Depois de escrever sobre engenharia de prompt para vídeos, textos e imagens, decidi dedicar este artigo a uma dimensão que, muitas vezes, parece mais simples do que realmente é: o áudio.
Neste artigo, quando falo em áudio, o foco principal é o áudio falado: narrações, vozes sintéticas, podcasts, videoaulas, dublagens, assistentes de voz e experiências educacionais baseadas em fala.
Por que falar sobre prompts para áudio?
A escolha desse tema não é casual. O áudio deixou de ser apenas um formato complementar. Ele voltou a ocupar um lugar central na forma como consumimos informação, entretenimento, educação e presença digital.
O que antes parecia restrito ao rádio, à locução profissional ou aos podcasts, hoje se expande para cursos online, plataformas de streaming, conteúdos curtos, audiolivros, assistentes virtuais e sistemas de inteligência artificial capazes de gerar vozes cada vez mais naturais.
O crescimento do áudio falado no Brasil
Prompt para áudio não é apenas pedir que a IA leia um texto
Criar bons prompts para geração de voz não significa apenas pedir que uma inteligência artificial “leia um texto”. Significa orientar uma performance vocal. Isso envolve definir público, intenção comunicacional, persona vocal, ritmo, emoção, pausas, pronúncia, estilo narrativo e limites éticos.
Seguindo os mesmos princípios da engenharia de prompt aplicada a textos, imagens e vídeos, a qualidade da narração gerada por IA não depende apenas da tecnologia utilizada. Ela depende também da clareza com que orientamos essa tecnologia sobre como a fala deve chegar ao ouvinte.
Da mesma forma que precisamos de repertório visual para criar bons prompts de imagem, repertório audiovisual para criar bons prompts de vídeo e repertório textual para criar bons prompts de escrita, também precisamos de repertório sonoro para criar bons prompts de áudio.
No caso da geração de voz, esse repertório envolve compreender ritmo, pausa, entonação, emoção, pronúncia, intenção comunicacional e experiência de escuta. Quanto maior for o repertório vocal, comunicacional e pedagógico de quem escreve o prompt, maior será sua capacidade de dirigir a voz sintética.
Uma escuta cada vez mais sintética
Quando falo em escuta sintética, não me refiro apenas ao fato de ouvirmos vozes produzidas por inteligência artificial. Refiro-me a uma mudança mais ampla: estamos entrando em um ambiente em que parte crescente daquilo que escutamos pode ter sido roteirizado, narrado, editado, clonado ou inteiramente gerado por sistemas artificiais.
Precisamos pensar que a voz ocupa um lugar particular na comunicação. Ela não transmite apenas informação; transmite presença, identidade, emoção, autoridade e proximidade. Ouvir uma voz é um forte indício de que existe uma pessoa falando. Com os geradores de fala por IA, essa relação se torna muito mais instável. Uma voz pode soar humana sem ter sido pronunciada por um humano. Pode parecer familiar sem pertencer àquela pessoa. Pode transmitir confiança sem que exista uma fonte confiável por trás dela.
Essa é uma das questões centrais levantadas por pesquisas recentes sobre geradores de fala. O artigo “Not My Voice!”, publicado na ACM FAccT em 2024, propõe uma taxonomia de danos éticos e de segurança relacionados a sistemas de geração de voz, incluindo clonagem vocal, deepfakes, fraudes, assédio, exclusão e usos não consentidos da identidade vocal. A pesquisa mostra que os riscos não são apenas técnicos, mas sociotécnicos: envolvem usuários, plataformas, vítimas, instituições e contextos de circulação.
Outra questão é que o ouvido humano nem sempre consegue distinguir com segurança uma voz real de uma voz sintética. Um estudo publicado na PLOS One mostrou que participantes identificaram deepfakes de fala corretamente em apenas 73% dos casos, em testes com inglês e mandarim. O estudo também observou que apresentar exemplos prévios de deepfakes melhora pouco a capacidade de detecção. Em outras palavras, não podemos depender apenas da intuição auditiva do ouvinte para reconhecer se uma voz foi gerada por IA.
Por isso, a escuta sintética exige uma nova camada de letramento digital. Não basta perguntar se o áudio está bonito, claro ou natural. É preciso perguntar: quem fala? A voz foi gerada por IA? Houve consentimento? A identidade vocal de alguém está sendo simulada? O ouvinte sabe que está diante de uma voz sintética? Essa voz está sendo usada para informar, ensinar, vender, convencer ou manipular?
