Gerador de vozes para NPCs: narração com IA para NPCs e narradores

A maior parte dos diálogos em um jogo é lida, não ouvida. O guarda tem uma fala, o personagem que entrega a missão tem quatro, o tutorial tem uma dúzia, e todos ficam na tela em silêncio enquanto você discute o ritmo. Ninguém contrata um ator para um texto que será reescrito duas vezes antes da vertical slice.

É essa lacuna que a narração gerada preenche. Você cola a fala, escolhe uma voz e, um segundo depois, já pode ouvir se a fala curta funciona ou se a dica do tutorial tem três palavras a mais. Este guia mostra como usar um gerador de vozes para NPCs em diálogos provisórios: escolher uma voz na biblioteca, entender o que fazem as configurações de Voice stability e Voice closeness, escrever falas curtas, linhas de missões, tutoriais e narrações, levar o clipe para a sua engine e identificar o momento em que você deve parar de gerar e contratar uma sessão. Todos os clipes abaixo foram feitos com o gerador de áudio com IA da Sloyd. Os clipes falam inglês, e a linha em inglês e a voz aparecem ao lado de cada um, para que você possa colar o mesmo texto e obter a mesma gravação.

Narração provisória enquanto o script ainda muda

Uma fala de diálogo tem dois problemas que um documento não consegue mostrar. O primeiro é a duração: na página, uma fala curta parece rápida; em voz alta, ela ultrapassa os três segundos que a animação oferece. O segundo é o tom: "the old mine has gone quiet" soa ameaçador na sua cabeça e entediado na interpretação, a menos que a escrita sustente essa intenção.

A narração gerada transforma os dois problemas em uma verificação de trinta segundos:

• Timing. Reproduza o clipe junto da animação ou do temporizador das legendas e descubra se a fala cabe antes que um ator chegue perto de um estúdio.
• Falas curtas sob pressão. Um grito de combate que você ouve duzentas vezes em um playtest se revela rapidamente. Gere-o, repita a luta e corte os que ficam irritantes.
• Ritmo do tutorial. As instruções faladas competem com aquilo que estão ensinando. Ouvi-las é a única maneira de saber se o jogador tem espaço para agir.
• Percepção da cena. Entregue um build com voz provisória a um playtester e ele reage à cena. Entregue um build com legendas silenciosas e ele reage às legendas.

Trate o resultado como áudio provisório, com o mesmo status da arte de nível em grey-box ou de um objeto placeholder de texto para 3D: bom o suficiente para ajudar na decisão, mas não algo que você colocaria em um trailer. Se você já usa imagem para 3D para concept art e texto para imagem para referências, o diálogo provisório vem da mesma conta, sem uma nova assinatura, e o caso de uso para desenvolvimento de jogos mostra todo o fluxo.

Usando um gerador de vozes para NPCs: a biblioteca e duas configurações

A parte de fala do Sloyd Audio é composta por uma biblioteca de vozes, uma caixa de texto e dois controles deslizantes. Essa é toda a interface para diálogos, e é nesses dois controles que o personagem ganha forma.

Escolha a voz primeiro

O seletor de vozes lista as vozes disponíveis no aplicativo. Cada linha tem um botão de prévia, para que você possa ouvir uma voz antes de gastar uma geração, e um coração que fixa as favoritas no topo da lista — algo importante depois que você define quatro vozes para o elenco e não quer passar pelas demais ao rolar a lista.

Há duas coisas que você precisa saber sobre a biblioteca. Você escolhe entre as vozes disponíveis nela: a Sloyd não clona vozes, então não é possível enviar uma gravação de uma pessoa e obter a voz dela de volta. Além disso, o modelo de fala é multilíngue, então uma voz consegue ler falas em outros idiomas além do inglês, o que é útil quando um build localizado também precisa de áudio provisório.

Um conselho de escalação que continua válido quando entra em contato com um protótipo: um gerador de vozes para jogos só é tão bom quanto o elenco que você monta com ele. Por isso, dê a cada papel recorrente de NPC sua própria voz e inclua o papel nos nomes dos arquivos desde o primeiro clipe. Quatro vozes aplicadas de forma consistente soam como um elenco. Oito vozes espalhadas aleatoriamente parecem um bug.

Voice stability: consistência ou expressividade

O controle Voice stability vai de 0 a 1 e vem definido como 0,50, que o controle recolhido mostra como 50% e o controle aberto mostra como 0,50. A dica dentro do aplicativo descreve isso de forma precisa: valores mais baixos permitem uma interpretação mais expressiva; valores mais altos tornam a interpretação mais consistente.

Na prática:

• Estabilidade mais baixa para falas que precisam ser interpretadas. Gritos, pânico, um vilão se divertindo. Espere mais variação entre as gravações, o que não é um problema quando você vai escolher apenas uma.
• Estabilidade mais alta para falas que precisam ser neutras. Tutoriais, menus, mensagens do sistema e qualquer coisa que o jogador ouça repetidamente e deva deixar de perceber.
• Falas curtas ficam no meio-termo. Muito neutras, e a luta parece robótica; soltas demais, e uma em cada quatro gravações fica estranha.

