O mesmo fone, dois vídeos, dois volumes diferentes
O espectador abre o seu vídeo de doze minutos no celular, sobe o volume para uns setenta por cento para ouvir a narração com conforto, e se acomoda. Três minutos depois começa o próximo vídeo, de um canal do seu nicho, e ele chega tão mais alto que o primeiro reflexo é abaixar o volume de novo. Isso não é o fone e não é impressão. É uma diferença mensurável de nível de entrega, decidida muito antes de alguém apertar o play.
O estrago não é o incômodo, é a comparação. Áudio baixo soa amador antes de qualquer frase ser julgada, e os primeiros trinta segundos são exatamente quando o espectador decide se este canal soa como os que já conquistaram a atenção dele. Ninguém pensa que o loudness integrado está baixo aqui. A pessoa pensa que soa barato, ou não pensa nada e clica na próxima thumbnail, que é a versão do problema que aparece no seu gráfico de retenção sem nenhuma etiqueta explicando.
O instinto é culpar a voz. O criador regrava a narração, compra outra voz de texto para fala, empilha um equalizador na trilha, e nada muda, porque o timbre nunca foi o problema. Duas exportações da mesma narração, com a mesma voz, podem ficar seis decibéis distantes uma da outra, e seis decibéis são a distância inteira entre soar profissional e soar como gravação de quarto. Num canal dark isso dói em dobro, porque o áudio é a atuação inteira e não existe rosto na tela para segurar a queda.
Quatro decisões resolvem a questão, e todas as quatro acontecem na exportação: o alvo de loudness, o teto de pico acima dele, o alto-falante que vai reproduzir o arquivo e a compressão que mantém a frase baixa viva. Defina as quatro uma vez e elas nunca mais mudam. Pule as quatro e cada publicação aposta num nível de reprodução que você não escolheu.
Como o YouTube normaliza: som alto desce, som baixo nunca sobe
Todo envio é medido. A plataforma lê o loudness integrado do arquivo inteiro, compara com um alvo da casa que fica em torno de -14 LUFS e aplica ganho de reprodução para trazer o material alto para perto dele. O que chega bem mais alto é atenuado na hora de tocar. O que chega mais baixo fica exatamente onde estava. Essa assimetria é o artigo inteiro, e é justamente a parte que quase ninguém explica em voz alta.
LUFS mede volume percebido, não pico. Um medidor de pico informa a maior amostra isolada do arquivo, o que não diz nada sobre o quanto doze minutos de vídeo soam altos. O LUFS integrado faz a média do programa inteiro com uma ponderação que segue a audição humana, então uma mixagem densa e uma esparsa que picam no mesmo lugar podem ficar oito decibéis distantes em volume percebido. Loudness é o número que a plataforma lê. Pico é o número que protege você da distorção. Eles nunca foram intercambiáveis.
Agora use a assimetria a seu favor. Entregue perto de -14 LUFS e você toca no mesmo campo de todo mundo que aparece ao lado. Entregue a -20 e você fica seis decibéis abaixo desse campo em toda reprodução, para sempre, porque ganho nunca é adicionado no seu favor. Dez decibéis são mais ou menos o ponto em que o ouvido chama uma coisa de metade do volume, então seis não é sutileza. O espectador não diagnostica e não sobe o volume. Ele sai.
Dá para ler o seu próprio veredito em trinta segundos. Clique com o botão direito no player, abra Estatísticas para nerds e procure a linha de loudness do conteúdo. Um número negativo quer dizer que a plataforma puxou o seu áudio para baixo naquela quantidade, o que é bom sinal e significa que você entregou acima do alvo. Zero ou número positivo quer dizer que nada foi puxado e nada foi somado, então o nível que você exportou é exatamente o nível que um estranho ouve, com todo o silêncio junto.
Esse é um dos motivos de a mixagem dentro do FalconVid não ser uma decisão tomada vídeo a vídeo. O motor escreve o roteiro, gera a narração, coloca a música e os efeitos e renderiza a mixagem já equilibrada, então o mesmo padrão sai do render no primeiro vídeo de um canal e no tricentésimo. Ninguém está medindo um arquivo à uma da manhã torcendo para ter lembrado a rotina da semana passada.
- Loudness integrado é a média do vídeo inteiro, não o momento mais alto.
- O YouTube atenua o envio que chega bem acima de mais ou menos -14 LUFS.
- Envio abaixo do alvo continua baixo, ganho nunca é somado para você.
- Arquivo entregue a -20 LUFS toca uns 6 dB abaixo do campo, em toda exibição.
- Estatísticas para nerds, loudness do conteúdo: zero ou positivo é volume deixado na mesa.
Pico real abaixo de -1 dBTP: a distorção que só aparece depois do upload
Loudness é um número e pico é o outro, e o segundo é onde uma narração boa vira chiado. O seu editor mostra o arquivo picando a -0,1 dBFS e chama isso de seguro. Não é seguro, porque o arquivo que o espectador recebe não é o arquivo que você exportou. A plataforma recodifica tudo em formato com perdas, e a forma de onda reconstruída do outro lado não cai nos mesmos pontos em que a sua caiu.