Quando a produção de áudio se torna fácil demais, cresce o risco de uma espécie de slop sonoro, narrações genéricas, aceleradas, emocionalmente exageradas, mal pausadas, com pronúncia irregular ou sem relação real com o público. Assim como existem textos produzidos em massa sem cuidado editorial, imagens sintéticas sem intenção visual, vídeos sem mensagem clara, também podem existir áudios sintéticos sem direção de escuta.
A preocupação com a escuta sintética já aparece nas próprias plataformas. O Spotify informou, em 2025, que removeu mais de 75 milhões de faixas consideradas spam em um cenário marcado pela explosão de ferramentas generativas, e também passou a reforçar políticas contra clones vocais, deepfakes e imitações não autorizadas de artistas.
A Deezer, por sua vez, afirmou em 2026 que recebe quase 75 mil faixas geradas por IA por dia, cerca de 44% dos uploads diários, e que remove músicas sintéticas das recomendações algorítmicas e playlists editoriais, além de desmonetizar streams identificados como fraudulentos.
Isso nos obriga a pensar não apenas na qualidade técnica do áudio, mas também em transparência, consentimento e responsabilidade. Afinal, você já imaginou conversar com a voz de um ente querido que faleceu e, no meio dessa experiência emocional, perceber que aquela voz está tentando vender alguma coisa?
Prosódia o que existe além das palavras
Com as novas ferramentas de inteligência artificial, criar um áudio ficou aparentemente simples. Basta escrever um texto, escolher uma voz, clicar em gerar e, em poucos segundos, temos uma narração pronta. Esse processo causa um certo deslumbre, porque transforma em tarefa cotidiana algo que antes exigia estúdio, microfone, locutor, edição, direção e tempo de produção. A facilidade técnica, no entanto, pode criar uma ilusão: a de que gerar uma voz é o mesmo que produzir uma boa experiência de escuta. Não é bem assim que funciona.
Uma voz sintética pode ser tecnicamente limpa, ter boa pronúncia e ainda assim soar fria, acelerada, monótona, artificial ou inadequada ao contexto. Pode não passar nenhuma emoção. Isso acontece porque a qualidade de uma narração não está apenas nas palavras que são ditas, nem apenas na naturalidade da voz escolhida. Está também no modo como essa fala se organiza no tempo: no ritmo, nas pausas, nas ênfases, na entonação, na intensidade e na emoção.
Prosódia é a dimensão rítmica, melódica e expressiva da fala. É ela que transforma um texto lido em uma fala com intenção. Quando uma pessoa narra uma história, explica um conceito, faz uma pergunta, conduz uma aula ou tenta emocionar alguém, ela não usa apenas vocabulário. Ela usa pausas, variações de tom, mudanças de velocidade, intensidade e silêncios.
Pense em um audiobook. Um bom narrador não apenas lê as frases do livro. Ele cria atmosfera. Desacelera quando a cena pede suspense, suaviza a voz em momentos íntimos, muda o ritmo em uma cena de ação e faz pausas no momento certo para que a imaginação do ouvinte complete a imagem. A história está nas palavras, mas a experiência nasce também da voz.
Agora pense em uma narração de futebol. A frase “ele chutou para o gol” pode ser dita de forma neutra, quase burocrática. Mas, na voz de um narrador esportivo, ela ganha aceleração, tensão, aumento de intensidade e expectativa. O tom sobe antes do chute, a fala fica mais rápida durante a jogada e, se a bola entra, a voz explode em emoção. O acontecimento é o mesmo. A forma como ele é narrado muda completamente a experiência de quem escuta.
Ou pense em algo ainda mais próximo: sua mãe chamando você pelo nome. Dependendo do tom, você sabe imediatamente se é carinho, preocupação, bronca, urgência ou acolhimento. Muitas vezes, nem é preciso ouvir a frase inteira. A entonação já comunica o sentido. A prosódia carrega uma memória afetiva da voz.
A mesma frase pode ter sentidos completamente diferentes dependendo da prosódia. “Você conseguiu” pode soar como elogio, surpresa, ironia, alívio ou cobrança. As palavras são as mesmas. A escuta, não.
