Voltar ao blog

Como Adicionar Legendas de Karaokê Palavra por Palavra a Shorts e Reels

Adicione legendas de karaokê palavra por palavra a Shorts, Reels e TikTok: de onde vêm os tempos, três formas de embutir e as edições que quebram a sincronia.

28 de setembro de 2026
Sablate Team

Legendas palavra por palavra precisam de uma coisa que um arquivo de legendas comum não tem: um tempo para cada palavra. Obtenha esses tempos de um reconhecedor de fala como o Whisper, escolha como a palavra dita vai se destacar — uma mudança de cor, uma caixa, um preenchimento ou uma palavra de cada vez — e embuta as legendas no vídeo.

Aqui, embutir não é opcional. Shorts, Reels e TikTok não aceitam arquivos de legendas, então o destaque precisa ficar nos pixels. A seguir: de onde vêm os tempos das palavras e por que eles se desviam, três formas de acrescentar o efeito — uma delas gratuita — e as edições que quebram a sincronia em silêncio.

Por que legendas palavra por palavra precisam de tempos no nível da palavra

Uma legenda comum tem dois tempos: quando a linha aparece e quando desaparece. Isso basta para uma linha parada. Um destaque de karaokê precisa de um início e de um fim para cada palavra dentro da linha, e um .srt comum não tem onde registrar isso.

O Whisper gera os tempos das palavras em uma segunda passada. Depois de decidir o texto, ele alinha cada palavra ao trecho de áudio que provavelmente a produziu, e a linha de comando openai-whisper ainda marca essa opção como experimental. Os tempos são bons o bastante para orientar um destaque, mas não para confiar neles cegamente — e vêm com uma particularidade que decide como o destaque se comporta.

Palavras adjacentes costumam compartilhar exatamente o mesmo limite. No trecho que analisamos para a nossa comparação de modelos Whisper, 172 de 177 intervalos entre palavras foram exatamente zero segundo. Quando há pausas reais, a ferramenta precisa decidir o que o destaque faz durante elas:

  • Acender só a palavra que está sendo dita. O destaque se apaga a cada pausa, e uma palavra curta como “a” ou “e” pisca por um ou dois quadros. O destacador do próprio Whisper funciona assim: escreve uma cópia simples da linha, sem destaque, em cada intervalo.
  • Manter cada palavra acesa até a seguinte começar. O destaque nunca se apaga, e cada palavra fica na tela tempo suficiente para ser percebida. É assim que a maioria dos programas de legendas se comporta, e é o que os espectadores de vídeos curtos já esperam.

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

Os quatro estilos de legendas de karaokê

“Karaokê” cobre quatro visuais diferentes, e ajuda saber qual deles você quer antes de escolher uma ferramenta:

EstiloO que o espectador vêTambém chamado de
CorA palavra dita muda de cor; o resto da linha continua brancoLegendas ao estilo Hormozi
CaixaUma caixa colorida fica atrás da palavra ditaDestaque em caixa ou em cápsula
PreenchimentoAs palavras mudam de cor conforme são ditas e permanecem assimVarredura clássica de karaokê
Uma palavraSó a palavra dita aparece na tela, grande e centralizadaLegendas de palavra única

Cor e caixa funcionam melhor em vídeos de alguém falando para a câmera. O preenchimento é o visual típico dos vídeos de letra 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 por palavra

  1. Whisper e FFmpeg — gratuito, local, linha de comando. Um destaque simples, controle total, um pouco de configuração.
  2. Um modelo de legendas de um editor de vídeo — CapCut ou DaVinci Resolve Studio. Um clique, se você já estiver no editor; o que muda são os termos.
  3. Um programa de legendas para computador — Sablate. Presets, enquadramento vertical e legenda embutida em uma só janela, no seu próprio computador.

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

Isso exige Python e FFmpeg instalados e no seu PATH. Tudo roda no seu computador, e o modelo Whisper é baixado uma vez, no primeiro uso.

  1. Instale o Whisper:
pip install -U openai-whisper
  1. Transcreva com os tempos no 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

Isso gera clip.srt, em que cada palavra tem a própria legenda e a palavra dita fica entre tags <u>.

  1. Opcionalmente, transforme o sublinhado em uma cor. O FFmpeg lê tags <font color> em arquivos SRT, então 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
  1. Embuta:
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 esses números. Quando o FFmpeg embute um SRT, ele primeiro dispõe o texto em uma tela virtual de 384×288, então FontSize e MarginV são medidos nessas 288 unidades, e não nos pixels do seu vídeo. MarginV=60 sobe a linha cerca de um quinto da altura do quadro, longe da interface do Shorts e do Reels. Se o FFmpeg disser que não encontra o arquivo de legendas no Windows, o caminho precisa de escape — o guia de legenda embutida explica a correção.

