A voz define o piso: narração por volta de -16 LUFS
Uma mixagem atrás de narração tem exatamente uma âncora, e ela é a voz. Coloque a narração em torno de -16 LUFS integrado, com true peak abaixo de -1 dBTP, e toda decisão seguinte deste artigo vira um número que você mede em vez de uma sensação. LUFS é o volume como o ouvido percebe ao longo do tempo, não o pico mais alto da forma de onda, e é por isso que uma trilha pode picar no mesmo lugar que a sua voz e ainda assim engolir metade dela.
O motivo de -16 LUFS ser o alvo útil é que as plataformas normalizam. O YouTube abaixa qualquer coisa consideravelmente mais alta que uns -14 LUFS e não levanta material baixo, e Instagram, TikTok e Facebook ficam na mesma vizinhança. Normalização é um fader único aplicado ao programa inteiro, então você não conserta um equilíbrio ruim entre música e voz exportando mais alto. Se a trilha está 8 dB abaixo da narração no seu projeto, ela vai estar 8 dB abaixo da narração no celular de todo espectador, em qualquer volume, para sempre.
Dois números para deixar na tela enquanto trabalha: loudness de curto prazo durante a fala orbitando entre -16 e -14 LUFS, e true peak nunca passando de -1 dBTP, o que dá folga para o codec com perda sem estourar. Num canal dark a voz carrega o vídeo inteiro, porque não existe rosto nem presença de câmera fazendo esse trabalho, e a mixagem precisa dizer isso em alto e bom som.
Quanto a música fica abaixo da voz: 18 a 24 dB
Aqui está o número em que o artigo inteiro se apoia. Enquanto o narrador fala, o barramento de música deve ficar 18 a 24 dB abaixo da voz. Em medidor cru: se a sua narração pica por volta de -6 dBFS, os picos da música caem entre -26 e -30 dBFS. Solte a música sozinha nesse nível e ela soa quase constrangedoramente baixa. Coloque a voz por cima e soa certa, e o truque é exatamente esse.
A maioria dos canais para em 8 a 12 dB abaixo, e o motivo é sempre a mesma sala: você mixa à noite, de fone, sem ruído em volta, e um fundo em -10 dB parece cinematográfico. Aí o vídeo é assistido num celular a meio volume, numa cozinha com ventilador ligado, e esse fundo está comendo as consoantes do fim das palavras. A menos de uns 10 dB da voz, a música mascara a região de 2 a 6 kHz, onde moram t, c, s e f. O cérebro reconstrói o que faltou, só que reconstruir custa atenção. Ninguém pensa que a mixagem está ruim. As pessoas só cansam, e espectador cansado sai sem saber por quê.
Ajuste o alvo pelo gênero e não pelo gosto. Conteúdo informativo, de finanças e tutorial pede 22 a 24 dB de separação, porque cada frase carrega informação que o espectador não pode perder. História, true crime e documentário vivem em 16 a 20 dB, onde a música faz trabalho emocional de verdade. Conteúdo motivacional pode chegar a 14 a 18 dB, mas só com uma faixa sem movimento melódico na faixa da voz. Abaixo de 14 dB você deixou de musicar o vídeo e passou a competir com ele.
Ducking: 6 a 10 dB, com a voz puxando o gatilho
Nível fixo não basta, porque narração não é fixa. Ela sobe numa ênfase, cai num aparte, para para respirar. O ducking, também chamado de compressão sidechain, põe um compressor na música e deixa a voz disparar: quando o narrador fala, a música desce; quando ele para, ela volta. A redução de ganho alvo é de 6 a 10 dB enquanto existe fala.
