessoa real sem o consentimento dela não é permitido no Mage.