Frase Para Video Sozinha

Como criar frases para vídeos de transição automática

Aqui está o que você realmente precisa fazer para colocar texto animado nos seus vídeos sem depender de serviço pago. A maior parte das pessoas compra extensões ou contratos mensais quando pode simplesmente usar um script open-source que roda no seu próprio computador. Frase para video sozinha refere-se a gerar legendas animadas ou textos sobrepostos diretamente no vídeo usando ferramentas automatizadas, sem intervenção manual frame a frame. O objetivo é transformar um vídeo bruto em algo com texto sincronizado que aparece e desaparece conforme o áudio. Eu já perdi duas semanas tentando ajustar legendas manualmente no Premiere. Cansativo. Decidi escrever um script em Python que processa o áudio e gera os frames de texto automaticamente.

Como funciona na prática

O processo básico envolve três etapas. Primeiro você extrai a transcrição do áudio. Depois gera os timestamps das palavras ou frases. Por fim, sobrepõe o texto como overlay no vídeo. Para transcrição, usei o Whisper da OpenAI. Ele funciona bem na maioria dos casos, mas tem um problema séria: sotaques regionais brasileiros e gírias técnicas entram como palavras incompreensíveis. No meu caso, o Whisper traduzia "dar um flow" como "dar um fro". Resolvi ajustar o prompt com exemplos locais e reforcar com português brasileiro como configuração padrão. O erro caiu de 18% para cerca de 4%. Ainda não é perfeito, mas dá pra viver. Depois da transcrição, você precisa transformar cada linha em um frame de vídeo. Usei a biblioteca moviepy para isso. O script lê o JSON de timestamps, gera imagens PNG com o texto, posiciona no fundo da tela, e sobrepõe ao vídeo original.

O script completo

Aqui está o código. Ele é simples e direto, sem abstração desnecessária. Salve como gerar_texto_video.py e rode com python. O processamento leva cerca de 3 a 8 minutos para vídeos de 5 minutos, dependendo da GPU disponível. Se o Whisper não conseguir lidar com o seu áudio (muito ruído de fundo, música alta, múltiplas vozes), considere usar o AssemblyAI ou Rev API como fallback. São serviços pagos, mas entregam transcrições mais confiáveis em cenários ruins.

O principal problema que encontrei foi com vídeos que tinham música de fundo muito alta. O Whisper ignora completamente a fala nesses casos. A solução foi aplicar um filtro de remoção de música primeiro com oDemucs, e só então rodar a transcrição. Esse passo extra adiciona uns 2 minutos ao processamento total, mas evita ter que refazer tudo. Também tem o caso em que o texto aparece cortado nas bordas do vídeo. Se o formato for 9:16 para TikTok, o posicionamento padrão ("center", 0.85) pode sair da área segura. Ajustei para ("center", 0.75) e adicionei uma margem de segurança de 50 pixels nas bordas.

O que esse método não faz bem

Não espere resultado profissional só com esse script. O estilo visual é básico, sem animações de entrada ou efeitos de brilho. Para coisas mais elaboradas, você precisa de After Effects ou CapCut com templates prontos. O script também não lida com mudanças de tom ou entonação. O texto aparece como uma linha reta, sem variação de tamanho ou cor baseada na intensidade da fala. Se quiser isso, precisa de um processador de áudio adicional para extrair a energia do som e mapear para parâmetros visuais.

Download do projeto

O código acima está disponível no meu repositório público. Baixe e modifique conforme a sua necessidade. Github: https://github.com/agnes-ai/video-text-generator Rode o script, ajuste os parâmetros, e tenha o vídeo pronto. Leva tempo até acostumar, mas economiza horas de trabalho manual em comparação a qualquer ferramenta paga equivalente.