Vídeos de demonstração com locução via ElevenLabs

O que Vídeos de demonstração com locução via ElevenLabs faz?

Uma receita repetível para transformar um aplicativo web em execução em um vídeo de demonstração polido e narrado em MP4. Um script Node.js autocontido por demonstração faz tudo: sintetiza a locução, grava em tela um tour coreografado do aplicativo e combina a voz e a música sobre as imagens. Sem editor de vídeo, sem ajuste manual de tempo.

O pipeline

ElevenLabs TTS ──► arquivo .wav de narração por linha (em cache)
                                   │
Playwright  ──► grava um tour roteirizado com rolagem/cliques do aplicativo ao vivo (.webm)
                                   │
ffmpeg      ──► corta o trecho inicial de carregamento, posiciona cada linha de narração no seu ponto
               de cena, gera uma faixa de música ambiente, reduz o volume da música sob a voz
               (compressão sidechain), codifica o MP4 final

A ideia central: cada cena dura exatamente o tempo da sua linha de narração, então a voz sempre cai no quadro correto sem sincronização manual.

Pré-requisitos

• Node 18+ e npm i -D playwright (usa o Chrome instalado via channel: "chrome", ou substitua pelo chromium incluso).
• ffmpeg e ffprobe no PATH.
• Uma chave de API do ElevenLabs com permissão de texto-para-fala (as chaves mais baratas geralmente não têm user_read, então não dependa do endpoint de cota — apenas tente o TTS).
• O aplicativo rodando localmente (ex.: npm run dev na porta :3000); use BASE_URL para sobrescrever.

Armazene a chave fora do git (ex.: um arquivo demo/.eleven.key ignorado pelo git). Os arquivos MP4 gerados são grandes — ignore-os no git e distribua via compartilhamento (Drive, etc.), não pelo repositório.

Como usar

1. Um script por demonstração. Copie o modelo abaixo para demo/build-<nome>.mjs. Cada script é independente e escreve seus arquivos temporários em demo/<nome>-work/.
2. Escreva a narração como o array LINES — literalmente, uma entrada por cena. Busque ~2,3 palavras/segundo ao estimar o tempo.
3. Coreografe as cenas no array actions — uma entrada por linha, na mesma ordem. Uma função assíncrona simples compõe um quadro estático; um objeto {action, hold} compõe o quadro (action) e então faz panorâmica/cliques enquanto a narração toca (hold).
4. Execute em PRIMEIRO PLANO para qualquer demonstração que interaja com o aplicativo (cliques, preenchimento de formulários, mudanças de identidade/rota): node demo/build-<nome>.mjs. Tours estáticos com apenas rolagem podem ser executados em segundo plano, mas os interativos geralmente não conseguem acessar o servidor de desenvolvimento nem controlar inputs de um sandbox em segundo plano — portanto, na dúvida, execute em primeiro plano.
5. Regrave após mudanças na interface. Os seletores estão acoplados ao DOM; uma reformulação visual os quebrará. Reexecute o script afetado e verifique um quadro (ffmpeg -ss <t> -i out.mp4 -frames:v 1 frame.jpg).

Lições que economizam horas

• Cache de narração por índice. Cada linha é l<i>.wav; reutilize-o se presente para que regravações não gastem créditos. Para alterar uma linha, edite LINES[i] e delete aquele l<i>.wav. Se você inserir uma linha no meio da lista, desloque os arquivos wav em cache para cima (mv l7.wav l8.wav; mv l6.wav l7.wav; …) para que apenas a nova linha seja sintetizada — o loop faz cache por índice e não verifica o texto.
• Resiliência de cota. Se qualquer chamada TTS falhar, recai para apenas imagens + música e estima a duração de cada linha a partir da contagem de palavras, para que a construção sempre produza um MP4.
• Corte o início de carregamento. Grave a navegação/semeadura/hidratação, marque contentStart assim que o primeiro quadro estiver estável e use -ss contentStart para cortar o início do vídeo, de forma que ele abra em um quadro tranquilo. As marcações de narração são ajustadas por contentStart na hora da mixagem.
• Hold = máximo(narração, panorâmica). Para holds ativos, preencha pelo menos o comprimento da linha para que a voz nunca seja cortada; se a interação demorar mais, deixe-a continuar.
• Grave com nitidez. Use um viewport grande (ex.: 1920×1200) e aplique document.documentElement.style.zoom (ex.: 1,5) via script de inicialização, para que a matemática do layout permaneça no tamanho de design, mas o quadro seja renderizado com mais resolução.
• Elimine rolagem travada. Overlays fixos de viewport inteiro com mix-blend-* (granulado de filme, gradientes) forçam uma recomposição completa a cada quadro de rolagem. Esconda-os durante a gravação: page.addStyleTag({content: ".grain{display:none!important}"}). Esconda também qualquer CTA/rodapé sempre visível que não queira no quadro.
• Controle inputs controlados de forma robusta. Um <select> controlado pelo React ignora um simples selectOption. Defina-o com o setter nativo + um evento change que borbulhe, e repita até que um localizador de confirmação apareça:

