Gerador de vídeo com áudio: o som nativo do MiniMax H3

Existe um momento que todo fluxo de vídeo com IA alcança: o clipe está ótimo, e está completamente mudo. Então você vai atrás de uma trilha, de uma ferramenta de TTS para a locução, de algo para os efeitos sonoros — e descobre a parte difícil, que é que uma voz gravada por cima de um vídeo nunca pertence de verdade a ele. O tom da sala está errado, a boca não se mexe, os passos não pousam em lugar nenhum. O desenho de som vira uma segunda produção.

Foi essa a lacuna que o H3 da MiniMax fechou ao ser lançado em 31 de julho: ele não adiciona áudio ao vídeo, ele gera os dois juntos. Nós operamos o Pixo, uma plataforma de vídeo multimodelo em que o H3 está no ar no Playground, e de tudo na ficha técnica do H3, esta é a capacidade que mais muda o trabalho diário — então aqui está exatamente como ela se comporta e como escrever prompts para ela.

O que «áudio nativo» realmente significa

Toda saída do H3 vem com som estéreo gerado na mesma passada da imagem. Três camadas saem de um único prompt:

• Diálogo. Escreva a fala literalmente e um personagem a diz — com sincronia labial, porque o movimento da boca e o áudio vêm da mesma geração. Reescreva a fala e a atuação acompanha.
• Ambiência. A cena soa como a cena: vento sobre um banhado, o zumbido de uma cozinha, trânsito atrás do vidro. Você não a pede exatamente — você deixa de excluí-la.
• Efeitos. Os sons de contato pousam onde a física acontece — uma tampa clica ao abrir, as batidas de asas soam quando o pássaro levanta voo.

A diferença para a dublagem não é sutil. O áudio sobreposto em pós é sobre o vídeo; o áudio gerado é do vídeo. Quando um personagem se vira no meio da frase, a voz vira com ele.

Quem tem som, quem não tem

O áudio silenciosamente virou a linha divisória entre gerações de modelos:

O que o H3 adiciona por cima de «tem áudio» é a pilha de voz: texto-para-fala em vários idiomas e clonagem de voz a partir de uma faixa de referência — envie uma voz, e o diálogo é gerado naquele timbre. (Essa capacidade merece seu próprio mergulho; aqui ficamos no caso do dia a dia.)

Quatro regras para escrever prompts de som

1. O diálogo precisa estar escrito por extenso. O H3 não improvisa falas. Uma voz cansada diz: "Abrimos em cinco minutos." gera essa frase — e nada mais. Pedidos vagos («ela diz algo tranquilizador») produzem resultados vagos.

2. Decida quem está em cena. Um falante visível ganha sincronia labial; uma voz fora de cena soa como narração. Ambos são uma linha de prompt — a diferença é se você coloca quem fala dentro do quadro.

3. Mate a música, a menos que a queira. O H3 vai musicar o seu clipe com prazer. Se você vai adicionar música licenciada na pós — como a maioria do trabalho de marca — termine o prompt com música não narrativa: N/A e mantenha a faixa limpa.

4. Referências de áudio viajam acompanhadas, nunca sozinhas. Você pode enviar uma faixa de áudio (≤15MB) para definir o ritmo ou o caráter da voz, mas ela deve acompanhar uma referência de imagem ou vídeo — o áudio não pode ser a única entrada.

Três prompts para copiar e colar

1. Diálogo em cena com sincronia labial (16:9)

Arquivos de referência do showcase

Um showcase do manual no mesmo registro

Uma lanchonete aconchegante tarde da noite, luz quente de tungstênio, chuva
leve na janela. Uma mulher na casa dos trinta está sentada no balcão, as
mãos ao redor de uma caneca de café. Ela ergue o olhar para a câmera e diz:
"Você sempre pede a mesma coisa." Ela sorri de leve depois da fala.
Ambiência silenciosa de lanchonete — chuva, um rádio distante, talheres.
Música não narrativa: N/A.

Por que funciona: uma pessoa falando, uma fala escrita, um momento de reação. A lista de ambiência monta o palco sonoro sem competir com o diálogo.

