Duas regras de cobrança, e elas apontam para lados opostos
Todo mundo chega nessa pergunta com o mesmo instinto: elenco deve ser caro, porque mais personagens significam mais trabalho e mais conta. Dentro do motor acontece o contrário, por um motivo bem específico. A narração é cobrada por minuto de vídeo pronto. O lip sync é cobrado por segundo de rosto na tela. Essas duas unidades decidem o formato antes de qualquer discussão de gosto começar.
Comece pela narração. Num vídeo de 12 minutos, a voz premium custa 24 créditos por minuto, o que dá 288 créditos no vídeo inteiro, uns $0,90 com o crédito valendo $0,003133. A voz econômica custa 3 créditos por minuto, o que dá 36 créditos nos mesmos 12 minutos, uns $0,11. Agora repare no que falta nessa fórmula: a quantidade de vozes. Um narrador lendo direto ou seis personagens trocando falas, continua sendo 12 minutos de vídeo, então continua sendo 288 créditos na voz premium.
Agora o lip sync, que é o que um avatar de IA é de verdade. Ele é cobrado por segundo de rosto na tela, porque cada um desses segundos é uma geração. O Kling Avatar Standard custa 32 créditos por segundo, uns $6,02 por minuto de rosto. O Kling Avatar Pro custa 64 por segundo, uns $12,03 por minuto. O HeyGen custa 80 por segundo, uns $15,04 por minuto. O OmniHuman 1.5 custa 112 por segundo, uns $21,05 por minuto. Não existe licença por personagem nem mensalidade por avatar. O que você compra é tempo de tela.
Aqui está a equivalência que deixa a assimetria concreta. Nove segundos de um segundo rosto na tela no Kling Avatar Standard custam 288 créditos. É exatamente o que custa narrar os 12 minutos inteiros na voz premium, para todos os personagens do roteiro, quantos forem. Nove segundos de um rosto visível a mais equivalem a doze minutos de todas as vozes que você quiser. De trás para frente: pouco mais de um segundo desse mesmo rosto custa 36 créditos, o preço de narrar o vídeo inteiro com a voz econômica.
Então a frase honesta, a que deveria conduzir a decisão de formato, é esta. Diálogo é quase de graça e elenco visível não é. Escrever quatro personagens num roteiro soma zero crédito na linha de narração. Mostrar quatro rostos soma 32 créditos por segundo, por rosto, enquanto eles ficarem no quadro. Todo o resto deste artigo é consequência dessa assimetria única, inclusive as partes que parecem contraintuitivas na primeira leitura.
A aritmética do elenco: não é o número de personagens, é o de rostos simultâneos
Comece pela base. Um vídeo de 12 minutos no modo econômico custa 1.008 créditos, uns $3,16. Some 90 segundos de rosto com o Kling Avatar Standard e você soma 90 vezes 32, que dá 2.880 créditos, uns $9,02. O vídeo fecha em 3.888 créditos, uns $12,18. Esse é o número de referência de um formato com apresentador único e uma quantidade sensata de tempo de rosto, e toda comparação abaixo é medida contra ele.
Agora coloque dois avatares no mesmo vídeo, alternando, nunca juntos no quadro. Um âncora fica 45 segundos e um repórter fica 45 segundos. Conte os segundos de rosto que realmente aparecem na tela: continuam sendo 90, porque só existe um rosto por vez. A linha de lip sync continua em 2.880 créditos e o vídeo continua fechando em 3.888. O segundo personagem, com nome próprio, voz própria e identidade visual própria, somou exatamente zero crédito na conta.
Agora coloque os mesmos dois avatares no mesmo quadro por esses mesmos 90 segundos, em tela dividida ou num plano dois. Dois relógios rodam ao mesmo tempo. O motor está gerando 180 segundos de rosto, então a linha de lip sync vira 5.760 créditos e o vídeo fecha em 6.768, uns $21,20. Mesmo roteiro, mesma duração, mesmos dois personagens, os mesmos 90 segundos de tela, e a conta subiu 74 por cento. Nada mudou além de quantos rostos dividiram o quadro.
Para a ponta extrema da faixa, pegue a cabeça falante inteira: 12 minutos de rosto, que são 720 segundos. No Kling Avatar Standard isso dá 23.040 créditos, então o vídeo fecha em 24.048, uns $75,34. É 6,2 vezes a versão com elenco alternado do mesmo conteúdo, e é por isso que a decisão de formato vale mais que qualquer ajuste que você fizer no roteiro.
