A narração é cobrada por minuto, o rosto é cobrado por segundo, e o problema inteiro está aí
Comece pelo taxímetro, porque todo o resto deste artigo sai daqui. A narração é cobrada por minuto de vídeo pronto, não por voz: 3 créditos por minuto no modo econômico e 24 no premium, o que dá 36 e 288 créditos num vídeo de doze minutos. Um segundo personagem com voz completamente diferente custa zero a mais, porque o medidor conta minuto de vídeo e não liga para quantas pessoas estão falando dentro dele. Roteiro de narração pode respirar, pode repetir, pode dar a volta longa.
O avatar não funciona assim em nada. O lip sync é cobrado por segundo de rosto na tela, e o preço depende do motor: Kling Avatar Std custa 32 créditos por segundo, Kling Avatar Pro 64, HeyGen 80 e OmniHuman 1.5 112. Nada nesse medidor pergunta se o segundo foi útil. Um segundo de silêncio, um segundo puxando o ar, um segundo sorrindo no fim e um segundo carregando a frase mais afiada do vídeo custam exatamente a mesma coisa.
Coloque número nisso e o argumento deixa de ser abstrato. Noventa segundos de rosto no Kling Avatar Std custam 2.880 créditos, quase três vezes o vídeo econômico inteiro de doze minutos, que custa 1.008. A peça fechada, doze minutos de vídeo com noventa segundos de rosto dentro, fecha em 3.888 créditos. O rosto é um minuto e meio da duração e mais ou menos três quartos da conta.
A versão que todo mundo pede primeiro é a cabeça falante do começo ao fim, e essa merece ser precificada em voz alta. Doze minutos são 720 segundos de rosto, o que no Kling Avatar Std dá 23.040 créditos de lip sync, mais os 1.008 do vídeo, ou seja 24.048 créditos. Vinte e quatro vezes o mesmo vídeo sem nenhum rosto na tela. Nos motores mais pesados sobe mais ainda, porque o OmniHuman 1.5 a 112 créditos por segundo coloca esses mesmos doze minutos em outra ordem de grandeza.
Então aqui está a frase que organiza tudo o que vem abaixo. O texto do avatar é o texto mais caro do seu vídeo por segundo, e por isso ele também precisa ser o mais denso. Antes de comprometer qualquer coisa, gere um teste de 15 segundos por 480 créditos e aprove tom, enquadramento e voz ali, não na peça acabada. No FalconVid o motor é escolha por projeto, então o mesmo roteiro pode ser provado barato e entregue num motor mais pesado depois que ele merecer.
- Narração: 3 créditos por minuto no econômico, 24 no premium, ou seja 36 ou 288 créditos em doze minutos.
- Lip sync: Kling Avatar Std 32 créditos por segundo, Kling Avatar Pro 64, HeyGen 80, OmniHuman 1.5 112.
- Noventa segundos de rosto no Kling Std: 2.880 créditos, contra 1.008 do vídeo econômico inteiro.
- Vídeo econômico com noventa segundos de rosto dentro: 3.888 créditos.
- Cabeça falante nos doze minutos inteiros no Kling Std: 24.048 créditos.
- Um teste de 15 segundos custa 480 créditos, e é ali que tom, enquadramento e voz são aprovados.
O seu roteiro não está quebrado, ele foi escrito para uma voz e está sendo dito por um rosto
A sequência é sempre a mesma. O roteiro da narração fica pronto, lê bem em voz alta, alguém joga no avatar e o resultado parece uma pessoa lendo teleprompter mal. O primeiro instinto é culpar o modelo, depois o motor, depois a voz. O que está errado é o texto, e ele está errado de um jeito bem específico: foi escrito para ser ouvido enquanto outra coisa aparecia na tela, e agora está sendo dito pela coisa que aparece na tela.
Narração descreve. Ela diz que o canal precisa de três coisas, que o mercado mudou, que a maioria dos criadores erra exatamente aqui. Isso funciona porque o espectador está olhando imagem, gráfico, um corte de apoio, e a voz é uma camada por cima da figura. No instante em que um rosto aparece, a mesma frase deixa de ser camada e vira uma pessoa fazendo uma observação genérica para ninguém em particular, que é exatamente a sensação que todo mundo acaba chamando de robótica.
E não existe onde se esconder. Em vídeo narrado, toda oração torta pode ser coberta por um corte, um zoom, uma imagem nova entrando no tempo certo. O trecho de avatar tem um plano só, um rosto só e nenhum corte de fuga, então cada oração subordinada se desenrola na boca de alguém que está visivelmente empurrando a frase até o fim. A câmera nunca pisca, e por isso o texto precisa estar limpo antes de gerar, não remendado depois.
