O P Agent da Pixazo é um tradutor de vídeo com IA que faz o trajeto inteiro: você entrega um vídeo que já tem e ele traduz o diálogo para outro idioma, clona a própria voz de quem fala a partir desse mesmo clipe, fala a linha traduzida e reajusta a boca ao novo áudio. Começar é grátis — um teste de 7 dias com 100 créditos de bônus. Em uma execução medida de inglês para espanhol em 29 de julho de 2026, um clipe de cinco segundos com um único locutor levou cerca de quinze minutos, e os dois clipes estão nesta página, com som.
Ilustração
Teste medido · 29 de julho de 2026
Ele mantém a imagem e a própria voz do locutor, troca o idioma e reajusta a boca ao novo áudio — os dois clipes abaixo são o resultado real de um único teste de 29 de julho de 2026 e, como a prova é sonora, você precisa apertar o play.
O arquivo do clipe tem cerca de cinco segundos; o transcritor informou 5.68 segundos de fala. Publicamos os dois números exatamente como vieram, sem conciliar um com o outro.
| Etapa | O que o agente chamou | O que voltou | Tempo medido |
|---|---|---|---|
| 01 Transcrever | pixazo_transcribe |
“Detected English, 5.68 seconds, 1 speaker”, junto com a transcrição com marcação de tempo “Welcome to our community. We’re so glad you’re here.” | 13 s |
| 02 Traduzir | o próprio agente — sem modelo de tradução à parte | “Bienvenidos a nuestra comunidad — nos alegra mucho que estés aquí.”, redigida para caber na duração falada que ele havia medido | não cronometrado separadamente |
| 03a Extrair o áudio original | pixazo_extract_audio |
A faixa original, reaproveitada como referência do clone de voz | 9 s |
| 03b Clonar a voz | pixazo_add_voice |
Uma voz construída a partir da própria fala do clipe — nenhuma amostra de voz à parte foi fornecida | ~10 min (o gargalo) |
| 03c Falar | texto para voz com a voz clonada | A linha traduzida com essa voz | 42 s |
| 04 Ressincronizar a boca | pixazo_lip_sync, sync_mode “remap” |
A imagem reajustada ao novo áudio | 3 min 09 s |
| De ponta a ponta ≈ 15 minutos · sessão completa $1.88, incluindo a geração do clipe original · este teste não revelou qual modelo de fornecedor fez o texto para voz nem a sincronia labial, então esta página não cita nenhum. | |||
Estes dois clipes são o único resultado real de dublagem desta página. Todas as outras imagens e animações aqui são ilustrações geradas para explicar uma etapa; cada uma traz um rótulo visível “Ilustração” e diz isso também no seu texto alternativo.
Quatro estações
Quatro estações rodam em ordem — transcrever, traduzir, voz e sincronia labial — e cada uma entrega o resultado direto para a seguinte; por isso uma única instrução ao agente basta para receber uma dublagem pronta. Essa cadeia é o que separa um tradutor de idiomas de vídeo com IA de uma locução: a imagem antiga não fica à deriva, a boca é reconstruída em cima da nova faixa falada.
Estação 01 · Transcrever
13 s
Ilustração
O agente escuta o clipe que você entregou e anota o que realmente é dito, com as marcações de tempo.
Estação 02 · Traduzir
sem chamada à parte
Ilustração
Não há nenhum modelo de tradução à parte na cadeia — o agente redige a nova linha diretamente.
Estação 03 · Voz
~10 min
Ilustração
A faixa original é extraída, usada como referência do clone e depois levada a dizer a linha traduzida.
o gargalo
Estação 04 · Ressincronizar
3 min 09 s
Ilustração
O remap reajusta o material gravado em cima do take traduzido para que a boca caia onde caem as novas palavras.
O que roda onde
O P Agent é o único lugar que roda a cadeia inteira: o playground não tem voz para texto nem modelo de tradução, então operar os modelos na mão por lá cobre só a voz e a ressincronização, e você precisa trazer o seu próprio roteiro traduzido.