A regra que sai daí é curta e é o artigo inteiro. Elenco não encarece por ter mais personagens. Encarece por ter mais rosto na tela ao mesmo tempo. Corte de reação e plano alternado são o formato barato. Tela dividida é o caro. E acontece de ser exatamente a mesma gramática de edição que todo programa de entrevista bem feito usa há décadas, então a escolha barata também é a que parece mais profissional.
- Vídeo de 12 minutos no modo econômico: 1.008 créditos, uns $3,16.
- Um apresentador, 90 segundos de rosto no Kling Avatar Standard: 2.880 créditos, total de 3.888.
- Dois apresentadores alternando, os mesmos 90 segundos na tela: os mesmos 3.888 créditos.
- Dois apresentadores dividindo o quadro, 90 segundos: 180 segundos de rosto, 5.760 créditos, total de 6.768.
- Cabeça falante inteira de 12 minutos: 720 segundos de rosto, 24.048 créditos, uns $75,34.
Quando o apresentador único ganha: reconhecimento se constrói por repetição
O argumento mais forte a favor de um apresentador só não tem nada a ver com crédito. É reconhecimento. Quem está rolando o feed decide o clique em bem menos de um segundo, e dentro dessa janela um rosto familiar é um sinal mais forte que qualquer título. Depois de 30 ou 40 vídeos com o mesmo apresentador, aquele rosto deixa de ser escolha de design e vira o logotipo do canal. As pessoas reconhecem ele na miniatura antes de ler uma palavra do título.
Um elenco dilui exatamente isso. Três apresentadores dividem o reconhecimento em três e cada um acumula um terço da exposição. Um canal com 50 vídeos publicados e um apresentador entregou 50 impressões do mesmo rosto para o mesmo público. O mesmo canal com três apresentadores entregou umas 17 de cada, que fica abaixo do ponto em que um espectador casual começa a reconhecer alguém. O público não lembra de três rostos de um canal que mal conhece, ele lembra de nenhum.
Isso pesa mais nos primeiros 90 dias, quando o canal não tem inscrito, histórico nem autoridade. Canal novo precisa de uma coisa memorável, não de três coisas interessantes. É por isso que o conselho padrão para um canal dark novo é uma voz só e, se você for usar avatar, um rosto só, mantido rígido até o público provar que reconhece ele. Elenco é upgrade de formato que se compra depois que o reconhecimento existe, não ferramenta para criar reconhecimento.
Num canal manual isso nem é decisão, é restrição. Apresentador recorrente significa o mesmo ser humano disponível na mesma tarde, toda semana, para sempre. Dois apresentadores significam duas agendas, dois cachês e duas pessoas que precisam aparecer. E mesmo assim a identidade escorrega: um corte de cabelo, uma luz diferente, um fundo novo, uma noite mal dormida, e o rosto da miniatura para de bater com o rosto que as pessoas guardaram.
No FalconVid essa deriva é configuração de projeto em vez de batalha. O DNA do canal trava o apresentador, o mesmo rosto, a mesma voz, o mesmo estilo visual e o mesmo ritmo, vídeo após vídeo, então aquelas 50 impressões caem em um rosto idêntico em vez de 50 variações leves dele. O apresentador nunca fica indisponível, nunca corta o cabelo e nunca negocia, que é justamente por que um canal automatizado consegue se comprometer com um apresentador reconhecível por um ano inteiro sem um único problema de agenda.
Quando o elenco ganha: alguns formatos simplesmente não existem com uma voz só
Existem formatos que não são produzíveis por um narrador sozinho sem virar o tipo mais chapado de vídeo explicativo. Entrevista precisa de alguém perguntando e alguém respondendo. Debate precisa de duas posições defendidas por duas pessoas. Telejornal precisa de um âncora que enquadra e um repórter que detalha. Ensinar quase sempre precisa de um aluno que faz a pergunta que está na cabeça do espectador. Pergunta e resposta precisa que a pergunta não saia da mesma boca que a resposta.
O mecanismo por baixo é retenção, e é simples. Troca de voz é reinício de atenção. Num explicativo de 12 minutos a atenção do espectador cai continuamente, e toda vez que quem fala muda, o cérebro se reorienta para entender quem está falando e por quê. É por isso que formato de conversa segura audiência por horas enquanto um monólogo sobre o mesmo assunto perde ela em seis minutos. Uma troca de fala a cada 90 segundos dá 8 reinícios ao longo de um vídeo de 12 minutos, espalhados exatamente onde a atenção costuma vazar.