A economia torna essa correção não negociável. Quando a narração custa 36 créditos em doze minutos, um parágrafo desajeitado custa só um pouco de paciência. Quando o rosto custa de 32 a 112 créditos por segundo, um parágrafo desajeitado é linha na fatura. Quarenta segundos de rosto desperdiçados no Kling Std são 1.280 créditos, mais do que o vídeo econômico inteiro que está em volta deles. É por isso que o roteiro do avatar tem que ser outro documento desde o começo, com a mesma pesquisa e uma gramática completamente diferente.
Seis regras para escrever o trecho do avatar, e o que cada uma economiza
Escreva em endereço direto, na segunda pessoa. A narração diz que o canal precisa de um gancho nos primeiros dez segundos. O rosto diz que você tem dez segundos antes de perderem o interesse. Rosto na tela dizendo frase impessoal é a fonte mais barulhenta da sensação de teleprompter, porque pessoa nenhuma olha para uma câmera para fazer observação genérica, ela olha para a câmera para falar com alguém. Reescreva cada frase do trecho de avatar até ela ter um você dentro, ou até ficar óbvio que poderia ter.
Depois corte as frases até sobrar uma ideia em cada. O rosto não tem onde apoiar oração subordinada, então tudo que carrega mais de duas vírgulas é quebrado ou apagado. E lista longa não é trabalho do rosto: o avatar anuncia que são três, e a tela mostra os três. Rosto recitando 7 itens queima 40 segundos, ou seja 1.280 créditos no Kling Std, para entregar o que o texto na tela entrega em 4 segundos enquanto o rosto diz uma frase só.
Número comprido falado é onde o robô aparece, todas as vezes. Vinte e três mil e quarenta e oito créditos, dito em voz alta por uma boca sintética, é onde a ilusão desmonta, porque o modelo tem que sustentar o ritmo de um numeral longo e nenhum motor faz isso de forma convincente ainda. A regra é arredondar na boca e ser exato na tela. O rosto diz vinte e quatro mil, a legenda escreve 24.048, o espectador recebe os dois e nenhum dos dois soa errado.
Nunca faça referência à tela nem ao tempo. Como eu mostrei no minuto 3, no gráfico ao lado, na próxima seção: tudo isso solda o trecho a uma posição que ele pode não manter. Trecho de avatar é remontado, movido, reaproveitado num Short ou jogado em outra montagem do mesmo vídeo, e cada uma dessas referências vira uma pequena mentira que custa de 32 a 112 créditos por segundo para gerar de novo. Escreva o trecho de forma que ele continue verdadeiro em qualquer posição.
Comece e termine na fala. O medidor conta um segundo de silêncio exatamente como conta um segundo de fala, então a respiraçãozinha do começo e o sorriso educado do fim custam de 32 a 112 créditos cada um, e são os dois segundos que ninguém percebe que está pagando. Corte a entrada, corte a sobra, deixe o primeiro quadro cair na primeira palavra e o último cair na última. Numa estrutura de quatro doses, só esse hábito paga um segundo teste em cada vídeo. No FalconVid o roteiro sai de um roteirista de IA trabalhando em paralelo com o narrador e o editor, e o DNA do canal trava o rosto e a voz, então essas seis regras são aplicadas a um apresentador que já é a mesma pessoa em todos os vídeos.
- Endereço direto: a narração descreve, o rosto fala com alguém. Toda frase ganha um você.
- Uma ideia por frase: tudo que tem mais de duas vírgulas é quebrado ou apagado.
- Lista longa é da tela: o rosto diz que são três, a tela mostra os três.
- Arredonde na boca, seja exato na tela: o rosto diz vinte e quatro mil, a legenda escreve 24.048.
- Nenhuma referência a tela ou a tempo, porque o trecho é remontado e pode acabar em outro lugar.
- Comece e termine na fala: silêncio custa igual à fala, de 32 a 112 créditos por segundo.
As quatro doses de rosto: noventa segundos que seguram um vídeo de doze minutos
A estrutura que sobrevive ao contato com o taxímetro não é um rosto que entra e sai a esmo. São quatro doses planejadas, colocadas onde o rosto faz algo que a imagem não faz, e tudo entre elas é narração sobre cena. Escrito assim, o avatar deixa de ser um apresentador lendo um vídeo e vira a pessoa que aparece nos quatro momentos que decidem se alguém fica.
A primeira dose é o gancho, de 15 a 20 segundos, e é a que mais paga. A promessa dita por alguém olhando para a câmera é outro objeto, diferente da mesma promessa lida por cima de um plano aberto, porque o rosto transforma aquilo em compromisso em vez de legenda. É aqui que a regra da segunda pessoa se paga, e é aqui que o teste de 15 segundos por 480 créditos deve ser gasto antes de qualquer outra coisa do vídeo ser gerada.