Dê ao P Agent um clipe e um idioma de destino e ele percorre as quatro estações sozinho. No playground você abre um modelo por vez, então a transcrição e a tradução precisam chegar já escritas — não há nada lá capaz de produzir nenhuma das duas.
Ilustração
Ilustração — gerada para representar a etapa de ressincronização; não é resultado de dublagem
| Tarefa | P Agent (uma instrução) | Playground, modelos operados na mão |
|---|---|---|
| Transcrição de voz para texto | Coberto. Coberto | Indisponível. Indisponível — traga a sua própria transcrição |
| Tradução | Coberto. Coberto — o próprio agente escreve | Indisponível. Indisponível — aqui não há modelo de tradução |
| Referência para o clone de voz | Coberto. Coberto — extraída do próprio áudio do clipe | Não verificado. Aqui não é um recurso verificado — o teste medido nunca clonou uma voz a partir de uma referência no playground |
| Fala com a voz clonada | Coberto. Coberto | Coberto. Coberto — Chatterbox v1, 4 créditos |
| Ressincronização labial ao novo áudio | Coberto. Coberto | Coberto. Coberto — MultiTalk, a partir de 104 créditos |
| Separar o diálogo da música e dos efeitos | Indisponível. Indisponível | Indisponível. Indisponível |
| Exportar legendas ou um arquivo SRT | Indisponível. Indisponível — a transcrição com marcação de tempo aparece na tela, não é exportada como arquivo de legenda | Indisponível. Indisponível |
| Substituir o texto embutido na imagem | Indisponível. Indisponível | Indisponível. Indisponível |
Medido, não estimado
Porque clonar a voz é o gargalo — cerca de dez desses quinze minutos vão para construir uma voz a partir da própria fala do clipe, e todas as outras estações terminam em segundos.
A largura de cada barra é a fatia de cada estação em cerca de 850 segundos de tempo de etapa medido, contando o clone de voz de aproximadamente dez minutos como dez minutos redondos; a etapa de tradução não foi cronometrada separadamente, então não entra nesse total. Este é um único teste medido em 29 de julho de 2026, não um benchmark — um clipe mais longo, mais locutores ou outro par de idiomas não vão gerar os mesmos números.
A voz, na mão
Abra a estação Chatterbox v1 no playground por 4 créditos, cole a linha traduzida que você já tem e receba o áudio falado sem rodar o resto da cadeia. Usado assim, ele é um tradutor de voz com IA para vídeo, e não a cadeia completa — o playground não transcreve nem traduz para você, então o roteiro tem de ser seu. Seus 100 créditos de cadastro cobrem esta estação muitas vezes.
Um modelo, uma linha de texto, um take — útil quando a tradução já existe e tudo o que você precisa é da fala.
O que ele faz. Ele diz uma linha de texto que você fornece, por 4 créditos a cada execução. Cobre a mesma tarefa da estação 03 — dizer uma linha — como um modelo que você mesmo roda, então dá para iterar um take sem refazer uma transcrição ou uma ressincronização. Qual modelo rodou dentro da cadeia nunca foi revelado, então isso é uma comparação de tarefas, não uma identificação.
O que ele não faz. Ele não transcreve o seu clipe e não traduz nada — o playground não tem voz para texto nem modelo de tradução, então o roteiro traduzido precisa chegar já escrito. Ele também não toca na imagem: a boca continua dizendo as palavras originais até você rodar uma ressincronização. Clonar uma voz a partir de uma referência que você envia não é algo que o teste medido tenha comprovado aqui, então esta página não afirma que esta estação faça isso.
Abrir a estação de vozO ponto de controle
Você, e esse é o único ponto de controle que existe — o agente exibe na tela a transcrição e a linha traduzida antes de gerar um único segundo de áudio, porque ninguém revisou nenhuma das duas e nenhum número de precisão foi publicado para a transcrição nem para a tradução.