Voice closeness: semelhança versus naturalidade

O controle Voice closeness também vai de 0 a 1 e vem definido como 0,75, que o controle recolhido mostra como 75%. A dica explica a troca: ele controla o quanto a interpretação segue de perto a voz escolhida; valores mais altos aumentam a semelhança, mas podem reduzir a naturalidade.

Deixe-o próximo do padrão enquanto você estiver escolhendo o elenco, porque é nesse ponto que uma voz ainda soa como ela mesma. Aumente-o quando as falas de um personagem tiverem sido geradas em várias sessões e você precisar que combinem. Diminua-o quando uma fala parecer rígida e você se importar mais com ela soar como uma pessoa do que com combinar exatamente com a prévia.

Altere um controle por vez e gere a mesma fala duas vezes. Duas gravações de uma fala ensinam mais sobre uma configuração do que uma gravação de duas falas diferentes.

Escrevendo falas curtas, linhas de missões, tutoriais e narrações

Cada geração aceita até 5.000 caracteres de texto, o que corresponde aproximadamente a 800 palavras ou vários minutos de fala. Esse número influencia mais a forma como você divide um script do que limita o que pode escrever.

A divisão útil é um clipe por coisa que a engine aciona:

• Uma linha, um clipe, para qualquer coisa com um gatilho: falas curtas, saudações e confirmações. A engine precisa acioná-las de forma independente.
• Uma cena, um clipe, para uma narração que toca do começo ao fim sobre uma cutscene ou uma tela de carregamento.
• Nunca um clipe por personagem. Colar uma cadeia inteira de missões em uma única geração produz um único MP3 que você terá de cortar manualmente em um editor.

A pontuação é sua única direção. Um ponto final é uma pausa, uma vírgula é uma pausa mais curta e reticências são uma pausa prolongada. Escreva por extenso o que precisa ser ouvido corretamente: escreva "fifty gold" em vez de "50g" e escreva um nome da forma como ele soa se a grafia puder induzir a uma pronúncia errada. Instruções de interpretação não funcionam, porque o modelo lê o que você fornece: [angrily] será falado como uma palavra. Se você precisa de raiva, escreva uma frase raivosa e reduza a estabilidade.

Falas curtas: rápidas, repetidas e em grande volume

Linha (inglês): "You picked the wrong road, stranger. Drop the coin and walk away.", voz George, estabilidade 0,50, proximidade 0,75.

Mantenha as falas curtas abaixo de aproximadamente três segundos e escreva quatro ou cinco para cada situação. A variedade impede que uma luta pareça um loop e, como cada linha é um clipe separado, a engine pode escolher uma aleatoriamente.

Mercadores e saudações: as falas que estabelecem um lugar

Linha (inglês): "Fresh steel, fair prices. Everything must go before the frost sets in.", voz River, estabilidade 0,50, proximidade 0,75.

O diálogo ambiente transmite o cenário de forma barata. Uma linha sobre o clima ou a colheita conta mais ao jogador sobre uma cidade do que um parágrafo de história em um menu. Combine-a com uma base de multidão da mesma página de Audio, como explica o guia sobre como criar efeitos sonoros para jogos com IA.

Tutoriais e dicas: clareza acima de personalidade

Linha (inglês): "Raise your shield to block, then strike while their guard is open.", voz River, estabilidade 0,50, proximidade 0,75.

Uma instrução por clipe, comece pelo verbo e não faça piadas. Aumente a estabilidade para que as dicas repetidas permaneçam idênticas e mantenha cada uma curta o suficiente para que o jogador possa agir enquanto ela ainda está sendo reproduzida.

Narração: as linhas mais longas que você vai gerar

Linha (inglês): "Long before the towers fell, this valley answered to no king.", voz George, estabilidade 0,50, proximidade 0,75.

Um gerador de vozes para narradores mostra seu valor em introduções, cards de capítulos, entradas de códice e telas de carregamento, onde o texto muda constantemente e ainda não há nada animado de acordo com ele. Escreva a narração em frases curtas, com as pausas marcadas pela pontuação, gere um parágrafo por vez em vez de um prólogo inteiro e mantenha cada parágrafo como um clipe próprio, para que uma reescrita custe uma geração.

Esse mesmo trabalho existe fora dos jogos. Tutoriais de lojas e explicações de produtos precisam da mesma narração provisória enquanto o script se define — essa é a versão para e-commerce desse fluxo.

O fluxo: escrever o script, gerar e importar

São quatro etapas, e a primeira é a única que exige julgamento.

1. Escreva o script. Mantenha os diálogos em uma única planilha, com uma coluna para a fala, o personagem, o gatilho e o nome do arquivo, por exemplo vo_guard_bark_01. É a planilha que você usará para gerar novamente os arquivos depois de uma reescrita.
2. Gere. Cole a fala, escolha a voz do personagem, defina os controles de acordo com a função da fala e gere. Cada clipe aparece em My Activity, então a gravação de que você gostou ontem continuará lá.
3. Baixe. Cada clipe é baixado como um único MP3. Esse é o único formato que o Sloyd Audio entrega e é o arquivo que entra na engine.
4. Importe. Coloque o arquivo no projeto, conecte-o ao gatilho e reproduza a cena.