A segunda dose é a transição do meio, uns 15 segundos, e ela existe para reancorar o espectador no ponto em que a retenção cai. Alguma coisa acontece quando um vídeo que estava narrado sobre imagem há quatro minutos de repente coloca um rosto de volta na tela: o espectador levanta os olhos. É toda a função da dose, e é por isso que ela é curta. Quinze segundos de rosto no Kling Std são 480 créditos, quase metade do preço do vídeo econômico inteiro, gastos no único ponto onde você estava perdendo gente.
A terceira dose é o veredito, de 25 a 30 segundos, e é onde o rosto vale mais do que qualquer imagem que você colocaria ali. Opinião, julgamento e recomendação têm um autor, e o rosto é a forma mais barata de mostrar que a peça tem um. Imagem de banco não toma posição. É a dose mais longa de propósito, de 800 a 960 créditos no Kling Std, e é a parte do roteiro que deve ser reescrita mais vezes antes de gerar.
A quarta dose é a chamada final, de 15 a 20 segundos, um pedido direto entregue para a câmera. Some as quatro e você tem de 70 a 90 segundos de rosto, ou seja de 2.240 a 2.880 créditos no Kling Avatar Std. Todo o resto dos doze minutos é narração sobre cena, e isso custa 36 créditos no modo econômico. Quatro doses mais narração é o formato que deixa um rosto aparecer em todo vídeo que você publica em vez de aparecer uma vez por trimestre. No FalconVid o Studio ajusta uma dessas doses sem refazer o vídeo, de 5 a 320 créditos contra os 1.008 a 26.760 de uma refação inteira, que é o que torna a estrutura de quatro doses segura de rodar toda semana.
- Gancho, de 15 a 20 segundos: a promessa dita para a câmera. De 480 a 640 créditos no Kling Std.
- Transição do meio, 15 segundos: 480 créditos, gastos exatamente onde a retenção cai.
- Veredito, de 25 a 30 segundos: de 800 a 960 créditos, o julgamento que imagem nenhuma faz.
- Chamada final, de 15 a 20 segundos: de 480 a 640 créditos, pedido direto para a câmera.
- Total: de 70 a 90 segundos de rosto, de 2.240 a 2.880 créditos no Kling Avatar Std.
- Tudo entre as doses é narração sobre cena: 36 créditos nos doze minutos inteiros.
Onde o FalconVid entra, e por que o mesmo rosto precisa voltar na semana seguinte
Avatar só vira apresentador por repetição, e repetição é o que a maioria perde primeiro. Um rosto gerado do zero toda semana escorrega, e o espectador que não reconhece a pessoa na tela está assistindo a um modelo de banco, não a um apresentador. O DNA do canal no FalconVid trava o mesmo rosto, a mesma voz e a mesma identidade em todos os vídeos daquele canal, então o avatar de IA acumula reconhecimento em vez de zerar toda segunda-feira.
Em volta disso ficam as escolhas que decidem a conta. Você escolhe o motor por projeto, econômico ou premium, pode clonar uma voz para o rosto falar com uma voz que pertence ao canal, e a narração roda em até 63 idiomas. O teste de 15 segundos por 480 créditos pertence a esse fluxo e não a um canto separado, porque aprovar tom e enquadramento numa peça barata é a diferença entre uma geração e três.
Depois vem o dia em que o trecho sai errado, o que acontece com todo mundo. O Studio ajusta o trecho do avatar sem refazer o vídeo, e essa é uma operação de 5 a 320 créditos contra os 1.008 a 26.760 que uma refação inteira custa, dependendo do modo de qualidade. Encurtar uma dose, trocar a mídia em volta ou mudar a música é conserto, não retrabalho, e numa peça carregando 2.880 créditos de rosto a diferença entre essas duas palavras é o mês inteiro.
Idioma se comporta de outro jeito quando existe avatar no vídeo, e vale saber isso antes de planejar catálogo. Duplicar o projeto para outro idioma repaga só a narração, que são 36 créditos no econômico e 288 no premium para doze minutos. Só que em vídeo com avatar quem manda no preço da cópia é o segundo de rosto, não o idioma, e é justamente por isso que a estrutura de quatro doses é o que torna um catálogo multilíngue viável.