  const setter = Object.getOwnPropertyDescriptor(HTMLSelectElement.prototype, "value").set;
  setter.call(el, value); el.dispatchEvent(new Event("change", { bubbles: true }));
  

• Combine aspas tipográficas nos seletores. Se os títulos renderizam aspas curvas (', ', "), uma regex com aspas retas ' não corresponderá. Use . para o apóstrofo: /Tell us who you.re looking for/i.
• Localize perguntas/campos pelo rótulo e depois aja dentro do bloco. Robusto a mudanças de layout: page.locator("label", { hasText: q }).first().locator("xpath=..") e depois .getByRole("radio"/"checkbox", { name }) dentro dele.
• Música de fundo + redução de volume. Sintetize um pad ambiente em loop a partir de ondas senoidais de acordes com ffmpeg aevalsrc, depois use sidechaincompress para reduzir o volume da música sob a narração, de modo que a voz sempre seja lida claramente. Mantenha a música em ~0.4 e deixe o compressor reduzi-la.

Modelo (demo/build-<nome>.mjs)

import { chromium } from "playwright";
import fs from "node:fs";
import path from "node:path";
import { execFileSync } from "node:child_process";

const DIR = path.resolve("demo");
const WORK = path.join(DIR, "nome-work");
fs.mkdirSync(WORK, { recursive: true });
const KEY = fs.readFileSync(path.join(DIR, ".eleven.key"), "utf8").trim();
const BASE = process.env.BASE_URL || "http://localhost:3000";
const OUT = path.join(DIR, "nome.mp4");
const W = 1920, H = 1200, ZOOM = 1.5;

const sh = (c, a) => execFileSync(c, a, { stdio: ["ignore", "pipe", "pipe"] }).toString();
const probe = (f) => parseFloat(sh("ffprobe", ["-v","error","-show_entries","format=duration","-of","default=noprint_wrappers=1:nokey=1", f]).trim());
const sleep = (ms) => new Promise((r) => setTimeout(r, ms));

// 1 linha por cena, em ordem de cena.
const LINES = [
  "Linha de abertura — o gancho, falado sobre o primeiro quadro estabilizado.",
  "Segunda linha — narre enquanto a câmera faz panorâmica pela próxima seção.",
  "Linha de encerramento — uma despedida calma.",
];
const TAILS = LINES.map(() => 1.4); // espaço de respiro após cada linha

// ── ElevenLabs ──────────────────────────────────────────────────────────────
async function voiceId() {
  const r = await fetch("https://api.elevenlabs.io/v1/voices", { headers: { "xi-api-key": KEY } });
  const { voices } = await r.json();
  return (voices.find((v) => v.name.toLowerCase().startsWith("jessica")) || voices[0]).voice_id;
}
async function tts(id, text, out) {
  const r = await fetch(`https://api.elevenlabs.io/v1/text-to-speech/${id}?output_format=mp3_44100_128`, {
    method: "POST", headers: { "xi-api-key": KEY, "content-type": "application/json" },
    body: JSON.stringify({ text, model_id: "eleven_multilingual_v2",
      voice_settings: { stability: 0.55, similarity_boost: 0.8, style: 0, use_speaker_boost: true } }),
  });
  if (!r.ok) throw new Error(`tts ${r.status} ${await r.text()}`);
  fs.writeFileSync(out, Buffer.from(await r.arrayBuffer()));
}