Duas observações práticas. Mantenha os nomes de arquivo da planilha, porque a narração se acumula mais rápido do que os efeitos sonoros e cem clipes chamados tts_output significam um dia perdido. Além disso, corte o silêncio no início e no fim de uma fala curta em um editor gratuito como o Audacity antes de conectá-la, pois um quarto de segundo de introdução parece um atraso quando a fala é acionada por um golpe.

Montando um trailer para o build? O Sloyd Video Studio renderiza clipes de 5 a 15 segundos, com Extend para continuar uma tomada, e renders com movimento de câmera de um modelo 3D duram de 1 a 10 segundos. Coloque sua própria narração sob a edição.

Quando substituir por uma narração gravada

A narração com IA é uma ferramenta de prototipagem, não um elenco. A decisão de substituir as vozes depende do que a fala precisa transmitir.

Contrate um ator para:

• Protagonistas e qualquer personagem com um arco. Uma interpretação que precisa mudar ao longo de vinte horas é uma interpretação, não uma configuração.
• Momentos emocionais importantes. A cena usada no trailer, a morte, a traição. Esses momentos dependem da respiração e do timing.
• Comédia. O timing é a piada, e o timing é exatamente o que você não consegue dirigir em uma caixa de texto.
• Qualquer coisa da qual dependa um momento de marketing. Se a fala aparece em um trailer ou em uma página da loja, vale a pena fazer uma sessão.

Mantenha os clipes gerados para:

• Falas curtas e falas de multidão, nas quais o volume importa mais do que a nuance.
• Voz do sistema e do tutorial, que deve ser neutra de qualquer forma.
• Áudio provisório localizado, para que um build em outro idioma possa ser testado antes de você financiar um segundo elenco.
• Tudo que ainda está sendo reescrito, ou seja, a maior parte do script até a etapa final.

Duas coisas precisam estar resolvidas antes de você lançar qualquer voz gerada: verifique os termos de licenciamento aplicáveis à voz usada em um lançamento comercial e informe aos playtesters quais áudios são provisórios, para que o feedback recebido seja sobre a escrita, e não sobre a interpretação. Se você está avaliando ferramentas em vez de fluxos de trabalho, nosso comparativo de alternativas ao ElevenLabs para áudio de jogos coloca as opções lado a lado.

Perguntas frequentes

Qual pode ser a duração de uma linha gerada?

Até 5.000 caracteres de texto por geração, aproximadamente 800 palavras. Isso é muito mais do que qualquer fala curta precisa, então a regra prática é um gatilho por clipe: uma fala curta ou uma saudação é seu próprio arquivo, e a narração é dividida por parágrafo, para que uma reescrita custe uma geração em vez de exigir um novo corte.

O que as configurações de Voice stability e Voice closeness alteram?

Voice stability, definida como 0,50 por padrão (50% no controle recolhido), troca expressividade por consistência: valores mais baixos permitem uma interpretação mais expressiva; valores mais altos tornam a interpretação mais consistente. Voice closeness, definida como 0,75 por padrão (75%), controla o quanto o resultado segue de perto a voz escolhida; valores mais altos aumentam a semelhança, mas podem reduzir a naturalidade. Gere a mesma fala duas vezes quando alterar uma delas.

Em qual formato os clipes são baixados?

MP3, um arquivo por clipe, salvo em My Activity e disponível para download por lá. Unity, Godot e Roblox Studio importam esse arquivo como está. Para Unreal, ou para obter um master sem perdas, converta primeiro o MP3 para WAV de 16 bits no Audacity ou na sua DAW.

É possível clonar a voz de um ator real?

Não. A biblioteca contém apenas vozes disponíveis, e a Sloyd não clona vozes. Portanto, não é possível enviar uma gravação de uma pessoa e gerar falas com a voz dela. Para escalar um intérprete real, é preciso gravar uma sessão real.

Também é possível gerar uma trilha sonora?

Não. O Sloyd Audio cobre fala e efeitos sonoros, não música. Portanto, a trilha continua sendo responsabilidade de um compositor ou de uma ferramenta dedicada a música.

Preciso de um plano pago para gerar narração?

Sim. A geração e os downloads de áudio exigem Sloyd Plus ou Sloyd Pro. Compare os planos na página de preços.

Comece pelas vinte linhas que você mais ouve

Escolha os diálogos que um playtest realmente revela: quatro falas curtas de combate, duas saudações, quatro dicas de tutorial, uma fala de morte, algumas falas de mercadores e uma introdução de narrador. Dê uma voz a cada personagem recorrente, nomeie os arquivos a partir da sua planilha de diálogos e você terá um protótipo com vozes em uma tarde, em vez de precisar organizar uma rodada de escalação.

Gere suas primeiras falas de NPC no Sloyd Audio usando as deste post e depois combine as vozes com os personagens aos quais elas pertencem usando texto para 3D.