O vídeo já está quase todo editado, e as legendas também já foram sincronizadas, mas justamente travou na narração.

Troca por uma voz, parece propaganda; troca por outra, as palavras são pronunciadas com clareza, mas parece que está lendo um aviso. Quer encontrar algo mais descontraído, mas fica descontraído demais. Depois de revirar a lista de prévias por um tempão, no fim ainda não sabe qual escolher.

Muitas vezes, não é que o texto não esteja bom, é que a voz e as imagens não combinaram.

Então este texto não vai empilhar parâmetros primeiro. Encontramos algumas vozes marcantes na comunidade Fish Audio, escrevemos frases curtas originais que correspondem às suas direções de expressão e depois fizemos chamadas reais para gerar prévias. Você pode ouvir primeiro e então pensar: afinal, de que tipo de pessoa o seu vídeo precisa para narrá-lo?

Criador indeciso ao escolher uma voz, com fitas cassete, manuscritos e fones de ouvido à frente

Ao escolher uma voz, não olhe apenas para o nome

Rótulos como “voz feminina suave” e “voz masculina magnética” parecem bons, mas talvez não sejam adequados quando realmente entram no vídeo.

Ao falar do cotidiano, algo formal demais pode criar distância; ao fazer uma narração histórica, ser excessivamente animado pode facilmente quebrar a imersão. Uma coisa é a voz soar bem, outra é querer ouvi-la contar todo este conteúdo.

Você pode se perguntar primeiro: quem está dizendo estas palavras para quem?

É uma conversa entre amigos, uma história sendo contada ou um personagem no palco? Depois de pensar nisso com clareza, não será preciso percorrer a lista de vozes do início ao fim.

O que o Fish pode fazer? Vamos falar primeiro do que está relacionado à narração

O Fish Audio pode gerar fala a partir de texto e também usar vozes existentes. Seu site oficial chinês apresenta recursos como vários idiomas, clonagem de voz e expressão emocional; quanto ao efeito específico, ainda é preciso testar com o seu próprio roteiro. Site oficial chinês do Fish Audio

Para a criação do dia a dia, há dois pontos que merecem atenção: um é a grande variedade de vozes, sem precisar ficar limitado a alguns tipos de voz de locução; o outro é poder chamar repetidamente usando o mesmo ID de voz, o que é mais conveniente ao revisar roteiros ou complementar frases depois.

Se você tiver materiais de voz que já receberam autorização, também poderá fazer síntese de áudio de referência de uso único, sem precisar criar primeiro uma voz de longo prazo. Aqui é preciso distinguir: o modelo de voz determina “quem parece estar falando”, e o modelo de fala determina “qual conjunto de recursos de síntese usar para gerar”; não são a mesma coisa.

Ao acessar pelo Ace Data Cloud, reference_id especifica a voz, e model no cabeçalho da solicitação HTTP especifica o modelo de fala. A documentação atual da interface lista s1, s2-pro e s2.1-pro, além de oferecer suporte a MP3, WAV, ajuste de velocidade de fala e outras opções. Descrição dos parâmetros

Se quiser integrar à sua própria ferramenta, o código pode ser bem curto

O que segue demonstra a interface Fish TTS do Ace Data Cloud, não a interface de conexão direta oficial do Fish. Use o API Token do Ace Data Cloud; o exemplo lê variáveis de ambiente e não escreve a chave no código.

import os
import requests

# 换成你已确认使用权限的音色 ID
voice_id = os.environ["FISH_VOICE_ID"]

response = requests.post(
    "https://api.acedata.cloud/fish/tts",
    headers={
        "Authorization": f"Bearer {os.environ['ACEDATACLOUD_API_TOKEN']}",
        "Content-Type": "application/json",
        "model": "s2-pro",
    },
    json={
        "text": "别急着挑最好听的，先挑一个适合这段故事的。",
        "reference_id": voice_id,
        "format": "mp3",
        "prosody": {"speed": 1.0, "volume": 0},
    },
    timeout=180,
)
response.raise_for_status()
result = response.json()
if "audio_url" not in result:
    raise RuntimeError(f"未取得音频地址：{result}")
print(result["audio_url"])

Primeiro instale requests e depois configure ACEDATACLOUD_API_TOKEN e FISH_VOICE_ID; assim, você poderá testar uma vez com uma frase curta. O audio_url obtido é o endereço do áudio, não o próprio arquivo de áudio.