Por isso, criar prompts para áudio não pode se limitar a pedir uma “voz natural”. Natural para quê? Para narrar um romance? Para apresentar uma notícia? Para explicar um conteúdo em uma videoaula? Para conduzir uma meditação? Para vender um produto? Para simular uma conversa próxima?
A naturalidade não nasce apenas da tecnologia. Ela depende da forma como orientamos a performance vocal. Um bom prompt precisa indicar se a voz deve ser acolhedora, didática, séria, curiosa, íntima, institucional, esportiva, dramática ou narrativa. Também precisa orientar quando a fala deve desacelerar, onde deve haver pausas, quais palavras merecem ênfase e que tipo de relação emocional deve ser construída com o ouvinte.
Nesse sentido, a prosódia não é apenas um detalhe artístico. Ela é uma ciência estudada pela linguística, pela fonética, pela psicologia, pela neurociência e pelas áreas de síntese de fala. Ela ajuda a explicar por que uma voz pode prender a atenção, facilitar a compreensão, gerar confiança, produzir afeto ou causar cansaço.
Para a engenharia de prompt, isso muda tudo. Se no texto o prompt organiza ideias, e na imagem organiza o olhar, no áudio ele precisa organizar a escuta. E organizar a escuta significa orientar a IA sobre como a fala deve acontecer no tempo.
| Elemento da prosódia | O que significa | Como aparece na escuta |
|---|---|---|
| Ritmo | Cadência da fala | Uma narração pode soar calma, acelerada ou arrastada. |
| Pausas | Silêncios entre palavras e ideias | Criam respiro, suspense ou tempo para compreensão. |
| Entonação | Subidas e descidas da voz | Diferencia pergunta, afirmação, surpresa ou ironia. |
| Ênfase | Destaque dado a palavras ou ideias | Mostra ao ouvinte o que é mais importante. |
| Intensidade | Força ou volume da fala | Pode transmitir urgência, segurança ou delicadeza. |
| Velocidade | Rapidez da fala | Influencia clareza, tensão, dinamismo ou cansaço. |
| Emoção vocal | Afeto transmitido pela voz | Pode soar acolhedora, séria, alegre, tensa ou distante. |
As camadas específicas de um prompt para áudio
Antes de escrever um prompt para áudio, é importante entender que uma narração não depende apenas da voz escolhida. Ela depende de várias decisões combinadas.
A tabela abaixo funciona como uma espécie de ficha de direção vocal. Ela ajuda a transformar uma ideia genérica, como “quero uma voz natural”, em orientações mais claras para a inteligência artificial.
Cada linha da tabela representa uma camada do prompt. Ou seja, um aspecto da voz ou da escuta que pode ser orientado de forma mais precisa.
A primeira coluna mostra qual é a camada. A segunda explica o que essa camada controla. A terceira apresenta um exemplo de instrução que pode ser usado no prompt.
A ideia não é preencher todas as camadas em todos os casos. Um áudio curto para redes sociais talvez precise apenas de ritmo, emoção e impacto. Uma videoaula pode exigir mais atenção a pausas, clareza e pronúncia. Um audiobook pode precisar de mais detalhes sobre storytelling, atmosfera e variação emocional. Já um assistente de voz precisa de objetividade, cordialidade e boa articulação.
O mais importante é entender que um prompt para áudio não descreve apenas uma voz. Ele descreve uma experiência de escuta.