2. Momento de produto narrado (9:16)

Vídeo vertical. Um setup de café coado sobre uma bancada de madeira, luz da
manhã. Água quente espirala da chaleira para o filtro; o vapor sobe; a
câmera avança devagar. Uma voz masculina calma diz: "Trinta gramas. Três
minutos. Sem atalhos." Som de água sendo despejada e vapor suave. Música
não narrativa: N/A.

Por que funciona: narração fora de cena elimina qualquer risco de sincronia labial, e os sons físicos (o despejar, o vapor) fazem o trabalho de atmosfera que uma trilha normalmente finge fazer.

3. A performance guiada por referências (três vídeos entram, uma música sai)

O Vídeo 1 fornece o movimento de câmera: um dolly zoom hitchcockiano. O
Vídeo 2 é o sujeito: uma mulher tomando café em um café de rua. O Vídeo 3
fornece a música e a performance de canto. Faça a mulher do Vídeo 2 cantar —
voz, fraseado e atuação do Vídeo 3 — enquanto a câmera executa o dolly zoom
do Vídeo 1 sobre ela.

Por que funciona: três referências, três papéis — câmera, sujeito, música — e o áudio é gerado como performance, não colocado por cima como faixa. Esta é a demonstração do próprio manual de que a direção de som é apenas mais um papel de referência.

Teste

O MiniMax H3 está no ar no Playground do Pixo: selecione Vídeo → MiniMax H3, escreva um prompt com a fala que você quer ouvir e gere um plano de 4 a 15 segundos em 768p ou 2K — com som incluído, exportação sem marca d'água. Para o panorama completo do modelo, comece por o que é o MiniMax H3; para saber como sua pilha de áudio se compara ao outro carro-chefe lançado no mesmo dia, veja MiniMax H3 vs Seedance 2.5.

Perguntas frequentes

Geradores de vídeo com IA conseguem criar som?

Alguns sim, a maioria não. MiniMax H3, Seedance, Veo 3.1 e Wan 2.6 geram áudio nativamente; o Kling 3.0 entrega vídeo mudo. O H3 vai mais longe: toda saída vem com áudio estéreo — diálogo, ambiência e efeitos — gerado na mesma passada da imagem, não sobreposto depois.

O MiniMax H3 faz sincronia labial no diálogo?

Sim. Escreva a fala exata no prompt e o H3 gera a voz junto com a imagem, com os movimentos da boca do personagem acompanhando as palavras. Seu texto-para-fala abrange vários idiomas, então o diálogo não se limita ao inglês.

Como faço um vídeo com IA com locução?

Escreva o texto da locução literalmente no prompt — por exemplo: Uma voz masculina calma diz: "Boas ferramentas desaparecem dentro do trabalho." O H3 gera a fala junto com o vídeo. Se quem fala está em cena, a sincronia labial acompanha; se está fora de cena, soa como narração.

Dá para desligar a música de fundo?

Sim — termine o prompt com «música não narrativa: N/A» e o H3 mantém a faixa limpa: apenas diálogo, ambiência e efeitos. É o modo a usar quando você vai adicionar música licenciada da marca na pós.

Posso usar meu próprio áudio como referência?

Sim. Envie uma faixa de áudio (até 15MB) junto de uma referência de imagem ou vídeo — o áudio não pode ser a única entrada — e use-a para definir o ritmo ou o caráter da voz. O H3 também suporta clonagem de voz a partir de uma faixa de referência.

Como testo?

O MiniMax H3 está no ar no Playground do Pixo — gere planos de 4 a 15 segundos em 768p ou 2K. Novos usuários ganham 200 créditos grátis no cadastro, e os planos estão com até 55% de desconto no momento.

O MiniMax H3 já está no ar no Playground do Pixo — gere planos de 4 a 15 segundos em 768p ou 2K, com referências de imagem, vídeo e áudio. Cadastre-se agora — novos usuários ganham 200 créditos grátis no cadastro, e os planos estão com até 55% de desconto no momento. Colocando produtos em cena? Veja vídeos de produto para e-commerce com o H3.