Como Adicionar Legendas de Karaoke Palavra a Palavra a Shorts e Reels

As legendas palavra a palavra precisam de uma coisa que um ficheiro de legendas comum não tem: um tempo para cada palavra. Obtenha-os a partir de um reconhecedor de fala como o Whisper, escolha como a palavra dita se vai destacar — uma mudança de cor, uma caixa, um preenchimento ou uma palavra de cada vez — e incruste as legendas no vídeo.

A incrustação não é opcional aqui. O Shorts, o Reels e o TikTok não aceitam ficheiros de legendas, por isso o destaque tem de viver nos pixels. A seguir: de onde vêm os tempos das palavras e porque se desviam, três formas de acrescentar o efeito — uma delas gratuita — e as edições que quebram o sincronismo em silêncio.

Porque é que as legendas palavra a palavra precisam de tempos ao nível da palavra

Uma legenda normal tem dois tempos: quando a linha aparece e quando desaparece. Isso chega para uma linha que fica parada. Um destaque de karaoke precisa de um início e um fim para cada palavra dentro da linha, e um .srt comum não tem onde os guardar.

O Whisper produz os tempos das palavras numa segunda passagem. Depois de decidir o texto, alinha cada palavra com o trecho de áudio que mais provavelmente a produziu, e a linha de comandos openai-whisper continua a marcar essa opção como experimental. Os tempos são bons o suficiente para orientar um destaque, mas não o suficiente para confiar neles cegamente — e trazem consigo uma particularidade que decide como o destaque se comporta.

Palavras adjacentes partilham muitas vezes exatamente o mesmo limite. No excerto que analisámos para a nossa comparação de modelos Whisper, 172 de 177 intervalos entre palavras foram exatamente zero segundos. Quando existem pausas reais, uma ferramenta tem de decidir o que o destaque faz durante elas:

• Acender apenas a palavra que está a ser dita. O destaque apaga-se em cada pausa, e uma palavra curta como «a» ou «e» pisca durante um ou dois fotogramas. O destacador do próprio Whisper funciona assim: escreve uma cópia simples e sem destaque da linha em cada intervalo.
• Manter cada palavra acesa até a seguinte começar. O destaque nunca se apaga, e cada palavra fica no ecrã tempo suficiente para ser percebida. É assim que a maioria das aplicações de legendagem se comporta, e é o que os espectadores de vídeo curto já esperam.

A segunda abordagem também resiste melhor a edições, porque as janelas de cada palavra cobrem toda a legenda, da primeira à última palavra, sem sobras.

Os quatro estilos de legendas de karaoke

«Karaoke» cobre quatro visuais diferentes, e ajuda saber qual deles quer antes de escolher uma ferramenta:

Cor e caixa funcionam melhor em vídeos de alguém a falar para a câmara. O preenchimento é o visual típico dos vídeos de letras de música. Uma palavra é o mais intenso dos quatro: forte para um gancho, cansativo ao longo de um minuto inteiro.

Três formas de adicionar legendas palavra a palavra

1. Whisper e FFmpeg — gratuito, local, linha de comandos. Um destaque simples, controlo total, alguma configuração.
2. Um modelo de legendas de um editor de vídeo — CapCut ou DaVinci Resolve Studio. Um clique depois de já estar dentro do editor; o que muda são os termos.
3. Uma aplicação de legendagem para computador — Sablate. Predefinições, enquadramento vertical e incrustação numa só janela, na sua própria máquina.

Método 1: Whisper e FFmpeg (gratuito, totalmente local)

Isto exige o Python e o FFmpeg instalados e no seu PATH. Tudo corre na sua máquina, e o modelo Whisper é transferido uma vez, na primeira utilização.

1. Instale o Whisper:

pip install -U openai-whisper

2. Transcreva com os tempos ao nível da palavra e o destaque ativados, três palavras por legenda:

whisper clip.mp4 --model turbo --word_timestamps True --highlight_words True --max_words_per_line 3 --output_format srt

Isto escreve clip.srt, em que cada palavra tem a sua própria legenda e a palavra dita fica entre marcas <u>.