| Camada do prompt | O que orienta | Exemplo de instrução |
|---|---|---|
| Idioma e variante | Língua, região e modo de fala. | “Português do Brasil, com pronúncia natural brasileira.” |
| Qualidade do áudio | Limpeza, fidelidade e acabamento sonoro. | “Áudio limpo, com qualidade de estúdio.” |
| Perfil vocal | Idade percebida, timbre, altura e textura da voz. | “Voz adulta, grave, quente e levemente rouca.” |
| Persona vocal | Quem parece estar falando. | “Narradora didática, próxima e experiente.” |
| Emoção | Estado afetivo transmitido pela fala. | “Tom sereno, acolhedor e confiante.” |
| Ritmo / pacing | Velocidade, cadência e fluidez da fala. | “Fale em ritmo moderado, sem pressa.” |
| Entonação e ênfase | Melodia da fala e palavras que devem receber destaque. | “Use entonação levemente ascendente nas perguntas e destaque os conceitos principais.” |
| Pausas | Respiros, silêncios e organização da escuta. | “Faça pausas breves após ideias importantes.” |
| Texto de prévia / roteiro | Texto usado para testar ou orientar a performance vocal. | “Use um parágrafo compatível com a emoção e o estilo desejados.” |
| Pronúncia | Como siglas, nomes próprios e termos técnicos devem ser falados. | “Pronuncie IA como ‘inteligência artificial’ na primeira ocorrência.” |
| Contexto de uso | Onde o áudio será aplicado. | “Narração para videoaula introdutória.” |
| Público | Para quem a voz está falando. | “Professores iniciantes no uso de IA.” |
| Restrições | O que deve ser evitado na narração. | “Não use tom robótico, apressado, infantilizado ou publicitário.” |
| Ética | Limites de identidade vocal, consentimento e transparência. | “Não imite a voz de nenhuma pessoa real.” |
| Parâmetros técnicos | Ajustes específicos da plataforma utilizada. | “Use maior aderência ao prompt quando o sotaque e o tom forem essenciais.” |
Principais técnicas de engenharia de prompt para áudio
Depois de entender as camadas de um prompt para áudio, podemos avançar para as técnicas. Elas não devem ser vistas como fórmulas rígidas, mas como formas de orientar melhor a IA.
No post sobre o prompt vídeo, usamos técnicas para controlar cena, câmera, movimento, duração e estilo visual. No áudio, o foco muda: precisamos controlar voz, ritmo, pausa, emoção, pronúncia, entrega vocal e experiência de escuta.A tabela abaixo apresenta algumas técnicas úteis para criar prompts de áudio falado, especialmente em narrações, videoaulas, podcasts, audiobooks, dublagens e assistentes de voz.
| Técnica | O que faz | Quando usar | Exemplo de instrução |
|---|---|---|---|
| Voice Persona Prompting | Define quem parece estar falando. | Quando a voz precisa ter uma identidade comunicacional clara. | “Use uma voz adulta, brasileira, clara, acolhedora e didática.” |
| Audience Prompting | Define para quem a voz está falando. | Quando o público influencia tom, ritmo e vocabulário. | “A narração será ouvida por professores iniciantes no uso de IA.” |
| Context Prompting | Indica onde o áudio será usado. | Quando o mesmo texto pode exigir estilos diferentes de narração. | “O áudio será usado na abertura de uma videoaula curta.” |
| Prosody Prompting | Orienta ritmo, entonação, intensidade e expressividade. | Quando a fala precisa soar mais natural, clara ou envolvente. | “Use ritmo moderado, entonação didática e variação leve de tom.” |
| Pause Prompting | Define pausas e silêncios estratégicos. | Quando é necessário organizar melhor a compreensão do ouvinte. | “Faça pausas breves após conceitos importantes.” |
| Emotional Prompting | Define o estado emocional da voz. | Quando a narração precisa transmitir acolhimento, energia, seriedade ou confiança. | “Use tom sereno, curioso e encorajador, sem exagero publicitário.” |
| Delivery Prompting | Orienta o modo de entrega da fala. | Quando é preciso diferenciar aula, podcast, notícia, audiobook ou atendimento. | “A entrega deve soar conversacional, como uma explicação em podcast educativo.” |
| Pronunciation Prompting | Define como nomes, siglas e termos técnicos devem ser pronunciados. | Quando há risco de erro em palavras específicas. | “Pronuncie IA como ‘inteligência artificial’ na primeira ocorrência.” |
| Temporal Prompting | Controla duração, velocidade e divisão do áudio em blocos. | Quando o áudio precisa caber em um tempo específico. | “A narração deve ter cerca de 60 segundos, com abertura breve e conclusão pausada.” |
| Negative Prompting | Define o que a voz deve evitar. | Quando queremos impedir estilos inadequados ou exagerados. | “Não use tom robótico, infantilizado, dramático, apressado ou publicitário.” |
| Reference Prompting | Usa uma referência de estilo sem imitar uma pessoa real. | Quando queremos aproximar a narração de um gênero conhecido. | “Use como referência geral uma narração documental calma e clara, sem imitar nenhuma voz específica.” |
| Prompt Chaining | Divide a criação em etapas. | Quando o áudio exige adaptação, revisão e refinamento. | “Primeiro adapte o texto para linguagem oral. Depois crie uma versão com pausas. Por fim, gere a narração.” |
| Iterative Listening | Refina o prompt a partir da escuta do áudio gerado. | Quando o primeiro resultado precisa de ajustes. | “Refaça com ritmo 20% mais lento, pausas mais naturais e menos energia na abertura.” |
| Safety Prompting | Define limites éticos de uso da voz. | Quando há risco de imitação, manipulação ou confusão de identidade vocal. | “Use uma voz sintética genérica. Não imite a voz de nenhuma pessoa real.” |
Exemplos práticos de prompts para áudio
A seguir, apresento exemplos de prompts para diferentes situações. Em cada um deles, o objetivo não é apenas gerar uma voz, mas orientar uma experiência de escuta.