O único ponto de controle
Ilustração
Compare com o que realmente é dito na imagem. O transcritor é a primeira coisa da cadeia, então uma palavra que ele ouve errado vira uma palavra sobre a qual a tradução é construída.
Confira o sentido e confira se dá para dizê-la dentro da duração que o transcritor mediu. O agente redige para caber nessa duração, o que é uma decisão de interpretação que você está aprovando.
Tudo o que vem depois deste ponto herda o que você aprovou, em uma voz clonada. A estação de voz e a ressincronização não releem o roteiro: elas o levam adiante exatamente como foi aprovado.
Para quem é
Qualquer pessoa que já tenha material pronto em um idioma e precise do mesmo locutor dizendo aquilo em outro. Como ferramenta de tradução com IA para edição de vídeo e times de conteúdo em vídeo, ele serve para times de cursos e tutoriais, responsáveis por suporte e onboarding, marketing de produto, canais de criadores, comunicação interna e líderes de localização que querem testar um idioma antes de encomendar uma dublagem de estúdio.
Você parte da gravação pronta de uma aula com um instrutor falando para a câmera e quer o mesmo instrutor em um segundo idioma.
Você parte de um clipe curto de passo a passo na sua central de ajuda, em que a voz importa mais do que a imagem.
Você parte de um corte aprovado e fechado e precisa de um segundo idioma sem reabrir a edição.
Você parte do seu próprio material falando para a câmera, em que a voz é sua para clonar e permissão nem entra na conversa.
Você parte de uma mensagem da liderança ou de política interna gravada uma única vez, e ela precisa chegar a times que não falam esse idioma.
Você parte de um clipe representativo e quer ouvir um idioma antes de encomendar uma dublagem de estúdio para a biblioteca inteira.
Aguenta / falha
Ela aguenta com um único locutor enquadrado de frente e razoavelmente parado, e não aguenta em enquadramentos de perfil, em planos com duas pessoas falando ou sob desfoque de movimento forte — o remap reajusta a imagem ao novo áudio, ele não repinta um rosto.
Aguenta
Ilustração
Um rosto, de frente para a câmera, com a boca desobstruída — a ressincronização tem uma referência clara para trabalhar.
Falha
Ilustração
De perfil a boca mal aparece no enquadramento, e o desfoque de movimento destrói o que sobra da referência.
Falha
Ilustração
Com dois locutores em um mesmo plano, a ressincronização não tem como saber qual boca deve mover.
O que ele faz. Ele ressincroniza uma boca de um material já gravado com uma faixa de áudio que você entrega, a partir de 104 créditos por execução. Cobre a mesma tarefa da estação 04 — reajustar a imagem ao novo áudio — como um modelo que você mesmo roda, então dá para reajustar um clipe em cima de um take que você produziu em outro lugar. Qual modelo rodou dentro da cadeia nunca foi revelado, então isso é uma comparação de tarefas, não uma identificação.
O que ele não faz. Ele não traduz, não transcreve e não produz a voz — o áudio precisa existir antes. Ele também não salva um enquadramento que não consegue ler: planos de perfil, mais de um locutor em quadro e desfoque de movimento forte continuam pouco confiáveis, e nenhum ajuste muda isso.
Abrir a estação de sincronia labialO veredito Aguenta é o que o teste medido mostrou, em um clipe de frente para a câmera com um único locutor. Os dois vereditos Falha são limites conhecidos do reajuste com remap, não resultados deste teste — nele não havia enquadramento de perfil, nem um segundo locutor, nem desfoque de movimento forte. Nada aqui é um conjunto de testes pontuado, e não há nenhuma taxa de acerto publicada.