3. Opcionalmente, transforme o sublinhado numa cor. O FFmpeg lê marcas <font color> em ficheiros SRT, por isso basta um localizar-e-substituir (macOS e Linux, ou Git Bash no Windows):

sed -e 's/<u>/<font color="#FFE900">/g' -e 's#</u>#</font>#g' clip.srt > karaoke.srt

4. Incruste:

ffmpeg -i clip.mp4 -vf "subtitles=karaoke.srt:force_style='FontName=Arial,FontSize=16,Outline=2,MarginV=60'" -c:a copy clip-captioned.mp4

Um detalhe explica estes números. Quando o FFmpeg incrusta um SRT, primeiro dispõe o texto numa tela virtual de 384×288, por isso FontSize e MarginV são medidos contra essas 288 unidades, e não contra os pixels do seu vídeo. MarginV=60 sobe a linha cerca de um quinto da altura da moldura, afastada da interface do Shorts e do Reels. Se o FFmpeg disser que não consegue encontrar o ficheiro de legendas no Windows, o caminho precisa de ser escapado — o guia de incrustação explica a correção.

As limitações, com honestidade: obtém um sublinhado ou uma cor simples, sem caixa e sem efeito pop, e o destaque apaga-se nas pausas. A edição é a parte incómoda. Cada palavra é a sua própria legenda, a transportar a linha toda, por isso um nome mal escrito numa linha de três palavras fica mal escrito em pelo menos três legendas. Corrija a transcrição antes de gerar o SRT, não depois.

Método 2: Um modelo de legendas de um editor de vídeo

Se já edita num destes, o destaque palavra a palavra está a um modelo de distância.

CapCut. Gere legendas automáticas e depois aplique um modelo de legendas com destaque palavra a palavra, no computador ou no telemóvel. Isto vem com duas condições. O áudio é processado do lado do CapCut: a sua política de privacidade diz que pode recolher conteúdo «através de pré-carregamento no momento da criação, importação ou envio», por exemplo para gerar legendas. E o centro de ajuda do CapCut indica as legendas automáticas como uma funcionalidade que pode incluir funcionalidades exclusivas do Pro; um projeto que use funcionalidades Pro precisa de uma subscrição para ser exportado.

DaVinci Resolve Studio. Timeline → AI Tools → Create Subtitles from Audio transcreve na sua própria máquina. Desde o Resolve 20, os títulos Animated incluem um modelo Word Highlight: arraste-o para o cabeçalho da faixa de legendas e depois defina a cor, o tipo de letra e a velocidade no Inspector. As legendas automáticas são uma funcionalidade do Studio — $295, pagamento único — e a transcrição cobre 14 idiomas nativamente, com mais através de uma transferência extra. Se já tiver o Studio, este é o caminho mais direto desta página.

Método 3: Uma aplicação de legendagem para computador

Uma aplicação de legendagem para computador faz todo o trabalho numa só janela, na sua própria máquina: transcrever, corrigir, escolher um estilo, enquadrar para vertical, renderizar.

No Sablate, seis predefinições de destaque palavra a palavra — Hormozi, Beast, Reels, One Word, Karaoke e Pop — cobrem os quatro visuais acima, e o interruptor Word-by-word highlight acrescenta o efeito a qualquer outro estilo, com Color, Box, Fill ou Word como modo. Os tipos de letra das legendas por trás das predefinições (Montserrat ExtraBold, Anton, Bangers, Bebas Neue e Archivo Black) estão incluídos na aplicação e no seu motor de renderização, por isso a incrustação usa exatamente o mesmo tipo de letra que a pré-visualização mostra. Uma fonte em falta é um dos motivos habituais para as legendas exportadas parecerem diferentes das do editor.