Não gere o texto inteiro logo de início. Escolha um trecho com frases longas, pausas e também mudanças de emoção, e continue depois de testar uma velocidade de fala adequada. Para textos longos ou tarefas em lote, é possível usar callback_url e a consulta de tarefas conforme a documentação, evitando deixar a página esperando o tempo todo.

Quantas das vozes abaixo você reconhece?

Vamos deixar claro primeiro: os 20 trechos de áudio a seguir são todas prévias sintetizadas por IA, geradas nesta ocasião ao chamar vozes da comunidade por meio do Ace Data Cloud Fish TTS; não são gravações das próprias pessoas, nem falas ou dublagens da obra original. Os textos foram criados originalmente nesta ocasião; os títulos mantêm ou explicam os nomes das vozes da comunidade e não representam participação, autorização ou endosso das próprias pessoas, dos dubladores ou das instituições relacionadas.

Selecionamos uma mistura de vozes de conversa em chinês, narração e personagens marcantes, não se trata de um ranking de popularidade em tempo real. Cada trecho usa uma frase curta de cenário diferente, ajudando principalmente a perceber a direção de expressão, e não constitui uma avaliação comparativa sob um roteiro unificado. Anon Chihaya usa japonês; os demais usam chinês; os resultados em idiomas diferentes não podem ser comparados diretamente.

Os links de áudio foram verificados como acessíveis, mas a revisão da percepção auditiva ainda não foi concluída trecho por trecho. As apresentações abaixo explicam a intenção de criação dos textos e não equivalem a uma garantia sobre a percepção auditiva dos resultados gerados.

A geração bem-sucedida não significa que foi obtida autorização de uso. Modelos públicos da comunidade não significam que podem ser usados em anúncios comerciais, para se passar pela própria pessoa ou para endossos falsos; antes da publicação, exibição ou reutilização formal, ainda é necessário confirmar os direitos relacionados à voz, à voz da pessoa e ao personagem. Este texto permanece em estado não publicado.

Personagens originais de vozes diferentes se revezam diante do microfone, formando um animado pequeno teatro de vozes

Shin-chan｜Aquela travessura familiar

Vamos começar pelo canal da infância. Para esta voz, escrevemos uma desculpa travessa em torno de biscoitinhos, querendo mostrar o contraste de uma criança procurando desculpas com toda a seriedade. Além do tom, você também pode ouvir as pausas e o final das frases.

Mamãe, eu não fiquei enrolando hoje, não! Eu estava pesquisando seriamente por que, assim que os biscoitinhos são abertos, eles correm sozinhos para dentro da minha barriga. Hehe, me dá mais um!

Sun Wukong｜A sensação de personagem de “eu, o Velho Sun”

Use explorar o caminho, proteger o mestre e o bastão dourado para conectar um pequeno trecho de falas originais do personagem, deixando espaço para a franqueza e a tensão dramática. Pode ser comparado com uma narração comum, para ouvir de onde vem a sensação de personagem quando se diz a mesma coisa.

Mestre, não se aflija! Adiante, as montanhas são altas e o caminho é perigoso; deixe que eu, o Velho Sun, vá primeiro investigar o que está acontecendo. Se houver demônios bloqueando o caminho, este meu bastão dourado não foi feito para servir de bengala!

Bob Esponja｜Hoje também quero ir pescar águas-vivas

Foi concebido como um convite animado para sair, com uma direção de texto brilhante, alegre e cheia de expectativa. Se a imagem em si já estiver muito agitada, ainda é preciso que a dublagem seja tão intensa? Pode inserir e testar antes de decidir.

Patrick, acorde rápido! Hoje a água do mar está brilhando, e as águas-vivas certamente também querem sair para brincar! Até já preparei a rede; só estou esperando você, o melhor parceiro de todos!

