Guias Criadores IA

Como corrigir a pronúncia da voz clonada na ElevenLabs

Por Matheus Celtic · atualizado em

Resposta curta: eu transcrevo o áudio gerado e comparo a transcrição com o roteiro. Onde o texto não bate, eu ouço só aquele trecho. Se a palavra saiu errada, regravo só aquela fala com uma grafia que a voz leia certo e troco o áudio. Regravar 3 falas custou 129 créditos. A narração inteira do mesmo vídeo custou mais de 2.400.

O problema

Eu narro os meus vídeos longos com a minha voz clonada na ElevenLabs. Ela soa como eu, mas lê algumas palavras do jeito dela. Nome próprio, palavra em inglês e sigla são as que mais erram.

Ouvir 8 minutos de narração procurando erro é lento, e depois da terceira vez o ouvido cansa. E um erro de pronúncia no nome do próprio produto pega mal.

As palavras que erraram nos meus vídeos

Tabela com cinco palavras do roteiro, o que a transcrição ouviu e o que foi feito: Claude ouvido como Cloud, Criadores IA separado, skill e personagem
O que saiu diferente do roteiro em 3 vídeos, e o que eu fiz com cada caso.
No roteiro O que a transcrição ouviu O que eu fiz
Claude "Cloud", em 9 falas Ouvi os trechos. Soava bem, ficou como estava
Claude, em outra fala "clode" Regravei só essa fala
Criadores IA o nome separado em dois Regravei escrito junto, "Criadoresia"
skill conferida de ouvido Uso a grafia falada "esquiu", que aprovei ouvindo
personagem "personagens" Ouvi o trecho. Soava bem, ficou

Fonte: registro de produção de 3 vídeos do canal @celticmatheus1, de 18 a 20/11/2026.

A primeira linha ensina uma coisa. A transcrição ouviu "Cloud" em 9 falas, e mesmo assim o áudio estava bom. A transcrição automática também erra. Ela aponta onde olhar. Quem decide é o ouvido.

O passo a passo

Diagrama com cinco passos: gerar a voz, transcrever o áudio, comparar com o roteiro, ouvir só os trechos suspeitos e regravar só a fala errada
Os 5 passos. O último é o único que gasta crédito de novo.

1. Gerar a voz com o roteiro aprovado. Eu gero a narração em blocos de falas, nunca o vídeo inteiro num pedido só. Assim eu sei o tempo de cada fala, e qualquer uma pode ser trocada depois.

2. Transcrever o áudio gerado. Uso o Whisper, que roda no meu PC de graça, e guardo o tempo de cada palavra.

3. Comparar a transcrição com o roteiro. Um script marca toda palavra que saiu diferente. Num vídeo de 7:45, a primeira conferência deu 53 marcas.

4. Ouvir só os trechos suspeitos. Quase todas as marcas são alarme falso: números por extenso e siglas que a transcrição escreve de outro jeito. Das 53 marcas, eu precisei ouvir 5 trechos. O script corta cada trecho num arquivo curto, só com a fala suspeita.

5. Regravar só a fala errada. Reescrevo a palavra de um jeito que a voz leia certo, gero só aquela fala e troco no áudio. Quando a fala nova tem a mesma duração, o vídeo nem precisa de render.

Gráfico de barras com as marcas da conferência automática e as suspeitas ouvidas: 53 marcas e 5 suspeitas na primeira versão, 46 e 5 na segunda
Duas versões da narração do mesmo vídeo. A conferência marca muito e sobra pouco para ouvir.

A grafia falada

A correção que mais funciona é escrever a palavra como ela soa. A voz lê o que está escrito. Então eu mudo o texto que vai para a voz, e só ele.

O roteiro, a legenda e a tela continuam com a grafia normal. Só o texto enviado para a voz muda. Eu guardo essas trocas numa lista e aplico em todo vídeo novo.

Quanto custa corrigir

Nos três vídeos de 20/11, eu regravei 3 falas com o nome "Criadores IA". Custou 129 créditos. No vídeo sobre a regra do YouTube, a narração de 5.475 caracteres custou 2.431 créditos, e corrigir uma fala custou 36.

Gerar a narração inteira de novo por causa de uma palavra custaria quase 20 vezes mais que as 3 falas. Por isso eu troco só a fala.

A conta completa de um vídeo está no guia de quanto custa um vídeo longo de 8 minutos.

O que a conferência automática não pega

Ela compara palavras. Ela não julga sotaque, entonação nem emoção. Uma frase pode estar com todas as palavras certas e soar estranha. Por isso, depois da conferência, eu ainda ouço o vídeo pronto uma vez, inteiro.

A transcrição também não pega estalo nem fim de fala cortado. Isso eu meço de outro jeito, como conto no guia sobre volume e chiado no áudio.

A comparação entre voz grátis e voz clonada está no guia de voz para vídeo com IA. Os outros guias de ferramentas estão no guia de skills do Claude para vídeo.

Perguntas frequentes

Como fazer a ElevenLabs falar uma palavra do jeito certo? Eu escrevo a palavra como ela soa no texto que vai para a voz. "Criadores IA" saiu certo quando escrevi junto. O roteiro e a legenda ficam com a grafia normal.

Preciso gerar a narração inteira de novo para corrigir uma palavra? Não. Eu gero só a fala errada e troco o áudio. Três falas custaram 129 créditos, contra mais de 2.400 da narração inteira.

Como achar erro de pronúncia sem ouvir tudo? Transcrevo o áudio gerado e comparo com o roteiro. Num vídeo de 7:45, isso deu 53 marcas, e só 5 trechos precisaram ser ouvidos.

A transcrição automática acerta sempre? Não. Ela ouviu "Cloud" em 9 falas em que o áudio estava bom. Ela serve para apontar o trecho, e a decisão eu tomo ouvindo.

Leia também

Foto de Matheus Celtic

Matheus Celtic: criador da Criadores IA. Ensino a criar animações e vídeos para o YouTube com IA, usando o Claude. YouTube · GitHub · X
Por Matheus Celtic, criador da Criadores IA. Registro de produção de 3 vídeos do canal @celticmatheus1, de 18 a 20/11/2026, com a voz clonada no modelo eleven_v4. Atualizado em 22/11/2026.