VYBE Audio Design
O som é metade da qualidade percebida. Uma imagem medíocre com ótimo som parece cara; uma ótima imagem em silêncio parece inacabada.
A produção (geração, recuperação, conexão) é feita por vybe audio — veja
vybe/references/audio-pipeline.md. Esta skill é a direção: o que pedir
e para onde vai. Carregue references/sound-design.md para tabelas de spotting de SFX.
Decida nesta ordem
- É necessária narração? Sim quando o assunto precisa de explicação que a imagem não consegue transmitir (explicativos, documentários, tutoriais) ou o usuário pediu. Não para vinhetas, texto cinético, peças de humor, a maioria dos anúncios com menos de 20s. Padrão: desligado.
- Arco musical. Mapeie a música para a história: introdução (esparsa) → construção (camadas entrando) → pico (na revelação/clímax) → resolução (no CTA/título). Escolha o tempo a partir da edição: calmo 70–95 BPM, confiante 100–115, energético 118–128.
- Spotting de SFX. Marque cada evento visível que mereça peso. Depois remova metade. Deixe espaço para a música.
- Mixagem. Voz no topo, música abaixo, SFX entre — e atenue a música sob a voz.
Voz
| Provedor | Quando | Notas |
|---|---|---|
| HeyGen (Starfish) | melhor qualidade + timestamps nativos de palavras | precisa de login OAuth heygen ou HEYGEN_API_KEY; franquia gratuita via heygen auth login --oauth |
| ElevenLabs | grande catálogo de vozes, vozes de marca | ELEVENLABS_API_KEY; tempos de palavras via transcrição |
| Gemini TTS | fala direcionada com prompts de estilo | escolha explícita apenas; GEMINI_API_KEY |
| Kokoro-82M | gratuito, offline, privado, determinístico | npx hyperframes tts; vozes am_michael, bm_george, am_adam, af_sky, af_heart, bf_emma, af_nova; --speed 0.9–1.15 |
Escrevendo para voz: frases curtas, uma ideia cada, ~150 ppm (2,5 palavras/s), números escritos como falados ("vinte e nove horas"), sem texto na tela lido literalmente. Deixe 0,3s de pausa antes de cada linha e pelo menos 0,5s no final.
Música por clima
| Clima | Caráter | Adequado para |
|---|---|---|
| Orquestral cinematográfico | crescendos, cordas graves, risers, impactos | trailers, espaço, revelações épicas |
| Tecnologia ambiente | pads, pulsos suaves, texturas vítreas | ciência, IA, explicativos |
| Eletrônico futurista | baixo synth, arpejos, 110–125 BPM | cyberpunk, lançamentos, tecnologia |
| Corporativo edificante | piano + bateria leve, maior | negócios, SaaS, onboarding |
| Minimalista | piano/pulso esparso, muito espaço | estilo Apple, luxo |
| Energético | bateria intensa, 120–128 BPM | social, esportes, hype |
| Emocional | menor lento → elevação maior | documentário, histórias, causas |
Formulação da consulta de recuperação: clima + instrumentação + energia + tempo, ex. "orquestra ambiente escura, construção lenta, sem vocais, 70 bpm". Nunca use faixas comerciais protegidas por direitos autorais; o fundo processual do VYBE é a alternativa offline garantida.
Alvos de mixagem
| Camada | Nível |
|---|---|
| Voz | −16 LUFS por linha (normalizado), a camada mais alta |
| Música sob a voz | ≈ −28 a −31 LUFS efetivos (atenue para ~0,28 do fundo) |
| Música sozinha | ≈ −18 LUFS de fundo no volume 0.8 |
| SFX | volume 0.3–0.5; impactos podem atingir pico maior por um quadro |
| Entrega final | −14 LUFS integrado, ≤ −1 dBTP (feito por vybe finalize) |
Regras de sincronia
- SFX aterrissam no quadro do evento visual (impacto no pouso, não na decolagem; whoosh começa ~0,1s antes do movimento atingir o pico; risers terminam exatamente no impacto).
- Corte nas batidas:
npx hyperframes beats→ mova os limites da cena para a grade. - Legendas vêm da transcrição ou timestamps do HeyGen — nunca distribuídas uniformemente.
- Verifique com
npx hyperframes audio --dir composition --at <t>.