A parte importante, e o motivo desta seção não ser sobre avatar: isso funciona só com voz. Zero rosto. Duas vozes distintas trocando falas sobre cenas geradas e imagens de apoio custam os mesmos 288 créditos de narração premium que um narrador lendo os mesmos 12 minutos, ou 36 créditos no econômico. É o upgrade de retenção mais barato disponível para um canal dark, porque ele não custa nada. O elenco pode ser inteiramente invisível e ainda assim fazer a maior parte do trabalho que as pessoas creditam aos rostos.
Uma ressalva que salva você da pior versão disso. O segundo personagem tem que cumprir uma função real, senão vira ruído. Se a segunda voz existe só para dizer que incrível, me conta mais, você adicionou distração, não reinício. O uso mais afiado é dar à segunda voz o ceticismo do próprio espectador: o narrador faz uma afirmação, o segundo personagem pergunta como você sabe disso, e a resposta cai mais forte porque alguém dentro do vídeo exigiu ela.
- Entrevista: um apresentador pergunta, um especialista responde. Funciona só na voz, zero segundo de rosto.
- Debate: duas posições defensáveis sobre o mesmo fato, ideal para tema de comparação e polêmica.
- Âncora e repórter: o âncora enquadra a história, o repórter entrega o detalhe.
- Professor e aluno: o aluno faz exatamente a pergunta que o espectador está pensando.
- Pergunta e resposta: 8 perguntas em 12 minutos são 8 reinícios de atenção.
- Narrador mais personagem citado: uma segunda voz lê depoimentos, citações e diálogos.
Como o FalconVid roda um elenco sem abrir um segundo orçamento
Multi-personagem com vozes distintas está ligado em todos os planos. Toda feature de criação do FalconVid está em todo plano: o que muda entre os planos é volume, quantos canais você roda, quantas gerações rodam ao mesmo tempo, o Analista Sênior (do Pro pra cima, com 7 dias grátis no Starter) e o suporte. O roteiro ganha personagens, cada personagem ganha a própria voz do catálogo, incluindo vozes premium Cartesia ultra realistas e clonagem de voz se você quiser uma específica, e o vídeo continua sendo cobrado como um vídeo de 12 minutos. Isso significa 1.008 créditos no modo econômico, 8.676 no balanceado e 26.760 no premium, exatamente como se um narrador só tivesse lido tudo.
A identidade de cada personagem fica presa no DNA do canal, então o âncora do vídeo 12 continua sendo o âncora do vídeo 40, com o mesmo rosto, a mesma voz e a mesma assinatura visual. Rosto que muda de cara entre vídeos é a falha mais comum de elenco de IA, porque um rosto regerado a partir de um prompt toda semana é uma pessoa diferente toda semana. Aqui é configuração persistente de projeto, que é o que permite a um elenco acumular reconhecimento em vez de zerar ele a cada publicação.
Existe um lugar em que rosto é barato, e vale saber disso antes de planejar qualquer coisa. O rosto na miniatura é cobrado como capa, 479 créditos no econômico e 214 no premium, e não por segundo. A capa não tem relógio rodando, então ela é a aplicação mais barata possível de um avatar de IA no canal inteiro. Um canal pode manter um apresentador visível e reconhecível em toda capa e ainda ter zero segundo de avatar dentro do vídeo.
A legenda karaokê com CTAs vem junto do render, em mais de 15 estilos, em todos os planos, e não tem linha de crédito própria. Isso pesa mais com elenco do que com narrador único, porque formato de diálogo é consumido sem som muito mais que monólogo, e a legenda é o que mantém uma troca de duas vozes legível quando não tem áudio. Também é parte do motivo de o upgrade de diálogo custar zero de verdade: nem a voz extra nem a legenda somam linha na conta.
Em volta de tudo isso, a operação segue igual à de qualquer outro vídeo. Você aprova um calendário uma vez e especialistas de IA trabalham em paralelo em cada vídeo, pesquisador, roteirista, narrador, editor e sound design, com vídeo pronto em até 30 minutos e gerações simultâneas indo de 2 ao mesmo tempo no Starter até 50 no Scale. Antes de qualquer publicação você abre o Studio, assiste à versão 1 e ajusta, encurta a intro, troca uma cena, muda a música, ou abre a timeline se quiser trabalhar quadro a quadro.