// ── Música ambiente (pad Am–F–C–G) ────────────────────────────────────────
function buildMusic(total, out) {
  const chords = [[220,261.63,329.63],[174.61,220,261.63],[261.63,329.63,392],[196,246.94,293.66]];
  const CH = 6;
  const files = chords.map((freqs, i) => {
    const expr = freqs.map((f) => `0.17*sin(2*PI*${f}*t)`).join("+");
    const f = path.join(WORK, `chord${i}.wav`);
    sh("ffmpeg", ["-y","-f","lavfi","-i",`aevalsrc=${expr}:duration=${CH}:sample_rate=44100`,
      "-af", `afade=t=in:d=1.4,afade=t=out:st=${CH-1.4}:d=1.4`, f]);
    return f;
  });
  const list = path.join(WORK, "chords.txt");
  fs.writeFileSync(list, files.map((f) => `file '${f}'`).join("\n"));
  const loop = path.join(WORK, "loop.wav");
  sh("ffmpeg", ["-y","-f","concat","-safe","0","-i",list,"-c","copy", loop]);
  const loops = Math.ceil(total / (chords.length * CH)) + 1;
  sh("ffmpeg", ["-y","-stream_loop",String(loops),"-i",loop,"-af",
    ["aecho=0.8:0.88:70|130:0.25|0.18","lowpass=f=2200","tremolo=f=0.12:d=0.25",
     "aformat=channel_layouts=stereo","afade=t=in:d=0.5",
     `afade=t=out:st=${Math.max(0,total-3)}:d=3`,`atrim=0:${total}`].join(","), out]);
}

// ── Auxiliares de coreografia ────────────────────────────────────────────
async function smoothTo(page, y, ms) {
  await page.evaluate(({ y, ms }) => new Promise((res) => {
    const s = window.scrollY, d = y - s, t0 = performance.now();
    const e = (t) => (t < 0.5 ? 2*t*t : -1 + (4-2*t)*t);
    const f = (n) => { const p = Math.min(1, (n-t0)/ms); window.scrollTo(0, s + d*e(p)); p < 1 ? requestAnimationFrame(f) : res(); };
    requestAnimationFrame(f);
  }), { y, ms });
}
async function scrollToText(page, text, ms = 1500, offset = 150) {
  const y = await page.evaluate(({ text, offset }) => {
    const all = [...document.querySelectorAll("h1,h2,h3,h4,p,span,button,a,li")].filter((e) => e.getClientRects().length);
    let el = all.find((e) => (e.textContent || "").trim() === text)
          || all.filter((e) => (e.textContent || "").includes(text)).sort((a,b)=>a.textContent.length-b.textContent.length)[0];
    return el ? el.getBoundingClientRect().top + window.scrollY - offset : null;
  }, { text, offset });
  if (y != null) await smoothTo(page, Math.max(0, y), ms);
}

// ── 1) sintetizar narração (em cache), medir durações ─────────────────────
const clips = []; let vid = null, narrationOk = true;
for (let i = 0; i < LINES.length; i++) {
  const mp3 = path.join(WORK, `l${i}.mp3`), wav = path.join(WORK, `l${i}.wav`);
  if (fs.existsSync(wav)) { clips.push({ wav, dur: probe(wav) }); continue; }
  try {
    if (!vid) vid = await voiceId();
    await tts(vid, LINES[i], mp3);
    sh("ffmpeg", ["-y","-i",mp3,"-ar","44100","-ac","2", wav]);
    clips.push({ wav, dur: probe(wav) });
  } catch (e) {
    narrationOk = false;
    clips.push({ wav: null, dur: LINES[i].trim().split(/\s+/).length / 2.3 });
  }
}

// ── 2) gravar, segurando cada quadro por sua linha ────────────────────────────
const browser = await chromium.launch({ channel: "chrome", headless: true });
const context = await browser.newContext({ viewport: { width: W, height: H }, recordVideo: { dir: WORK, size: { width: W, height: H } } });
await context.addInitScript((z) => {
  const apply = () => { try { document.documentElement.style.zoom = String(z); } catch {} };
  apply(); document.addEventListener("DOMContentLoaded", apply);
}, ZOOM);
const page = await context.newPage();
page.setDefaultTimeout(20000);
const video = page.video();
const t0 = Date.now();