As limitações, com honestidade: você obtém um sublinhado ou uma cor simples, sem caixa e sem efeito pop, e o destaque se apaga nas pausas. A edição é a parte incômoda. Cada palavra é uma legenda própria, carregando a linha inteira; por isso, um nome escrito errado em uma linha de três palavras fica errado 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 você já edita em um desses, o destaque palavra por palavra está a um modelo de distância.

CapCut. Gere legendas automáticas e depois aplique um modelo de legendas com destaque palavra por palavra, no computador ou no celular. Isso vem com duas condições. O áudio é processado do lado do CapCut: a política de privacidade dele diz que pode coletar conteúdo “por meio de pré-upload no momento da criação, importação ou envio”, por exemplo para gerar legendas. E a central de ajuda do CapCut lista as legendas automáticas como um recurso que pode incluir funcionalidades exclusivas do Pro; um projeto que use recursos Pro precisa de uma assinatura para ser exportado.

DaVinci Resolve Studio. Timeline → AI Tools → Create Subtitles from Audio transcreve no seu próprio computador. Desde o Resolve 20, os títulos Animated incluem um modelo Word Highlight: arraste esse modelo para o cabeçalho da faixa de legendas e depois defina a cor, a fonte e a velocidade no Inspector. As legendas automáticas são um recurso do Studio — $295, pagamento único — e a transcrição cobre 14 idiomas nativamente, com mais idiomas por meio de um download extra. Se você já tem o Studio, este é o caminho mais direto desta página.

Método 3: Um programa de legendas para computador

Um programa de legendas para computador faz todo o trabalho em uma só janela, no seu próprio computador: transcrever, corrigir, escolher um estilo, enquadrar para vertical, renderizar.

No Sablate, seis presets de destaque palavra por palavra — Hormozi, Beast, Reels, One Word, Karaoke e Pop — cobrem os quatro visuais acima, e a opção Word-by-word highlight acrescenta o efeito a qualquer outro estilo, com Color, Box, Fill ou Word como modo. As fontes de legenda por trás dos presets (Montserrat ExtraBold, Anton, Bangers, Bebas Neue e Archivo Black) já vêm incluídas no programa e no motor de renderização dele, então a legenda embutida usa exatamente a mesma fonte que a pré-visualização mostra. Uma fonte ausente é um dos motivos comuns para as legendas exportadas ficarem diferentes das do editor.

Os tempos seguem as regras do início desta página. Cada palavra fica acesa até a seguinte começar, então o destaque nunca se apaga em uma pausa. Corrigir um erro de digitação mantém os tempos registrados, desde que o número de palavras continue o mesmo; adicionar ou remover uma palavra faz só aquela linha voltar a tempos estimados. A legenda embutida é desenhada pelo libass, o motor de renderização de legendas que os players de vídeo usam, em vez de ser aplicada como uma sobreposição plana, e é renderizada em 9:16, 1:1 ou 16:9, cortando ou preenchendo com uma cópia desfocada da origem.

Onde ele vai mais longe do que os outros métodos é nos idiomas. Cada camada de tradução tem o próprio estilo e a própria fonte para o sistema de escrita do idioma, então o mesmo Short pode sair com legendas de karaokê em inglês, espanhol e coreano a partir de uma única transcrição, como descreve o fluxo de trabalho multilíngue. Os tempos em uma camada traduzida são estimados, e não medidos, porque ninguém falou essas palavras, e o programa avisa isso ao lado da opção.

O estilo palavra por palavra faz parte do Pro, um único pagamento de $29. O plano Gratuito mostra a pré-visualização de todos os presets e embute os outros estilos com uma pequena marca no canto.

Qual método você deve usar?

Whisper e FFmpegCapCutDaVinci Resolve StudioSablate
PreçoGratuitoNível gratuito, assinatura Pro$295, pagamento único$29, pagamento único
O áudio sai do seu computadorNãoSim, para legendas automáticasNãoNão
Aparência do destaqueSublinhado ou corBiblioteca de modelosModelo Word HighlightCor, caixa, preenchimento, uma palavra
Editor de vídeo completoNãoSimSimNão
Roda no celularNãoSimNãoNão
Saída vertical 9:16Com um filtro extraSimSimSim, corte ou desfoque

Duas dessas linhas jogam contra o Sablate: ele não é um editor de vídeo e não roda no celular. Se você corta, adiciona música e publica pelo celular, um programa de legendas para computador é um passo extra, não um atalho.