Os tempos seguem as regras do início desta página. Cada palavra fica acesa até a seguinte começar, por isso o destaque nunca se apaga numa pausa. Corrigir um erro de escrita mantém os tempos registados, desde que o número de palavras se mantenha igual; adicionar ou remover uma palavra faz com que só essa linha volte a tempos estimados. A incrustação é desenhada pelo libass, o motor de renderização de legendas que os leitores de multimédia usam, em vez de ser aplicada como uma sobreposição plana, e é renderizada em 9:16, 1:1 ou 16:9, recortando ou preenchendo com uma cópia desfocada da origem.

Onde vai mais longe do que os outros métodos é nos idiomas. Cada camada de tradução tem o seu próprio estilo e a sua própria fonte de escrita, por isso o mesmo Short pode sair com legendas de karaoke em inglês, espanhol e coreano a partir de uma única transcrição, como descreve o fluxo de trabalho multilingue. Os tempos numa camada traduzida são estimados, e não medidos, porque ninguém disse essas palavras, e a aplicação avisa disso mesmo junto ao interruptor.

O estilo palavra a palavra faz parte do Pro, um único pagamento de $29. O plano Gratuito pré-visualiza todas as predefinições e incrusta os outros estilos com uma pequena marca no canto.

Que método deve usar?

Duas destas linhas jogam contra o Sablate: não é um editor de vídeo, e não corre num telemóvel. Se corta, adiciona música e publica a partir do telemóvel, uma aplicação de legendagem para computador é um passo extra, não um atalho.

«Um clipe, e sinto-me à vontade num terminal.» Whisper e FFmpeg. Gratuito, local, e suficiente para um destaque de mudança de cor.

«Já edito no CapCut e publico todos os dias.» Fique por lá. Os modelos são o ponto forte, e se já paga o Pro de qualquer forma, o argumento do custo desaparece.

«Edito no DaVinci Resolve Studio.» Use o Word Highlight. A licença é sua e a transcrição fica local.

«As imagens não podem sair da minha máquina.» Qualquer um, exceto o CapCut. Geradores de legendas offline compara as opções locais com mais profundidade.

«O mesmo Short sai em três idiomas.» Sablate: uma transcrição e um estilo de karaoke por idioma, com tempos estimados nas traduções.

«É um vídeo musical, e quero tempos ao nível da sílaba.» Aegisub, que é gratuito. O seu modo de karaoke temporiza marcas ASS \k sílaba a sílaba, à mão — lento, e ainda assim o melhor resultado para letras de música. O formato ASS é o único formato de legendas comum que sequer guarda tempos de karaoke.

Como manter as legendas palavra a palavra sincronizadas

O destaque só é tão bom quanto os tempos das palavras por baixo dele, e alguns hábitos mantêm-nos intactos:

• Corrija antes de estilizar. Os tempos pertencem às palavras que foram reconhecidas. Uma correção do mesmo tamanho, como trocar «à» por «há», mantém-nos; reescrever uma linha deita-os fora.
• Dê os nomes ao Whisper com antecedência. O Whisper aceita uma instrução curta com nomes e termos que influencia a transcrição: a opção --initial_prompt, ou Defaults → Custom vocabulary no Sablate. Um nome bem escrito à primeira nunca precisa de uma correção que perturbe os tempos. É uma influência, não uma garantia, por isso continue a rever os nomes.
• Divida legendas longas em vez de encolher o tipo de letra. Em vídeo vertical, uma linha de três a cinco palavras pode ser lida enquanto o destaque se move; duas linhas completas não.
• Reveja depois de reajustar os tempos. Arrastar a margem de uma legenda normalmente deixa os tempos das palavras lá dentro onde estavam, por isso as palavras mais próximas da nova margem ficam espremidas. Ajuste, e depois veja a legenda uma vez.
• Verifique a renderização, não só a pré-visualização. Veja a primeira legenda, a última legenda e a passagem mais rápida antes de enviar.

Legendas palavra a palavra são um problema de tempos disfarçado de estilo. Consiga tempos de palavra limpos, mantenha as correções com o mesmo tamanho, e só depois escolha o visual. Se quiser as predefinições, o enquadramento vertical e vários idiomas no mesmo sítio, transfira o Sablate para Windows ou Mac e passe um Short por ele.