Os ajustes importam mais que o plugin. Ratio de 4:1 a 8:1. Threshold regulado para que a fala normal dispare a redução inteira e a respiração não dispare nada. Attack de 10 a 30 ms, rápido o bastante para pegar a primeira sílaba e lento o bastante para não estalar. Hold de 80 a 150 ms, para que o vão entre duas palavras não abra o portão. Release de 250 a 400 ms, que é o que faz a música voltar como decisão e não como reflexo. Todo defeito tem assinatura: bombeando a cada palavra é release abaixo de 100 ms, inchando depois de cada frase é release acima de 800 ms, primeira sílaba engolida é attack lento demais, e música que afunda quando o narrador só inspira é threshold baixo demais.
Empilhe os dois mecanismos em vez de escolher um. Deixe o fundo estático 18 dB abaixo da voz e deixe o ducker tirar mais 6 a 10 dB enquanto as palavras acontecem. Durante a fala a música fica efetivamente 24 a 28 dB abaixo, e nas pausas ela sobe de volta para aqueles 18 dB, então a trilha respira junto com a narração em vez de brigar com ela. É essa respiração que o ouvinte registra como áudio profissional, mesmo sem conseguir nomear.
É exatamente aqui que o FalconVid para de cobrar uma hora por vídeo de você. O sound design roda em paralelo com o pesquisador, o roteirista, o narrador e o editor, e não precisa adivinhar onde está a fala: o motor gerou a própria faixa de narração, então conhece cada fronteira de palavra e cada pausa no milissegundo. A curva de ducking é escrita a partir disso, não detectada depois, e a primeira versão volta mixada em até 30 minutos.
Volume é metade do problema: corte os graves da música em 200 Hz
Dois sons só brigam onde dividem frequência. Uma voz falada tem fundamental entre uns 85 e 180 Hz na maioria dos homens e 165 a 255 Hz na maioria das mulheres, inteligibilidade entre 1 e 4 kHz e sibilância entre 5 e 8 kHz. A música guarda a maior parte da energia abaixo de 250 Hz, no bumbo e no baixo. Esse grave não está mascarando as suas consoantes, mas está comendo headroom, e headroom é justamente o que a normalização vem cobrar depois.
Então ponha um filtro passa-alta na música entre 150 e 250 Hz, com 200 Hz como padrão que acerta nove vezes em dez. Varra o filtro com a voz tocando, nunca com a música solada, porque solada ela soa fina e você se convence a desistir. Embaixo da narração soa certo, e normalmente libera de 3 a 6 dB de headroom que voltam direto para a voz. Depois escave a banda de presença: uma queda larga de 2 a 4 dB entre 1,5 e 3 kHz abre exatamente a janela onde as consoantes trabalham, e um EQ dinâmico disparado pela voz mantém a trilha com o caráter inteiro nas pausas.
O teste de dispositivo é o que torna tudo isso concreto. Alto-falante de celular corta quase tudo abaixo de 300 a 500 Hz, então o grave que você lutou para manter é inaudível justamente no aparelho onde está a maior parte da sua audiência, enquanto na TV ou no fone esse mesmo grave é o que deixa a mixagem embolada. Cortar não custa nada no celular e compra clareza em todo o resto.
Onde a trilha tem permissão para subir
A regra cabe numa linha: a música só sobe onde não há fala. Todo o resto é negociável, isso não é. Trilha que incha no meio de uma frase não soa cinematográfica, soa erro, e o espectador resolve a confusão saindo. A boa notícia é que um vídeo de 12 minutos tem lugares de sobra para ser alto de forma legítima.
Dê números à subida para que ela seja um movimento e não um tremor. Nesses vãos, deixe a música chegar a 8 a 12 dB abaixo do nível da voz, um ganho de uns 10 a 14 dB em relação ao fundo de fala, com fades de 1 a 2 segundos na subida e de 0,5 a 1 segundo na descida, para o narrador nunca falar por cima de uma cauda. Automatize na timeline, porque ducker só sabe sair da frente, ele não sabe fazer entrada. Um a dois segundos de música na frente entre dois blocos funcionam como pontuação: avisam que um capítulo fechou e compram um instante de boa vontade para o bloco seguinte.