Um medidor de pico de amostra só lê as amostras que existem. Entre duas amostras a curva real pode subir mais alto que as duas, e a compressão com perdas exagera esse excesso. Uma faixa em -0,1 dBFS pode sair do decodificador acima de zero, onde não sobrou nenhuma folga, e o resultado é corte justamente nas consoantes mais fortes: a letra s, a letra t, a palavra empolgada no fim da frase. Soa como microfone barato. O microfone era bom e o teto era ruim.
A correção não custa nada. Coloque o teto do limitador em -1 dBTP com o medidor em modo de pico real, que é a recomendação padrão para entrega em formato com perdas, e desça para -1,5 ou -2 dBTP quando o material for muito limitado ou cheio de consoantes duras. Você não está abrindo mão de volume, porque volume vem do nível integrado e não do último decibel de folga. Troque também o medidor para pico real, senão ele continua mostrando a leitura que escondeu o problema.
Faça uma exportação com os dois medidores abertos e vira memória muscular: integrado perto do alvo, pico real abaixo do teto, sem exceção e sem vídeo publicado sem a conferência. Dentro do FalconVid não existe etapa de exportação para lembrar, porque o render entrega a mixagem pronta e a publicação sai direto para YouTube, Instagram, TikTok, Rumble e Facebook sem nenhum arquivo passar pela sua mão.
O aparelho manda mais que o mixer: celular, TV e o grave que nunca chega
Você mixou no fone, de noite, num quarto silencioso. A sua audiência está no alto-falante do celular na metade do volume com um ventilador ligado, ou no alto-falante embutido de uma televisão do outro lado da sala. Esses alto-falantes são fisicamente incapazes de mover frequências graves. Abaixo de mais ou menos 200 Hz quase nada sobrevive no celular, e nos menores a queda começa ainda mais cedo, entre 300 e 500 Hz.
Então aquele grave bonito que você amou no fone é inaudível no aparelho onde mora a maior parte da sua audiência, e ele não sai de graça. Aquela energia continua no arquivo, continua contando quando o loudness é medido, e puxa a mixagem inteira para baixo quando a plataforma normaliza. Você acaba gastando volume com frequências que ninguém escuta, enquanto a parte que carrega significado fica com o troco.
Corte os graves da narração entre 80 e 100 Hz. Nada do que você precisa numa voz humana ou sintética mora abaixo de 80 Hz, e o que mora ali é ronco de sala, ar-condicionado, batida na mesa e o estouro grave de um plosivo. Cortar isso não muda nada em alto-falante bom, limpa a mixagem em todo o resto e devolve ao medidor de loudness o espaço que ele estava desperdiçando com ar.
A faixa que decide se a frase é entendida vai de 1 kHz a 4 kHz. É ali que moram as consoantes, e consoante é o que separa palavra entendida de som embolado. Um reforço leve de dois a três decibéis em torno de 3 kHz soa como mais claro, não como mais alto, que é exatamente a troca que você quer, porque essa também é a faixa que o alto-falante de celular reproduz melhor. Clareza ali compra mais do que volume compra em qualquer outro lugar.
A música briga com você no mesmo ponto, e a resposta curta é manter a cama bem abaixo da voz e deixar ela abaixar enquanto tem palavra acontecendo. Isso é assunto inteiro por conta própria e não é este. Termine o trabalho de loudness primeiro e depois confira ouvindo no celular, na metade do volume, com barulho de verdade na sala, porque essa é a sala onde o seu vídeo realmente toca.
- Alto-falante de celular desiste abaixo de uns 200 Hz, e os pequenos entre 300 e 500 Hz.
- Corte os graves da narração em 80 a 100 Hz, nada que você precisa mora abaixo disso.
- De 1 kHz a 4 kHz estão as consoantes que decidem se a frase é entendida.
- Dois a três decibéis em torno de 3 kHz soam como mais claro, não mais alto.
- Conferência final no celular, metade do volume, com barulho real na sala.
Dinâmica da narração: 3:1 a 4:1 para a frase baixa sobreviver na cozinha
Loudness integrado é uma média, e média esconde os extremos. Um arquivo que mede -14 LUFS no geral ainda pode ter uma frase reflexiva em -24 e uma empolgada em -8. No fone essa variação soa expressiva. No celular dentro de uma cozinha a frase baixa cai abaixo do ruído do ambiente, e o espectador perde uma linha, depois perde o fio, depois perde o interesse, nessa ordem.
Um compressor suave resolve. Razão entre 3:1 e 4:1, limiar ajustado para os picos tomarem de três a seis decibéis de redução enquanto a fala normal quase não se move, ataque de cinco a dez milissegundos, liberação de sessenta a cento e cinquenta milissegundos. Depois recomponha o ganho e normalize para o seu alvo. Para conteúdo falado, uma faixa dinâmica em torno de cinco a oito LU é confortável: ainda viva, mas sem nada caindo no chão.