“Um clipe, e me sinto à vontade em um terminal.” Whisper e FFmpeg. Gratuito, local e suficiente para um destaque com mudança de cor.

“Já edito no CapCut e publico todo dia.” Fique por lá. Os modelos são o ponto forte, e se você já paga o Pro de qualquer jeito, o argumento do custo desaparece.

“Edito no DaVinci Resolve Studio.” Use o Word Highlight. A licença já é sua e a transcrição fica local.

“As imagens não podem sair do meu computador.” Qualquer um, menos 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 karaokê por idioma, com tempos estimados nas traduções.

“É um videoclipe, e quero tempos no nível da sílaba.” Aegisub, que é gratuito. O modo karaokê dele marca os tempos das tags ASS \k sílaba por 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 chega a guardar tempos de karaokê.

Como manter as legendas palavra por palavra sincronizadas

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

  • Corrija antes de estilizar. Os tempos pertencem às palavras que foram reconhecidas. Uma correção do mesmo tamanho, como trocar “à” por “há”, os mantém; reescrever uma linha os joga fora.
  • Informe 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 escrito certo logo de primeira nunca precisa de uma correção que bagunce os tempos. É uma influência, não uma garantia, então continue revisando os nomes.
  • Divida legendas longas em vez de diminuir a fonte. Em vídeo vertical, uma linha de três a cinco palavras dá para ler enquanto o destaque se move; duas linhas cheias, não.
  • Reveja depois de reajustar os tempos. Arrastar a borda de uma legenda normalmente deixa os tempos das palavras lá dentro onde estavam, então as palavras mais próximas da nova borda ficam espremidas. Ajuste e depois assista à legenda uma vez.
  • Confira a renderização, não só a pré-visualização. Assista à primeira legenda, à última e à passagem mais rápida antes de publicar.

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

Perguntas frequentes

Como faço para adicionar legendas palavra por palavra a um vídeo?

Transcreva o vídeo com tempos no nível da palavra, estilize as legendas para que cada palavra mude no momento em que é dita e depois embuta as legendas na imagem. O Whisper fornece os tempos; o FFmpeg, um modelo de legendas de um editor de vídeo ou um programa de legendas para computador desenham o destaque. Shorts, Reels e TikTok precisam da versão embutida, porque nenhum deles aceita um arquivo de legendas.

O que são legendas de karaokê?

As legendas de karaokê mostram uma linha de texto e destacam cada palavra no momento em que ela é dita: mudando a cor, colocando uma caixa colorida atrás dela, preenchendo as palavras aos poucos ou mostrando uma palavra de cada vez. O nome vem das telas de letras do karaokê. Em vídeos para redes sociais, o mesmo estilo também é chamado de legendas palavra por palavra, animadas ou ao estilo Hormozi.

Posso criar legendas palavra por palavra gratuitamente?

Sim. A ferramenta de linha de comando openai-whisper consegue gerar um arquivo SRT em que a palavra dita aparece sublinhada, e o FFmpeg consegue embutir esse arquivo no vídeo. Os dois são gratuitos e rodam no seu computador. O porém está no estilo: você obtém um sublinhado ou uma simples mudança de cor, não os destaques em caixa nem as animações pop dos modelos e programas de legendas.

Por que meu destaque palavra por palavra está fora de sincronia?

Normalmente porque o texto mudou depois da transcrição. Os tempos das palavras pertencem às palavras que o reconhecedor realmente ouviu; por isso, adicionar ou remover palavras obriga a ferramenta a estimar tempos novos. Corrigir um erro de digitação mantendo o mesmo número de palavras costuma preservar os tempos. Um destaque que se apaga entre as palavras é um problema diferente, causado pelos intervalos entre os tempos das palavras.

As legendas palavra por palavra funcionam em legendas traduzidas?

Sim, mas os tempos são estimados. As palavras traduzidas nunca foram ditas, então não há nada com que medi-las. A ferramenta mantém o início e o fim reais de cada legenda e distribui o destaque pelas palavras traduzidas de acordo com o tamanho de cada uma. Na maioria das linhas a leitura fica natural, mas o destaque não consegue cair exatamente em cada palavra dita, como acontece no idioma original.

Onde as legendas devem ficar em um Short ou Reel vertical?

Acima do quinto inferior do quadro e longe da margem direita, porque é ali que as plataformas desenham o texto das próprias legendas, os botões e a barra de progresso. O centro do quadro ou o terço inferior funcionam bem na maioria dos vídeos de alguém falando para a câmera. Mantenha cada legenda em uma única linha curta, para que dê para ler enquanto o destaque se move sobre ela.