O desenho que custa pouco e parece produção cara
O desenho que mais aproveita essa assimetria é direto. Mantenha o elenco nas vozes, onde ele é de graça, e mantenha os rostos em quatro doses medidas: o gancho, as transições de capítulo, o veredito e o fechamento. Essas doses somam perto de 90 segundos num vídeo de 12 minutos, e os 11 minutos restantes são carregados por cenas geradas, imagens de apoio, gráficos e a narração que os personagens já estão fazendo. Rosto quando o vídeo faz uma afirmação ou um pedido, cena quando o vídeo entrega informação.
Com elenco você distribui essas doses em vez de esticar elas. O apresentador fica com o gancho e o fechamento, o segundo personagem fica com uma transição e o veredito, ou o que o roteiro pedir de verdade. O total de segundos de rosto na tela continua em 90 e a linha de lip sync continua em 2.880 créditos, porque as doses foram divididas, não somadas. O espectador vê dois apresentadores no vídeo e a conta vê o tempo de tela de um apresentador só.
A única regra que protege o orçamento é esta: nunca deixe dois rostos ocuparem o quadro no mesmo instante durante essas doses. Alterne. O corte de reação, que é a resposta padrão de todo programa de entrevista já feito, mostra um rosto por vez e portanto roda um relógio por vez. E também fica melhor, porque um rosto ocupando o quadro inteiro tem mais presença que dois meios rostos disputando a mesma atenção.
Rode o mês e a diferença vira decisão de negócio em vez de preferência. No Pro de $97 com 30.000 créditos, vídeos com elenco alternado a 3.888 créditos cada cabem 7 vezes. Os mesmos vídeos com os dois apresentadores dividindo o quadro a 6.768 créditos cabem 4 vezes. Virando cabeça falante inteira a 24.048 créditos, o mesmo orçamento cabe 1. Ninguém roda um mês numa configuração só, então o plano realista é mesclar vídeos econômicos simples a 1.008 créditos com alguns carregando a dose de 90 segundos, e reservar os modos mais pesados para os temas que pagam por eles.
- Gancho de 8 a 15 segundos, transições de 5 a 8 segundos cada, veredito de 15 a 25, fechamento de 10 a 15.
- Divida as doses entre os personagens em vez de somar doses: continuam 90 segundos de rosto, 2.880 créditos.
- Os mesmos 90 segundos com os dois rostos no quadro: 5.760 créditos, e o vídeo vai de 3.888 para 6.768.
- Resto do vídeo: cena do banco 5 créditos, imagem econômica 63, pesquisa mais roteiro 307, taxa base do pipeline 16.
- Legenda karaokê e CTAs: fazem parte do render, sem linha de crédito, em todos os planos.
A mesma decisão, num canal manual e num automatizado
Num canal manual, elenco significa mais gente na frente da câmera. Dois apresentadores significam duas agendas para casar, dois cachês para pagar, dois dias de gravação ou um dia em que os dois precisam estar livres, dois conjuntos de regravação e duas pessoas cuja ausência trava a publicação. Coloque um terceiro personagem e o problema de coordenação cresce mais rápido que o conteúdo. É por isso que quase nenhum canal pequeno tem elenco: não é decisão criativa, é decisão de folha de pagamento e logística, e a resposta costuma ser não.
Num canal automatizado a mesma decisão custa quase nada para ser tomada. Personagem é decisão de roteiro. A voz extra é de graça, porque a narração é cobrada por minuto de vídeo, então 288 créditos de narração premium ou 36 de narração econômica cobrem quantos personagens o roteiro pedir. O rosto é uma dose medida em segundos, 32 créditos cada no Kling Avatar Standard, e você decide quantos desses segundos compra e qual personagem fica com eles.
E o mesmo elenco roda em quantos canais e quantos idiomas você quiser. O FalconVid escreve, narra, edita, legenda e publica no YouTube, Instagram, TikTok, Rumble e Facebook em até 63 idiomas, e duplicar um projeto para outro idioma custa só a diferença, então uma dupla de âncora e repórter construída uma vez comanda o canal em inglês, o em espanhol e o em português sem ser reconstruída. O Starter roda 1 canal, o Pro roda 5, o Business 10, o Agency 25 e o Scale não tem limite de canal nenhum.
Então a resposta prática se divide por estágio, não por gosto. Canal novo deve segurar um apresentador reconhecível só, usar elenco de vozes pelo ganho de retenção e gastar os segundos de rosto no gancho e no fechamento. Canal estabelecido pode acrescentar um segundo personagem visível onde o formato pedir, mantendo os rostos alternando em vez de dividindo o quadro. De qualquer forma, a restrição que resolvia essa discussão antes, se existia um segundo ser humano disponível e pagável, não é mais a restrição.