Para a geração de áudio foi utilizado a plataforma ElevenLabs.
Exemplo 1: videoaula educativa
Objetivo: criar uma narração clara, didática e acolhedora para uma aula online.
Prompt/Descrição da voz
Português do Brasil nativo. Voz feminina adulta, entre 35 e 45 anos. Qualidade de áudio excelente.
Persona: professora experiente. Emoção: calma, acolhedora e confiante.
Timbre suave e natural, articulação clara, ritmo moderado e entonação didática. A voz deve explicar conceitos com tranquilidade, dando ênfase às ideias principais, sem parecer publicitária ou artificial.
Técnicas utilizadas
Voice Persona Prompting: define a voz como uma professora experiente.
Audience Prompting: pressupõe um público educacional, que precisa de clareza.
Prosody Prompting: orienta ritmo moderado, entonação didática e articulação clara.
Emotional Prompting: define uma emoção calma, acolhedora e confiante.
Negative Prompting: evita tom publicitário ou artificial.
Preview Text Prompting: o texto de prévia já tem ritmo reflexivo e didático, ajudando a voz a seguir essa intenção.
Exemplo 2: podcast educativo
Objetivo: criar uma voz próxima, conversacional e reflexiva para abertura de podcast.
Prompt/Descrição da voz
Português do Brasil nativo. Voz masculina adulta, entre 35 e 50 anos. Qualidade de áudio excelente.
Persona: apresentador de podcast educativo. Emoção: curioso, reflexivo e convidativo.
Timbre quente e conversacional, ritmo natural, entrega próxima e pausas sutis. A voz deve soar como alguém que domina o assunto, mas conversa de forma acessível, sem tom de locução comercial.
Técnicas utilizadas
Context Prompting: define que o áudio será usado em podcast educativo.
Voice Persona Prompting: cria a persona de apresentador de podcast.
Delivery Prompting: orienta uma entrega conversacional, não comercial.
Emotional Prompting: usa curiosidade e reflexão como base emocional.
Pause Prompting: sugere pausas sutis para tornar a fala mais natural.
Negative Prompting: evita o tom de propaganda ou locução comercial.
Exemplo 3: audiobook narrativo
Objetivo: criar uma narração literária com atmosfera, suspense e storytelling.
Prompt/Descrição da voz
Português do Brasil nativo. Voz feminina adulta, entre 40 e 55 anos. Qualidade de estúdio.
Persona: narradora literária. Emoção: misteriosa, íntima e contida.
Timbre quente e envolvente, ritmo medido, pausas expressivas e variação emocional controlada. A voz deve conduzir o ouvinte para dentro da história, sem exagero teatral ou caricatura.
Técnicas utilizadas
Voice Persona Prompting: define a voz como narradora literária.
Storytelling Prompting: orienta atmosfera narrativa, suspense e imersão.
Prosody Prompting: usa ritmo medido, pausas expressivas e variação emocional.
Emotional Prompting: define emoção misteriosa e íntima.
Negative Prompting: evita exagero teatral.
Preview Text Prompting: o texto de prévia já contém clima narrativo, o que ajuda a orientar a performance vocal.
Exemplo 4: narração de jogo de futebol
Objetivo: criar uma voz esportiva energética, sem cair no exagero artificial.
Prompt/Descrição da voz
Português do Brasil nativo. Voz masculina adulta, entre 30 e 45 anos. Qualidade de áudio excelente.
Persona: narrador esportivo. Emoção: energético, atento e empolgado.