Esse é outro ponto em que o FalconVid joga com o gabarito na mão. O motor escreveu o roteiro e gerou a narração, então sabe onde a intro termina, onde cada bloco passa a bola para o próximo e onde o encerramento começa. A música acompanha essa estrutura sozinha: na frente na intro, na frente nas transições, embaixo durante a fala, na frente de novo no card final. Você aprova o calendário, e os vídeos saem já mixados nesse formato.
- A intro, de uns 0:00 a 0:08, antes de a narração começar a falar
- As transições entre blocos, 1 a 2 segundos de música na frente
- Qualquer pausa maior que uns 1,5 segundo, inclusive respiros dramáticos de propósito
- Trechos de b-roll puro, em que não há narração nenhuma
- O momento da revelação ou do desfecho, onde a subida faz trabalho emocional
- O encerramento e o card final, da última frase até o último quadro
Onde a música custa retenção de verdade: a fadiga do minuto 2 a 3
Música alta quase nunca produz um degrau no gráfico de retenção. Ela produz uma rampa, e rampa é mais difícil de notar e muito mais cara. O formato típico é 2 a 3 pontos perdidos a cada 15 segundos de uns 1:30 até 3:00, sem nenhum segundo específico para apontar. Nada de ruim aconteceu em timestamp nenhum. O ouvinte só passou noventa segundos trabalhando um pouco mais do que gostaria, e a paciência acabou em algum ponto do minuto três.
Épico orquestral constante embaixo de conteúdo informativo é a versão clássica disso. A trilha faz uma promessa emocional a cada oito compassos que o conteúdo nunca paga, o cérebro se habitua ao drama em 60 a 90 segundos e depois disso a música é só barulho com orçamento. Para material informativo, use um fundo mínimo de 60 a 90 BPM, sem melodia principal na faixa de 1 a 4 kHz da voz e sem saltos dinâmicos, deixe 22 dB abaixo e esqueça que existe.
O erro oposto também é real. Silêncio total em vídeo de história perde gente, porque o silêncio expõe cada edição e o espectador começa a ouvir a montagem em vez da história. Um fundo 24 a 30 dB abaixo da voz faz os cortes sumirem, então guarde o silêncio de verdade para os 2 a 4 segundos antes de uma revelação. E cuide do loop: uma faixa só rodando 12 minutos seguidos é notada na terceira repetição, geralmente entre os minutos 5 e 7. Troque de faixa a cada 3 a 4 minutos, na virada de bloco e nunca no meio de uma ideia, o que num vídeo de 12 minutos dá 3 ou 4 faixas.
O FalconVid resolve esse alinhamento porque foi ele que montou os blocos, então a troca de faixa cai na emenda estrutural e não no cronômetro. E quando você discorda de uma escolha, não volta para timeline nenhuma: assiste à primeira versão no Studio e troca a música ali, ou encurta a intro, ou troca uma mídia, e o vídeo se remonta sozinho e sai no calendário que você já aprovou.
Onde o FalconVid faz a mixagem por você
Tudo o que está acima dá uns 30 a 50 minutos de trabalho cuidadoso por vídeo para quem já sabe fazer, e umas duas semanas de curva de aprendizado para quem não sabe. Esse é o preço honesto de uma mixagem correta na mão, cobrado de novo em cada upload, para sempre. O motivo de isso quase não aparecer dentro do FalconVid é arquitetural: o sound design é um especialista que roda em paralelo com o pesquisador, o roteirista, o narrador e o editor, então a mixagem não é uma etapa pendurada no fim da linha. O vídeo inteiro volta pronto em até 30 minutos.
A faixa vem do banco de músicas e efeitos embutido, com fontes de BGM, SFX e Freesound, e chega já mixada contra a narração: nível ajustado, ducking aplicado, grave liberado. Isso resolve a questão de direitos no mesmo movimento, porque o problema de trilha de um canal dark nunca foi achar uma música bonita, foi achar uma que não tome uma reivindicação de Content ID e mande a sua receita para um detentor de direitos no quarto mês.