Narração sintética precisa disso tanto quanto a humana, por um motivo diferente. Um vídeo longo é renderizado em pedaços, e o nível varia entre eles, muitas vezes dois ou três decibéis, então uma narração de doze minutos montada com dezenas de blocos pode chegar com degraus audíveis. Ênfase, pergunta e exclamação empurram picos de um jeito que muda de modelo de voz para modelo de voz. O compressor é o que faz aquilo soar como uma pessoa falando por doze minutos, e não como uma playlist de frases.
Não exagere. Oito para um numa voz achata a ênfase que segura a atenção, e narração sem nenhuma dinâmica é exatamente o som que as pessoas descrevem como robótico. Você está construindo um piso, não um muro. Tudo continua subindo e descendo com o sentido, só não pode mais sumir embaixo de um ventilador, de um carro ou de uma conversa no cômodo ao lado.
Onde o FalconVid entrega a mixagem já equilibrada
Tudo que está acima é trabalho por vídeo, e trabalho por vídeo é justamente a parte que não escala. No FalconVid a mixagem sai pronta do render: narração, música e efeitos já equilibrados entre si, com a trilha abaixando sozinha embaixo da voz. O especialista de sound design trabalha em paralelo com o pesquisador, o roteirista, o narrador e o editor, e ele não precisa adivinhar onde está a fala, porque o mesmo motor gerou aquela narração um instante antes.
A narração é uma linha que você consegue precificar antes de começar. Ela custa 24 créditos por minuto nas vozes premium e 3 créditos por minuto na voz econômica, então um vídeo de doze minutos carrega 288 ou 36 créditos de narração. O vídeo de doze minutos pronto custa 1.008 créditos no modo econômico, 8.676 no balanceado e 26.760 no premium, com taxa base de pipeline de 16 créditos, e o crédito vale US$ 0,003133, então você sabe o preço do áudio antes de aprovar qualquer coisa.
A legenda karaokê está ligada em todos os planos, em mais de quinze estilos, e não tem linha de crédito própria porque faz parte do render e não é um extra. Isso importa neste artigo em especial: boa parte da audiência no celular assiste com o som desligado, então a legenda é o que segura essa pessoa exatamente nos momentos em que o volume não alcança ela de jeito nenhum.
Quando você quiser ouvir antes de publicar, o Studio toca a V1. Dá para trocar a música, encurtar a intro ou substituir uma mídia sem refazer o vídeo, e abrir a timeline quando quiser precisão. Se o vídeo usa um avatar de IA as regras de mixagem não mudam em nada, só a conta muda, porque o lip sync é cobrado por segundo de rosto na tela, a partir de 32 créditos por segundo no Kling Avatar Std.
Volume vem do plano e não da sua madrugada. O Starter é US$ 47 com 15.000 créditos, 1 canal e 2 gerações simultâneas, o que na prática dá uns 10 a 12 vídeos por mês mesclando o modo econômico com um no balanceado, porque ninguém roda um mês inteiro num modo só. O Pro é US$ 97 com 30.000 créditos, 5 canais e 5 gerações simultâneas, e 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; o Starter ganha 7 dias grátis) e o suporte.
Dois tetos: o do manual e o do automatizado
Fazendo na mão isso é uma rotina de verdade. Abrir o medidor, conferir o loudness integrado contra o alvo, conferir o pico real contra o teto, exportar e validar o arquivo antes de subir. Depois que você sabe os movimentos, custa uns dez minutos por vídeo, o que dá cinco horas por mês num canal que publica uma vez por dia, gastas inteiras num passo que o espectador nunca percebe quando está certo.
E não é a habilidade que quebra primeiro, é a repetição. Vídeo quarenta, uma da manhã, depois de um render que falhou e de uma thumbnail refeita duas vezes, você pula a conferência só desta vez. Aquele vídeo toca cinco decibéis abaixo do resto do canal para sempre, e claro que é justo ele que o algoritmo resolve mostrar para estranhos. O teto da trilha manual nunca foi o seu ouvido. É a sua noite.
A trilha automatizada muda esse teto de lugar. A mixagem sai do render com o mesmo padrão no vídeo um e no vídeo trezentos, em todos os canais que você tocar, em até 63 idiomas, a partir de um calendário que você aprova uma vez. Ninguém precisa lembrar da rotina, porque a rotina é o próprio render. O que limita você deixa de ser a sua paciência e passa a ser o crédito do plano que você escolheu.
Então mantenha os dois números à vista. Na mão, uma boa passagem de áudio custa uns dez minutos por vídeo e é a primeira coisa a cair quando a semana aperta. No automático, o padrão é idêntico em toda publicação, em quantos canais você quiser, e a única coisa que sobra para você decidir é quanto volume quer comprar e em qual modo de qualidade quer ele.
- Manual: um medidor, uma exportação e uma conferência em toda publicação.
- Manual: uns 10 minutos por vídeo, cinco horas por mês com um vídeo por dia.
- Manual: a conferência é a primeira coisa que você pula quando está cansado.
- Automático: o mesmo padrão de mixagem no vídeo 1 e no vídeo 300.
- Automático: idêntico em todos os canais e em até 63 idiomas.