Timbre vibrante e ressonante, ritmo rápido, articulação forte e intensidade crescente nos momentos decisivos. A entrega deve acompanhar a velocidade da jogada, criando tensão antes do chute e explosão controlada no momento do gol. Não imite narradores reais nem bordões conhecidos.
Técnicas utilizadas
Voice Persona Prompting: define a persona de narrador esportivo.
Temporal Prompting: orienta a progressão da fala junto com a jogada.
Prosody Prompting: controla ritmo rápido, articulação forte e intensidade crescente.
Emotional Prompting: usa energia e empolgação.
Safety Prompting: evita imitação de narradores reais ou bordões conhecidos.
Preview Text Prompting: o texto contém ação crescente, ajudando a voz a performar o movimento do lance.
Exemplo 5: assistente de voz
Objetivo: criar uma voz objetiva, cordial e fácil de entender em atendimento automatizado.
Prompt/Descrição da voz
Português do Brasil nativo. Voz feminina adulta, entre 30 e 45 anos. Qualidade broadcast.
Persona: atendente profissional. Emoção: cordial, atenta e tranquila.
Timbre limpo e suave, ritmo moderado, articulação precisa e entonação gentil. A voz deve transmitir ajuda, clareza e profissionalismo, com pequenas pausas entre instruções e opções de atendimento.
Técnicas utilizadas
Context Prompting: define o uso em atendimento automatizado.
Delivery Prompting: orienta uma entrega profissional e objetiva.
Pause Prompting: pede pequenas pausas entre instruções.
Pronunciation Prompting: favorece articulação clara de números, opções e comandos.
Emotional Prompting: usa cordialidade e tranquilidade.
Guidance Control: usa escala um pouco mais alta porque clareza, tom e consistência são importantes nesse contexto.
Exemplo 6: voz afetiva sem imitar pessoa real
Objetivo: criar uma voz acolhedora, com tom de cuidado, sem simular a voz de mãe, familiar ou pessoa falecida.
Prompt/Descrição da voz
Português do Brasil nativo. Voz feminina adulta, entre 50 e 65 anos. Qualidade de áudio excelente.
Persona: mulher cuidadosa e acolhedora. Emoção: terna, calma e reconfortante.
Timbre quente e suave, ritmo lento e confortável, entonação gentil e presença emocional próxima. A voz deve transmitir cuidado e segurança, mas não deve imitar nenhuma pessoa real, familiar, celebridade ou voz reconhecível.
Técnicas utilizadas
Emotional Prompting: define ternura, calma e acolhimento.
Voice Persona Prompting: cria uma persona cuidadosa, sem associá-la a uma pessoa específica.
Pacing Prompting: orienta ritmo lento e confortável.
Safety Prompting: deixa claro que a voz não deve imitar pessoa real, familiar ou falecida.
Ethical Prompting: protege contra uso emocionalmente manipulativo de identidade vocal.
Preview Text Prompting: o texto de prévia reforça cuidado e proximidade sem simular uma pessoa específica.
Exemplo 7: narração institucional
Objetivo: criar uma voz profissional para abertura de curso, evento ou apresentação.
Prompt/Descrição da voz
Português do Brasil nativo. Voz adulta, neutra, entre 35 e 50 anos. Qualidade de áudio excelente.
Persona: narrador institucional. Emoção: confiante, clara e respeitosa.
Timbre equilibrado e polido, ritmo estável, pronúncia brasileira neutra e ênfase controlada. A voz deve transmitir autoridade e clareza, sem soar fria, robótica ou excessivamente formal.
Técnicas utilizadas
Context Prompting: define uso institucional.
Voice Persona Prompting: cria um narrador institucional.
Prosody Prompting: orienta ritmo estável, ênfase controlada e pronúncia clara.
Emotional Prompting: usa confiança e respeito.
Negative Prompting: evita voz fria, robótica ou formal demais.
Audience Prompting: implícito no contexto de curso ou evento, com público que espera clareza e credibilidade.
Exemplo 8: chamada curta para redes sociais
Objetivo: criar uma voz dinâmica para vídeo curto, sem parecer propaganda exagerada.
Prompt/Descrição da voz
Português do Brasil nativo. Voz jovem adulta, entre 25 e 35 anos. Qualidade de áudio excelente.
Persona: criador de conteúdo educativo. Emoção: curioso, energético e próximo.