Limites honestos
Quatro coisas, categoricamente: ele não consegue extrair o diálogo de volta de uma faixa já mixada, não consegue substituir o texto embutido na imagem, não consegue prometer sincronia labial confiável em enquadramentos de perfil, em planos com vários locutores ou com desfoque de movimento forte, e não consegue te dar um número de precisão garantido para a transcrição ou para a tradução.
O agente citou apenas os nomes das ferramentas da própria Pixazo. O catálogo lista várias famílias de fala e de sincronia labial, mas este teste não comprova nenhuma delas, então esta página não afirma qual modelo de fornecedor falou ou ressincronizou o clipe acima.
| O que você precisa | Por que importa | Quem precisa concordar |
|---|---|---|
| Permissão para clonar a voz do locutor | Uma voz clonada é a voz daquela pessoa; consentir em aparecer não é consentir em ter a voz trocada | O locutor |
| Uma licença que cubra a redublagem | Uma licença para usar um clipe não inclui colocar palavras novas na boca de quem fala nele | Quem for dono do material |
| Aprovação da linha traduzida | A tradução do agente é ajustada à duração medida, então é uma escolha de redação, não uma tradução literal | Quem for responsável pela mensagem |
| Custos do teste verificado: $1.88 pela sessão completa, incluindo a geração do clipe original; na mão, 4 créditos na estação de voz e a partir de 104 créditos na de sincronia labial. Não há nenhum preço publicado por minuto ou por idioma para uma dublagem. | ||
Sua primeira dublagem
Quatro passos: envie um clipe de frente para a câmera com um único locutor, leia a transcrição e a linha traduzida que o agente exibe, aprove as duas e depois deixe rodando enquanto o clone de voz trabalha — reserve cerca de quinze minutos para um clipe curto.
Ilustração
Um clipe de frente para a câmera, uma instrução, uma leitura do que ele exibe — e depois cerca de quinze minutos de espera, a maior parte deles no clone de voz.
Um único locutor, de frente para a câmera, com a boca desobstruída. Esse enquadramento é o que a etapa de ressincronização vai precisar depois, então vale acertar antes que qualquer outra coisa rode.
Uma instrução basta; o agente escolhe as estações. Você não está escolhendo modelos nem montando uma cadeia na mão.
A transcrição e a linha traduzida aparecem antes de existir qualquer áudio. Este é o seu único ponto de controle — leia as duas com atenção.
Cerca de dez minutos em um clipe curto, sem supervisão; essa pausa é esperada, não é travamento. A ressincronização seguinte levou 3 min 09 s no teste medido.
Perguntas frequentes
Estas dez cobrem os tempos, as amostras de voz, os pares de idiomas e o sentido da tradução, o que uma dublagem não toca, o custo e o plano gratuito, as permissões, usar um vídeo do YouTube como origem e o que o teste não revelou.
Cerca de quinze minutos de ponta a ponta para um clipe de cinco segundos com um único locutor no teste medido de 29 de julho de 2026, e uns dez desses minutos foram só o clone de voz.
Transcrever levou 13 segundos, extrair o áudio original 9 segundos, dizer a linha traduzida 42 segundos e ressincronizar a boca 3 minutos e 9 segundos. Um clipe mais longo, mais locutores ou outro par de idiomas não vão gerar os mesmos números.
Não — o teste clonou a voz a partir da própria fala do clipe, sem nenhuma amostra à parte.
A faixa original é extraída com pixazo_extract_audio e reaproveitada como referência do clone, o que também significa que um original ruidoso ou cheio de música dá ao clone uma referência pior para trabalhar.
O próprio agente escreve a tradução em vez de chamar um modelo de tradução à parte, e o teste verificado foi do inglês para o espanhol.
Como não há nenhum modelo de tradução à parte na cadeia, não existe uma lista publicada de pares suportados para citar, nem um número de precisão para a tradução. Vale notar também que o playground não tem voz para texto nem nenhum modelo de tradução — só o P Agent roda a cadeia inteira.
Ela substitui toda a base de áudio e reajusta a imagem, e não mexe em mais nada.