await page.goto(`${BASE}/`, { waitUntil: "domcontentloaded" });
await page.evaluate(() => (document.fonts ? document.fonts.ready : null));
await page.addStyleTag({ content: ".grain{display:none !important}" }); // esconder overlays com blend
await sleep(1500);
const contentStart = (Date.now() - t0) / 1000; // cortar tudo antes disso

const actions = [
  async () => { await sleep(300); },                                  // gancho estático
  { action: async () => { await scrollToText(page, "Algum Título"); await sleep(300); },
    hold:   async () => { await smoothTo(page, 1600, Math.max(4000, clips[1].dur*1000)); } }, // panorâmica durante a linha
  async () => { await smoothTo(page, 0, 2500); await sleep(500); },   // encerramento
];

const cues = [];
for (let i = 0; i < actions.length; i++) {
  const sc = actions[i];
  const act = typeof sc === "function" ? sc : sc.action;
  const hold = typeof sc === "function" ? null : sc.hold;
  await act();
  cues.push((Date.now() - t0) / 1000);
  if (hold) {
    const start = Date.now();
    await hold();
    const min = clips[i].dur + TAILS[i], elapsed = (Date.now() - start) / 1000;
    if (elapsed < min) await sleep((min - elapsed) * 1000);
  } else {
    await sleep((clips[i].dur + TAILS[i]) * 1000);
  }
}
await sleep(400);
await context.close();
await browser.close();

// ── 3) mixar: cortar início, colocar narração nos pontos, reduzir volume da música ──
const raw = await video.path();
const outDur = probe(raw) - contentStart;
const music = path.join(WORK, "music.wav");
buildMusic(outDur, music);

if (!narrationOk) {
  sh("ffmpeg", ["-y","-ss",String(contentStart),"-i",raw,"-i",music,
    "-filter_complex","[1:a]volume=0.7[a]","-map","0:v","-map","[a]",
    "-c:v","libx264","-preset","medium","-crf","18","-pix_fmt","yuv420p",
    "-c:a","aac","-b:a","192k","-movflags","+faststart","-t",String(outDur), OUT]);
} else {
  const lead = 0.35, narr = path.join(WORK, "narration.wav");
  const inputs = clips.flatMap((c) => ["-i", c.wav]);
  const fc =
    clips.map((c, i) => { const at = Math.max(0, Math.round((cues[i]-contentStart+lead)*1000)); return `[${i}:a]adelay=${at}|${at}[d${i}]`; }).join(";") +
    ";" + clips.map((_, i) => `[d${i}]`).join("") +
    `amix=inputs=${clips.length}:normalize=0:dropout_transition=0[mix];[mix]apad=whole_dur=${outDur},volume=1.25[a]`;
  sh("ffmpeg", ["-y", ...inputs, "-filter_complex", fc, "-map","[a]", narr]);
  sh("ffmpeg", ["-y","-ss",String(contentStart),"-i",raw,"-i",music,"-i",narr,
    "-filter_complex",[
      "[1:a]volume=0.42[m]","[2:a]asplit=2[k][n]",
      "[m][k]sidechaincompress=threshold=0.035:ratio=9:attack=15:release=350[md]",
      "[md][n]amix=inputs=2:normalize=0:duration=longest[a]",
    ].join(";"),
    "-map","0:v","-map","[a]",
    "-c:v","libx264","-preset","medium","-crf","18","-pix_fmt","yuv420p",
    "-c:a","aac","-b:a","192k","-movflags","+faststart","-t",String(outDur), OUT]);
}
console.log(`PRONTO: ${OUT}  (${outDur.toFixed(1)}s)`);

Adaptando

• Nova voz: altere o filtro de nome em voiceId(), ou codifique um voice_id diretamente.
• Tours interativos: adicione auxiliares como answerChoice/clickTab que se limitam a um bloco por rótulo, repetindo até que um localizador de confirmação apareça.
• Múltiplas páginas/rotas: insira navegações no array actions, cada uma com seu próprio await page.goto(...).
• Durações de linha variáveis: ajuste o array TAILS por cena, ou remova-o e use um valor global.
• Sem música: remova buildMusic e as etapas de mixagem de música, mantendo apenas a narração.
• Locução multilíngue: o modelo eleven_multilingual_v2 suporta vários idiomas; apenas forneça o texto no idioma desejado.