Timbre claro e moderno, ritmo dinâmico, entrega direta e entonação expressiva. A voz deve prender atenção nos primeiros segundos, mas sem soar gritada, artificial ou publicitária.
Técnicas utilizadas
Context Prompting: define uso em redes sociais.
Temporal Prompting: considera a necessidade de impacto nos primeiros segundos.
Prosody Prompting: orienta ritmo dinâmico e entonação expressiva.
Emotional Prompting: usa curiosidade e energia.
Negative Prompting: evita grito, artificialidade e tom publicitário.
Audience Prompting: fala com um público de conteúdo digital que precisa ser engajado rapidamente.
No texto, o prompt organiza ideias. Na imagem, organiza o olhar. No vídeo, organiza a cena. No áudio, organiza a escuta. Por isso, criar prompts para áudio não é apenas escrever comandos: é aprender a dirigir a voz, o ritmo, a emoção e a experiência de quem ouve.
Referências
KANTAR IBOPE MEDIA. Data Stories #48 | Inside Audio 2025: Áudio em Movimento. 2025. Fonte usada para o dado de que 92% dos brasileiros ouviram algum formato de áudio nos últimos 30 dias.
ASSOCIAÇÃO BRASILEIRA DE PODCASTERS — ABPOD. PodPesquisa 2024/2025. 2024. Fonte usada para estimativa de ouvintes de podcasts no Brasil e frequência de consumo.
EDISON RESEARCH. Podcasts Lead AM/FM in Spoken-Word Listening, Marking a First. 2026. Fonte principal para o dado de que podcasts passaram a representar 40% do tempo de escuta de áudio falado nos EUA, contra 39% do rádio AM/FM.
CASTNEWS. Podcasts superam rádio AM/FM em consumo de áudio falado nos EUA pela primeira vez na história. 2026. Fonte em português que repercute os dados da Edison Research.
PEW RESEARCH CENTER. Podcasts and News Fact Sheet. 2025. Fonte útil para contextualizar o consumo de podcasts nos EUA e o uso de podcasts como fonte de notícias.
ELEVENLABS. Voice Design: Example Prompts and Text Previews. Documentação técnica. Fonte usada para estruturar os exemplos com descrição da voz, texto de prévia e Guidance Scale.
GUO, Zhifang; LENG, Yichong; WU, Yihan; ZHAO, Sheng; TAN, Xu. PromptTTS: Controllable Text-to-Speech with Text Descriptions. arXiv, 2022. Fonte importante para sustentar a ideia de que descrições textuais podem controlar estilo e conteúdo na síntese de fala.
XIE, Tianxin et al. Towards Controllable Speech Synthesis in the Era of Large Language Models: A Systematic Survey. EMNLP, 2025. Fonte central para síntese de fala controlável, incluindo controle por prompts em linguagem natural.
GALDINO, J. C. et al. The evaluation of prosody in speech synthesis: a systematic review. Journal of the Brazilian Computer Society, 2025. Fonte para discutir avaliação de prosódia em vozes sintetizadas.
SCHULHOFF, Sander et al. The Prompt Report: A Systematic Survey of Prompting Techniques. arXiv, 2024. Fonte útil para mostrar que engenharia de prompt já é um campo com taxonomia própria e técnicas para diferentes modalidades.
SAHOO, Pranab et al. A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications. arXiv, 2024. Fonte para sustentar que prompts são instruções que orientam o comportamento do modelo sem alterar seus parâmetros internos.
XU, Yi. Prosody, Tone, and Intonation. In: KATZ, William F.; ASSMANN, Peter F. (org.). The Routledge Handbook of Phonetics. Routledge, 2019. Fonte para definir prosódia como aspectos suprassegmentais da fala, incluindo pitch, duração, amplitude e qualidade vocal.
LARROUY-MAESTRI, Pauline; POEPPEL, David; PELL, Marc D. The Sound of Emotional Prosody: Nearly 3 Decades of Research and Future Directions. Perspectives on Psychological Science, 2025. Fonte para discutir prosódia emocional e a relação entre voz, emoção e comunicação social.
DEGANO, Giulio et al. Speech prosody enhances the neural processing of syntax. Communications Biology, 2024. Fonte para a ideia de que fronteiras prosódicas ajudam o cérebro a representar melhor fronteiras sintáticas durante a compreensão da fala.