Patrick Estrela｜Primeiro comer um hambúrguer de siri e depois pensar

Forma um pequeno diálogo com o trecho anterior: um está com pressa para sair, o outro pensa primeiro em comer. Aqui, pretende-se usar uma lógica meio atrasada e com uma pequena curva para mostrar uma direção de comédia leve e ingênua.

Bob Esponja, pensei em um jeito especialmente inteligente. Primeiro comemos um hambúrguer de siri, depois pensamos para onde vamos brincar. Assim, se não conseguirmos pensar em nada, pelo menos não ficaremos de barriga vazia.

Ovelha Preguiçosa｜Primeiro deitar um pouco e depois conversamos

A montanha de bolo no sonho e a soneca da qual não se consegue acordar definem para este texto a direção de gula e sonolência. Se quiser criar algo mais descontraído, não é preciso apressar cada frase para seguir em frente.

Não me chame para acordar, eu acabei de sonhar com uma montanha feita de bolo. Quando eu terminar de comer o morango no topo da montanha, eu levanto para ajudar. Sério, só vou dormir mais um pouquinho.

Imperador de A Lenda de Zhen Huan｜Uma única fala já cria a cena

Este é um monólogo palaciano original, sem extrair falas da série. Usa a cena de pousar a xícara de chá e hesitar em falar, abrindo espaço para a sensação de status e as entrelinhas do personagem.

Não é preciso servir mais chá; desejo ficar em paz por um momento. Tudo o que você disse há pouco, eu guardei. Mas os assuntos deste palácio: o que se ouve não é necessariamente verdade, e o que se vê tampouco é necessariamente o quadro completo.

Uma Musume｜Procure na direção da energia

Escolhe a cena de correr mais uma volta antes do fim do treino, usando pedido, persistência e expectativa para conduzir as falas. Se quiser encontrar uma expressão de personagem mais vibrante, pode começar por essa direção de texto, em vez de apenas procurar por “voz feminina doce”.

Treinador, o vento de hoje está perfeito! Na última volta, quero tentar mais uma vez. Mesmo que eu ainda esteja um pouco atrás agora, vou alcançar passo a passo. Por favor, veja-me cruzar a linha de chegada!

Anon Chihaya｜Mude de idioma e ouça a sensação de ensaio

Foram escritas para esta voz frases curtas em japonês de ensaio de banda, buscando expressar um sentimento de estar um pouco nervosa, mas ainda querer chamar os companheiros para tentar mais uma vez. Isto não é um teste de pronúncia em chinês, nem uma gravação da obra original.

Ei, no ensaio de hoje, não quer tentar tocar junto só mais uma vez? Acho que com certeza vai soar melhor do que antes. Estou um pouco nervosa, mas com todo mundo, vai dar certo!

Sentido geral em chinês: No treino de hoje, que tal ensaiarmos juntos mais uma vez? Acho que certamente pode ficar melhor do que antes. Embora eu esteja um pouco nervosa, com todos juntos não há problema!

Não é necessário reconhecer o nome para encontrar uma voz de que você goste

As vozes dos personagens são fáceis de lembrar, mas, ao escolher uma dublagem para o próprio vídeo, muitas vezes ainda é preciso voltar a “soa natural ou não” e “cansa ou não depois de ouvir por muito tempo”. Nas próximas opções, você pode ouvir de outro ângulo.

Veterana AD｜Uma fala curta, primeiro ouça o tom

O texto foi pensado como um aviso de liderança em um jogo, querendo um pouco de objetividade e vivacidade, mas sem depender de atacar os outros para sustentar a presença. Frases curtas facilitam sentir o tom; para vídeos longos, ainda é necessário testar a narração contínua separadamente.

Não fique só dizendo que você não consegue, primeiro termine esta partida. Não tem problema se movimentar um pouco mais devagar, mas não deixe seu cérebro cair junto da conexão. Venha, fique perto de mim, vamos jogar esta rodada a sério.

Jialan 3.0｜Como se estivesse contando algo a um amigo

A pequena indecisão de “ter medo, mas ainda querer jogar” é muito adequada para ser escrita como uma conversa entre amigos. Repetições, hesitações e acrescentar uma condição de última hora podem fazer parte do texto falado; não é necessário escrever cada frase como um manual de instruções.

