Como corrigir a pronúncia da voz clonada na ElevenLabs
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
| 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
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.
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.
- "Criadores IA" saía com uma pausa no meio. Escrito junto, "Criadoresia", saiu certo.
- "skill" eu escrevo "esquiu" no texto da voz.
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
- O que são skills do Claude para vídeo
- Voz para vídeo com IA: grátis ou a sua?
- Volume e chiado: como eu meço o áudio dos meus vídeos
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.