Toda semana chega uma agência aqui perguntando a mesma coisa, de um jeito ou de outro: “geramos a locução com IA, ficou até natural, mas o spot não convence. Por quê?”
A resposta quase nunca está na voz.
As ferramentas de voz sintética evoluíram rápido. Hoje dá pra gerar uma locução em português, com entonação decente, em menos de um minuto. Isso resolve uma parte real do problema de quem não tem locutor nem estúdio à mão. Mas locução é só uma fatia do spot. O resto é mixagem. E é aí que a maioria trava.
O que a IA te entrega, e o que ela não entrega
Um gerador de voz te dá um arquivo seco: a fala, isolada, sem contexto sonoro nenhum. Você ainda precisa encaixar essa voz dentro de uma trilha, com música, efeito, timing de campanha. E encaixar não é só apertar o play dos dois juntos.
Se a trilha e a voz ocupam a mesma faixa de frequência, que costuma ser entre 300Hz e 3kHz, uma briga com a outra. O ouvido humano entende fala nessa região. Se a música também está gritando ali, o cérebro de quem escuta gasta energia separando as duas coisas, e é exatamente esse esforço que faz a mensagem não colar.
Tem também a questão do espaço. Quando a voz entra, o volume da música precisa ceder um pouco, de forma automática e proporcional, pra abrir espaço. Isso se chama ducking, ou compressão por sidechain, e é uma técnica antiga, usada em rádio há décadas. Sem ela, ou a voz some no meio da batida, ou a música fica baixa demais o tempo todo e perde a força.
Uma dica pra testar antes de mandar pro ar
Se sua agência não tem alguém com ouvido treinado pra mixagem, dá pra fazer um teste simples antes de aprovar qualquer spot: ouça em um fone pequeno de celular, tipo os que vêm de brinde, e depois em uma caixinha bluetooth qualquer. Se a voz sumir ou ficar espremida em algum dos dois, o spot ainda não está pronto. Estúdio de referência mostra tudo bonito, mas o ouvinte real vai escutar no carro, no fone furado, na cozinha com o rádio ligado baixo.
Outro ponto que quase ninguém cuida: o timing entre o texto e a emoção da trilha. Uma frase de impacto, o nome da marca, o número de telefone, precisa cair exatamente onde a música dá uma respirada ou um momento mais quieto. Se a frase mais importante do spot cai em cima do refrão instrumental mais cheio, ela se perde. Isso não é feeling aleatório, é decisão de quem monta a peça ouvindo o todo, não só a voz isolada.
Onde a IA ajuda, e onde ela não substitui
A gente não é contra usar IA generativa no processo. Ela é rápida pra rascunhar ideia, testar variações de texto, gerar uma locução provisória pra apresentar num briefing. O problema é tratar o resultado bruto como produto final. A máquina não sabe que aquela campanha é pra uma prefeitura que precisa de credibilidade, ou pra uma rede de varejo que quer soar animada sem parecer histérica. Isso é leitura de contexto, e leitura de contexto ainda é trabalho de gente que produz áudio há tempo.
A TumDum existe desde 1986 fazendo essa ponte. A gente trabalha com agência que não tem músico no time, ou que está insegura de assumir uma peça de áudio inteira feita só por ferramenta automática. Você pode trazer o rascunho gerado por IA, o texto, a ideia de direção, e a gente cuida da parte que transforma isso em som que fica na cabeça de quem escuta.
Se seu próximo spot está travado nessa etapa entre “gerar a voz” e “soltar pro cliente”, dá um jeito de trocar uma ideia com a gente antes de fechar.