Estou te dizendo, eu realmente não tenho coragem de jogar aquele jogo sozinha. Mas se você me acompanhar, eu acho que talvez também dê. Mas vamos combinar uma coisa: se uma porta fizer barulho, você não pode sair correndo antes de mim!

Estudante universitária｜Biblioteca, jantar e um chá com leite

Este é o nome da voz da comunidade, não uma verificação de identidade. Foi escolhido um trecho comum do cotidiano universitário, deixando o plano de estudos e os pequenos pensamentos que não conseguem evitar se distrair se apertarem na mesma fala, para testar a direção de uma narração mais cotidiana.

Hoje finalmente consegui um lugar perto da janela na biblioteca. O sol está especialmente bonito; não virei nem duas páginas do livro e já comecei a pensar no que vou comer no jantar. Esquece, primeiro vou decorar este capítulo e depois me recompenso com um chá com leite.

Voz feminina suave e agradável｜Não é preciso se apressar para dizer cada frase

Este trecho é uma companhia tranquila, não um incentivo apressado. Se quiser criar histórias para antes de dormir ou narrações relaxantes, você pode testar principalmente frases longas, pausas e finais de frase nessa direção.

Se hoje você estiver um pouco cansado, deixe por enquanto o que está fazendo. O vento lá fora é bem leve, e o chá ainda está morno. Não precisa se apressar para ficar melhor; neste momento, basta respirar devagar.

Ding Zhen｜Falar da paisagem, em vez de recitar um texto de apresentação

Foram escolhidas frases curtas e originais sobre uma paisagem, com montanhas nevadas, orvalho e um pequeno caminho; a direção da expressão é suave e coloquial. Esta é uma demonstração de síntese por IA de um modelo da comunidade com o mesmo nome, não uma fala da própria pessoa, recomendação de viagem ou endosso.

Quando saí de manhã, ainda havia um pouco de neve no topo da montanha, e o orvalho na grama brilhava. Caminhe devagar por este pequeno caminho, não precisa ter pressa; o vento vai trazer os sons distantes.

Cai Xukun｜Uma expressão de voz masculina jovem mais leve

Foi escrito um monólogo fictício em uma sala de ensaio, usando pequenos movimentos e música para levar o tema à atmosfera do palco. Esta não é uma experiência real da pessoa, entrevista ou fala da própria pessoa, sendo usada apenas para demonstração de síntese da voz da comunidade.

As luzes da sala de ensaio ainda estão acesas; quero fazer mais uma vez aquele movimento de agora. Às vezes, o progresso se esconde nessas pequenas coisas. Quando a música começar, toda dedicação terá um eco.

Sun Xiaochuan 258｜Uma direção de conversa um pouco mais casual

Usei ficar acordado até tarde, jogos e comida por delivery que esfriou para escrever um pequeno trecho de autodepreciação; o que se busca é o ritmo de uma conversa descontraída, não uma locução formal. O texto é fictício, não uma experiência ou fala real da própria pessoa.

Eu disse que hoje ia dormir cedo, mas, quando olhei a hora, já era este horário de novo. Não ganhei o jogo, mas a comida por delivery esfriou bem rápido. Certo, primeiro vou comer; depois de encher a barriga, vou descobrir de quem foi o problema agora há pouco.

Quer uma sensação de explicação, uma sensação de história, também há outras opções

Lei Jun｜Falando junto com o público abaixo do palco

Escreva um exercício de explicação com uma pergunta hipotética sobre uma cadeira, tentando uma sensação de comunicação de “primeiro perguntar, depois explicar”. Não envolve qualquer lançamento real de produto, promessa de preço ou desempenho, nem representa as opiniões ou endosso da própria pessoa.

Todos pensem um pouco: numa cadeira, o que é mais importante? Não é o quão complexa ela parece, mas se, no momento em que você se senta depois de um dia atarefado, consegue realmente relaxar. Fazer bem as pequenas coisas também é uma habilidade.