Ela não consegue separar o diálogo da música e dos efeitos dentro de uma faixa já mixada, e não consegue substituir o texto embutido na imagem — títulos, tarjas e legendas queimadas ficam no idioma original.
A sessão verificada inteira saiu por cerca de $1.88, e esse valor inclui a geração do clipe original, não só a dublagem.
Se em vez disso você operar as estações na mão, o Chatterbox v1 custa 4 créditos e o MultiTalk a partir de 104 créditos por execução. Não há preço de dublagem publicado por minuto ou por idioma.
Sim — clonar a voz de uma pessoa real exige a permissão dessa pessoa, e uma licença para usar um material gravado não inclui dublá-lo.
Resolva as duas coisas separadamente antes de dublar qualquer coisa que não tenha sido você que gravou.
Não foi revelado: o agente citou apenas os nomes das ferramentas da própria Pixazo — pixazo_add_voice, pixazo_lip_sync.
O catálogo lista várias famílias de fala e de sincronia labial, mas este teste não comprova nenhuma delas, então esta página não atribui nenhuma das duas etapas a um fornecedor.
Nos dois sentidos. A etapa de transcrição detecta o idioma de origem sozinha — no teste medido ela devolveu “Detected English” sem que ninguém dissesse — então você indica o idioma que quer na saída e ela trabalha com o que entrou.
O teste desta página foi do inglês para o espanhol. Do espanhol para o inglês, ou qualquer outro par, é a mesma instrução com outro idioma de destino; a cobertura do idioma de destino é definida pelo modelo de fala que diz a linha, não pela Pixazo.
Você precisa do arquivo de vídeo, não de um link. Nada no teste medido importou de uma URL, então exporte o clipe do YouTube — ou use o seu próprio master — e envie esse arquivo.
Um único locutor de frente para a câmera é o que a etapa de ressincronização resolve melhor, então um busto falante dubla muito mais limpo do que uma montagem de cortes rápidos.
Sim, começar é grátis: um teste de 7 dias com 100 créditos de bônus, que é o que a página de preços informa. Esses créditos rendem bastante na estação de voz — o Chatterbox v1 custa 4 créditos por linha.
Ainda assim, seja realista com a cadeia inteira. A estação de ressincronização labial começa em 104 créditos, então uma execução completa de ponta a ponta precisa de mais do que o crédito de cadastro. O teste medido desta página custou cerca de $1.88 no P Agent, e os detalhes dos planos atuais estão na página de preços da Pixazo.
Deepak Joshi
Especialista em marketing de conteúdo · Pixazo
Deepak documenta os modelos de fala, clonagem de voz e sincronia labial da Pixazo rodando-os, e não lendo suas fichas técnicas. A dublagem desta página é o teste dele mesmo no P Agent em 29 de julho de 2026 — a transcrição, a tradução, os tempos de cada etapa e o custo de sessão de $1.88 foram todos copiados desse teste, e os dois clipes são o resultado real dele. Quando o teste não revelou algo, como qual modelo de fornecedor disse a linha, esta página diz isso em vez de chutar.
Explorar
As que criam ou ampliam o material que você está dublando — comece antes se ainda faltar o vídeo, e use o diretório se você procura uma tarefa totalmente diferente.
Ilustração
Reajuste a boca de um material que você já tem a uma faixa de áudio que você já tem — a estação 04 sozinha.
Ilustração
Trabalhe só o lado da voz, quando o que você precisa é a voz do locutor e não a imagem.
Ilustração
Crie o material do zero. O clipe em inglês no topo desta página começou aqui.
Ilustração
Comece de uma imagem parada em vez de uma filmagem e depois traga o resultado de volta aqui para dublar.
Solte um clipe de frente para a câmera com um único locutor no P Agent e aprove a transcrição e a tradução que ele exibe — foi exatamente assim que os dois clipes do topo desta página foram feitos.
Abrir o P Agent