A voz pesa aqui mais do que as pessoas imaginam. A narração ultrarrealista premium da Cartesia tem corpo e nível constante, que é justamente o que sobrevive a um fundo musical: uma voz fina e irregular exige a trilha empurrada para 28 dB abaixo só para continuar inteligível, enquanto uma voz cheia se segura em 18 a 20. Somam-se 63 idiomas de narração e a clonagem da sua própria voz. E se a máquina escolher uma faixa que você detesta, o Studio é um ajuste e não uma reexportação: na mão, refazer o fundo de um vídeo de 12 minutos já pronto são de 1 a 2 horas reimportando, reequilibrando, refazendo o ducking e renderizando.
A conta é simples e o modo pesa mais que o plano. Um vídeo de 12 minutos custa 1.008 créditos no modo econômico, 8.676 no balanceado e 26.760 no premium. O Starter é $47 por mês com 15.000 créditos, o que dá 14 vídeos no econômico puro ou uns 10 a 12 por mês mesclando econômico com um no balanceado. O Pro é $97 com 30.000 créditos, 5 canais e 5 gerações simultâneas, até o Scale de $997 com 50 canais e 50 gerações simultâneas. Toda feature de criação está em todo plano; o que muda por plano é volume, canais, gerações simultâneas, o Analista Sênior (do Pro pra cima, com 7 dias grátis no Starter) e o suporte. O teste é de 7 dias com 2.000 créditos e a garantia é de 7 dias. E se a música for o produto e não o fundo, canal de música também está aberto em todo plano: sessão instrumental contínua de horas para lofi, sono, meditação, frequências, yoga e lei da atração, ou canal de artista cantado que mantém o mesmo rosto e a mesma voz, com a legenda da letra sincronizada.
O checklist de mixagem e o teste do celular
Deixe isto num bloco de notas ao lado do botão de exportar. Nove checagens, cada uma com número em vez de opinião, e juntas são a diferença entre um áudio que desaparece e um áudio que te cobra a saída do minuto 3.
Depois rode o único teste de escuta que importa. Toque o vídeo pronto num celular, só no alto-falante, em volume médio, a um braço de distância, num cômodo com algum ruído real. Se você perder uma única palavra, a música está 3 a 6 dB alta demais, e é nesse celular que a maior parte da sua audiência mora. Depois confira os dois extremos: fone fechado para grave embolado e para o bombeamento do ducking, invisíveis no celular, e TV ou soundbar para o grave que sobrou. Três dispositivos, cinco minutos, e pega quase tudo.
Agora a aritmética honesta. Fazer a lista inteira na mão são 30 a 50 minutos por vídeo, mais o treino de ouvido para saber o que você está ouvindo, o que trava um criador solo em dois ou três vídeos bem mixados por semana antes de a qualidade escorregar. Esse é o teto do fluxo manual, não o teto do canal. Com o FalconVid a mixagem chega pronta em todo vídeo, a troca de faixa cai na emenda de bloco, o banco já está limpo de dor de cabeça com Content ID, e o que sobra para você é aprovar o calendário. O teto deixa de ser o seu ouvido e passa a ser quantos vídeos você decidiu publicar.
- Narração por volta de -16 LUFS integrado, true peak abaixo de -1 dBTP
- Música 18 a 24 dB abaixo da voz em todo trecho falado
- Ducking de 6 a 10 dB, attack de 10 a 30 ms, release de 250 a 400 ms
- Passa-alta na música por volta de 200 Hz, varrido com a voz tocando
- Uma queda larga de 2 a 4 dB na música entre 1,5 e 3 kHz
- Música na frente só na intro, nas transições, nas pausas e no encerramento
- Nunca faixa com vocal ou letra atrás de narração, só instrumental
- Faixa nova a cada 3 a 4 minutos, sempre na virada de bloco
- Trilha liberada de Content ID antes do primeiro upload, não depois