Zheng Xiangzhou｜Explicação comercial mais formal

O texto original vai do objetivo e divisão de trabalho ao resultado, organizando níveis claros para uma explicação formal. Pode ser comparado com trechos de conversa, para sentir a sensação de distância trazida pela mudança no grau de formalidade. O conteúdo não representa as opiniões nem é uma gravação de aula da própria pessoa.

Ao formar uma equipe, não tenha pressa de falar sobre escala. Explique bem o objetivo, coloque a divisão de trabalho em prática e depois deixe cada pessoa saber qual é a relação entre o seu trabalho e o resultado. Ter a mesma direção é mais importante do que a aparente correria.

Narração de documentário｜Dar um pouco mais de peso aos textos de cenários

O nome original do modelo da comunidade é “dublagem da CCTV”. Aqui, “narração de documentário” é usado para descrever a direção da expressão e não indica cooperação ou autorização com a CCTV. Desta vez, é usado um breve texto original sobre uma manhã no vale de um rio, e o foco pode ser a disposição das frases longas.

De manhã cedo, o primeiro raio de sol ultrapassa a crista da montanha, e o vale do rio desperta gradualmente. A água contorna as rochas e também atravessa a aldeia. Aqueles dias aparentemente comuns, em meio a cada um desses sons de água, deixam lentamente suas marcas.

Filme promocional grandioso｜Quando a abertura precisa ser um pouco mais formal

Use as luzes da cidade e a vida das pessoas comuns para escrever frases curtas de abertura, sem adicionar promessas de produto. Esse tipo de expressão não precisa ser usado no vídeo inteiro; pode ser colocado primeiro nas frases iniciais, para ver se não fica excessivo.

Da primeira luz da manhã aos passos que ainda não pararam tarde da noite, a temperatura de uma cidade se esconde no coração de cada pessoa que vive com seriedade. Que o comum seja visto, que todo esforço tenha uma resposta.

Foi escrito um monólogo fictício sobre uma noite chuvosa, uma carta antiga e uma partida, com uma direção de design mais contida, séria e com história. Esse tipo de texto é mais adequado para exercícios de personagem, não sendo necessário forçá-lo em todo tipo de roteiro de narração.

Quando a chuva parou, ele colocou aquela carta de volta no bolso. A luz na esquina ainda estava acesa, mas já não havia ninguém esperando que ele explicasse. Há caminhos que, uma vez que você se vira, só pode percorrer sozinho até o amanhecer.

Depois de ouvir, não decida com pressa; coloque de volta nas suas imagens

O roteiro passa por um rádio em forma de peixe e se transforma em uma fita de papel sonora, enquanto o criador usa fones de ouvido diante da mesa de edição para conferir

A voz de que você gostou na audição, ao ser colocada de volta no seu próprio vídeo, pode ser outra história.

Você pode primeiro deixar dois ou três candidatos, gerar usando o mesmo trecho de roteiro e depois ouvir com o mesmo trecho de imagem. Não compare apenas a primeira frase; ouça também se as frases longas não estão apressadas, se o fim das frases está bem concluído e se, depois de adicionar a música de fundo, continua claro.

Se ainda não estiver certo, primeiro mude o roteiro. Use menos linguagem escrita, divida as frases longas e deixe uma pausa nos pontos de transição. Às vezes, trocar dez vozes não é tão bom quanto transformar uma frase em algo que você realmente diria normalmente.

O Fish oferece mais opções de voz; se no fim é adequado ou não, ainda depende do ouvido. Se conseguir fazer o público esquecer que “este trecho está sendo dublado” e querer continuar ouvindo o conteúdo, já é muito bom.

Se quiser continuar tentando, pode ver a partir daqui

As ilustrações deste artigo são ilustrações conceituais criadas com assistência de IA, e não capturas de tela da interface do produto. Os 20 trechos de áudio são demonstrações de síntese por IA geradas nesta utilização com textos originais e timbres da comunidade Fish; não são gravações da própria pessoa nem da obra original, tampouco representam autorização, participação ou endosso das pessoas, dubladores ou instituições relacionadas. Antes da publicação oficial, conclua a revisão auditiva de cada trecho, a verificação da reprodução no frontend do player e confirme o escopo de autorização das vozes, personagens e exibição de áudio em relação aos usos posteriores.