STEINHAUER, Karsten; ALTER, Kai; FRIEDERICI, Angela D. Brain potentials indicate immediate use of prosodic cues in natural speech processing. Nature Neuroscience, 1999. Fonte clássica para mostrar que o cérebro usa pistas prosódicas rapidamente durante o processamento da fala.
DOELLING, Keith B.; ARNAL, Luc H.; GHITZA, Oded; POEPPEL, David. Acoustic landmarks drive delta-theta oscillations to enable speech comprehension by facilitating perceptual parsing. NeuroImage, 2014. Fonte principal para fazer a ponte cuidadosa entre ritmo da fala, oscilações delta-theta e compreensão.
HUTIRI, Wiebke; PAPAKYRIAKOPOULOS, Orestis; XIANG, Alice. Not My Voice! A Taxonomy of Ethical and Safety Harms of Speech Generators. ACM FAccT, 2024. Fonte central para discutir danos éticos e de segurança de geradores de fala, incluindo clonagem vocal, deepfakes, fraudes e uso indevido de identidade vocal.
MAI, Kimberly T.; BRAY, Sergi D.; DAVIES, Toby; GRIFFIN, Lewis D. Warning: Humans cannot reliably detect speech deepfakes. PLOS One, 2023. Fonte para mostrar que ouvintes não identificam deepfakes de fala de forma confiável.
LAVAN, Nadine et al. Voice clones sound realistic but not (yet) hyperrealistic. PLOS One, 2025. Fonte para discutir o realismo dos clones vocais e a dificuldade de distinguir vozes reais de sintéticas.
SPOTIFY. Spotify Strengthens AI Protections for Artists, Songwriters, and Producers. 2025. Fonte para políticas da plataforma sobre clones vocais, deepfakes e impersonificação não autorizada.
DEEZER. AI-generated tracks now represent 44% of all new uploaded music. 2026. Fonte para discutir o crescimento de faixas geradas por IA e medidas de identificação de conteúdo sintético em plataformas de áudio.
YOUTUBE HELP. Protecting your identity. Fonte para política de remoção de conteúdo sintético que pareça ou soe como uma pessoa real.
TIKTOK. TikTok’s Fifth Transparency Report: Our Progress Under the EU Disinformation Code. 2025. Fonte para remoção de vídeos de mídia sintética e políticas contra AIGC enganoso.
Perguntas Frequentes
O que é prompt para áudio?
Um prompt para áudio é uma instrução que orienta uma IA a gerar, narrar ou transformar som. No caso do áudio falado, ele define não apenas o texto, mas também voz, ritmo, pausas, emoção, entonação, pronúncia e contexto de escuta.
O que é prosódia?
Prosódia é a dimensão rítmica, melódica e expressiva da fala. Ela inclui ritmo, pausas, entonação, intensidade, velocidade, ênfase e emoção vocal.
Por que prosódia importa em áudio com IA?
Porque uma voz sintética pode ter boa qualidade técnica e ainda soar inadequada. A prosódia orienta como a fala acontece no tempo e influencia clareza, atenção, afeto e compreensão.
O que é escuta sintética?
Escuta sintética é o contexto em que passamos a ouvir vozes geradas, editadas ou clonadas por IA em podcasts, videoaulas, assistentes virtuais, dublagens, audiobooks e conteúdos digitais.
Quais são as camadas de um prompt para áudio?
As principais camadas são idioma, qualidade do áudio, perfil vocal, persona vocal, emoção, ritmo, pausas, entonação, pronúncia, contexto de uso, público, restrições e ética.
Quais técnicas ajudam a criar prompts para áudio?
Algumas técnicas são Voice Persona Prompting, Prosody Prompting, Pause Prompting, Emotional Prompting, Pronunciation Prompting, Context Prompting, Negative Prompting, Safety Prompting e Iterative Listening.
Autor: Fernando Giannini
A construção do pensamento, as relações conceituais, a curadoria e a verificação das fontes foram realizadas pelo autor, que assume a responsabilidade editorial pelo conteúdo e por eventuais erros.
Sistemas algorítmicos de processamento de linguagem podem ter colaborado na organização do texto, na revisão e na otimização para mecanismos de busca, sem substituir a autoria, a interpretação crítica ou a originalidade das ideias.