A aritmética dos planos sai daí. O Starter é US$ 47 com 15.000 créditos, 1 canal e 2 gerações simultâneas: três vídeos com as quatro doses completas a 3.888 cada, mais três vídeos só narrados a 1.008 cada, fecham em 14.688 créditos, e os pacotes de crédito que não expiram cobrem um mês pesado de avatar, Boost 2.000 por US$ 9, Power 6.000 por US$ 24 e Mega 14.000 por US$ 49. O Pro é US$ 97 com 30.000 créditos, 5 canais e 5 gerações simultâneas, que dobra essa conta, e a escada vai até o Scale, US$ 997 com 320.000 créditos, 50 canais e 50 gerações simultâneas.
As mesmas regras de escrita valem nos dois formatos em que o rosto é o formato. UGC de depoimento de produto é quatro doses com as proporções trocadas, e uma VSL modelada para qualquer idioma é a dose de veredito esticada para a peça inteira, com os números na tela em vez de na boca. Toda feature de criação está em todo plano, então o que muda entre planos é volume, canais, gerações simultâneas, o servidor dedicado a partir do Pro, o Analista Sênior a partir do Pro com 7 dias grátis no Starter, e o suporte.
Dois avatares, uma capa, e o lugar mais barato para colocar um rosto
A pergunta que vem logo depois do primeiro vídeo funcionar é se dá para ter dois. Dá, e o preço depende inteiramente de um detalhe. Dois avatares alternando, um falando enquanto o outro está fora da tela, somam os mesmos 90 segundos e os mesmos 2.880 créditos. Dois avatares juntos na tela dobram para 5.760, porque cada rosto roda o próprio relógio e o medidor conta rostos, não personagens da história.
Isso te dá a regra do elenco. Um elenco não fica mais caro por ter mais personagens, ele fica mais caro por ter mais rosto simultâneo. Na narração o mesmo princípio corre a seu favor, já que personagem com voz distinta custa zero a mais e um diálogo de duas vozes sobre cena é de graça. Então escreva o diálogo como planos alternados em vez de plano conjunto, e a mesma cena custa metade.
A aplicação mais barata do rosto não está nem no vídeo, está na capa. No FalconVid, rosto na miniatura é cobrado como imagem, 479 créditos no modo econômico e 214 no premium, enquanto o mesmo rosto falando 90 segundos custa 2.880. Num canal dark, a capa é onde um rosto compra mais atenção por crédito, porque está fazendo o único trabalho que decide se o vídeo é aberto, e faz isso sem gastar um segundo de lip sync.
Uma última coisa que pertence ao planejamento e não ao desespero. O YouTube pede a marcação de conteúdo alterado ou sintético quando o vídeo mostra pessoa realista que não existe ou evento que não aconteceu, que é exatamente o que um avatar falando é. Marcar é uma caixinha no upload, é barato e não derruba alcance por si. Decidir isso uma vez para o canal vale mais do que decidir com pressa no vídeo que finalmente funcionou.
O que fazer com isso no seu próximo vídeo
O artigo inteiro cabe num hábito. Pare de extrair o trecho de avatar do roteiro da narração e comece a escrevê-lo como documento próprio: segunda pessoa, uma ideia por frase, lista na tela, número arredondado na boca, nenhuma referência a posição, primeiro quadro na primeira palavra. Noventa segundos escritos assim valem mais do que quatro minutos de rosto escritos do outro jeito, e custam um terço.
Fazer isso na mão é onde a conta fica feia. Escrever para câmera, iluminar uma sala, gravar, descartar as tomadas em que você tropeçou e cortar o resto em 90 segundos aproveitáveis é quase uma tarde inteira, por vídeo, antes de qualquer edição. A quatro vídeos por mês são quatro tardes que existem só para um rosto aparecer, e é o motivo pelo qual a maioria dos canais que planeja um apresentador acaba publicando slideshow com voz por cima.
No lado automatizado, esses 90 segundos saem de um calendário que você aprova uma vez. Os especialistas de IA trabalham em paralelo, o vídeo fica pronto em até 30 minutos, o DNA do canal mantém o mesmo rosto e a mesma voz de um vídeo para o outro e o Studio conserta uma dose por 5 a 320 créditos em vez dos 1.008 a 26.760 de uma refação. Um vídeo de doze minutos custa 1.008 créditos no econômico, 8.676 no balanceado e 26.760 no premium, e as quatro doses somam 2.880 por cima no econômico.
Então os noventa segundos não são uma limitação que você aceita, são uma decisão de orçamento que por acaso também é a melhor montagem. Escreva as quatro doses, gaste os 480 créditos num teste de 15 segundos antes de comprometer, ponha o rosto na capa de tudo, e deixe a narração sobre cena carregar os outros dez minutos e meio. Depois rode essa mesma estrutura em quantos canais você quiser, que é a parte que deixou de ser questão de horas faz tempo.