Você tem um vídeo em que a pessoa diz uma coisa e uma nova faixa de áudio que diz outra. Pode ser uma tradução, um roteiro corrigido ou uma voz que você gerou há uma hora. A boca na tela ainda acompanha as palavras antigas, e todo espectador percebe em dois segundos. Sync V2, o modelo de lipsync de segunda geração da Sync Labs, existe justamente para resolver isso: ele recebe um vídeo e um arquivo de áudio e, quadro a quadro, reconstrói a região da boca para que os lábios acompanhem a nova fala.
Este artigo mostra o que você pode ajustar, quanto custa por segundo de material, como funciona o acesso à API e quais caminhos gratuitos valem o seu tempo. Se você só quer experimentar agora, o Lipsync 2 no PicassoIA roda o modelo no navegador, sem código.

O que o Sync V2 realmente faz
O Sync V2 é um modelo de lipsync de vídeo para vídeo. Você envia dois arquivos: um MP4 com um rosto visível e um WAV com a fala que você quer que esse rosto diga. Ele devolve um novo MP4 em que a boca, o maxilar e a pele ao redor são regenerados para combinar com o áudio, enquanto o resto do quadro permanece como foi filmado.
Isso é diferente de um gerador de avatares. Ferramentas de avatar partem de uma única foto e inventam tudo. O Sync V2 parte de imagens reais, então a iluminação, o movimento da cabeça, o fundo e a roupa continuam intactos. Só a área da fala muda. Por isso ele se tornou popular para dublagem, localização de anúncios e correção de roteiros depois de uma gravação.

Onde ele se encaixa melhor
O modelo se destaca em clipes com um rosto nítido, de frente ou em três quartos, e iluminação estável. Pense em entrevistas, webinars, demonstrações de produtos, vídeos de treinamento e posts sociais com pessoa falando para a câmera. Ele tem mais dificuldade quando o rosto é pequeno no quadro, está coberto por uma mão ou um microfone, ou fica virado para longe da câmera por longos trechos.
Lipsync 2 versus Lipsync 2 Pro
A Sync oferece um modelo padrão e uma versão superior. As duas estão disponíveis no PicassoIA, então você pode testar o mesmo clipe em cada uma.
| Recurso | Lipsync 2 | Lipsync 2 Pro |
|---|
| Ideal para | Dublagem do dia a dia, clipes para redes sociais, rascunhos | Primeiros planos, detalhes finos, entrega final |
| Modos de sincronização | Loop, bounce, cut off, silence, remap | Mesma família de controles |
| Preço típico na API | Mais baixo por segundo | Aproximadamente 1,5 a 2 vezes mais alto |
| Quando escolher | Trabalho em volume e testes | Clipes em que dentes, barbas e textura da pele importam |
💡 Dica: Faça seu primeiro teste no modelo padrão. Passe para a versão Pro apenas em cenas que vão ocupar a tela inteira, como um vídeo principal em uma landing page.
O Sync V2 tem uma lista curta de entradas. Isso é bom, porque há pouco o que configurar errado. Veja o que cada uma faz.

sync_mode: cinco formas de lidar com a duração
A configuração mais importante decide o que acontece quando o áudio e o vídeo não têm a mesma duração. E raramente têm.
| Modo | O que faz | Use quando |
|---|
| loop (padrão) | Repete o vídeo desde o início até o áudio terminar | Um clipe curto de rosto precisa acompanhar uma narração longa |
| bounce | Reproduz o vídeo para frente, depois para trás, e para frente de novo | Você quer uma repetição mais suave, sem corte visível |
| cut_off | Corta o arquivo mais longo para igualar o mais curto | O áudio é mais longo e você só precisa da parte em comum |
| silence | Completa o áudio mais curto com silêncio | O vídeo é mais longo e a pessoa pode simplesmente parar de falar |
| remap | Estica ou comprime o tempo do vídeo para caber no áudio | Uma faixa traduzida fica um pouco mais longa ou mais curta que o original |
Remap é o que as equipes de dublagem mais usam. Traduções para espanhol e alemão costumam ficar de 15 a 25 por cento mais longas que o inglês, e o remap absorve essa diferença sem cortar palavras. Bounce fica melhor que loop em avatares estáticos, porque o loop mostra um pequeno salto toda vez que o clipe recomeça.
Temperatura: o quanto a boca se expressa
A temperatura vai de 0 a 1, e o padrão é 0,5. Valores baixos geram movimentos de boca pequenos e contidos. Valores altos geram formas mais amplas e animadas.
- 0,2 a 0,35: treinamento corporativo, estilo de telejornal, narração calma
- 0,5: um padrão seguro para a maioria das imagens de pessoa falando para a câmera
- 0,65 a 0,8: apresentadores enérgicos, anúncios, conteúdo infantil, trabalho com personagens
Com valor alto demais, a boca pode parecer exagerada, principalmente com um falante que quase não mexe o rosto no original. Se for baixo demais com um falante agitado, os lábios parecem apáticos diante da linguagem corporal. Mude em passos de 0,1 e compare.
Detecção de falante ativo
É um simples botão de ligar e desligar, desligado por padrão. Quando está ligado, o modelo identifica quem está falando em uma cena com várias pessoas e aplica o lipsync só nessa pessoa. Sem ele, o modelo pode tentar sincronizar todos os rostos visíveis com o mesmo áudio, o que fica estranho em uma entrevista com duas pessoas.

Ligue para entrevistas, painéis e qualquer cena com mais de um rosto. Deixe desligado para clipes com um único falante, pois ele não acrescenta nada nesses casos.
Regras para os arquivos de entrada
O modelo espera um vídeo MP4 e um arquivo de áudio WAV. Se sua narração estiver em MP3 ou M4A, converta antes. O áudio limpo importa mais do que as pessoas imaginam: música de fundo sob a voz, reverberação forte ou distorção podem gerar formas de boca imprecisas.
💡 Dica: Exporte a faixa de voz sozinha, sem música, antes de enviar. Adicione a música de volta depois que o lipsync estiver pronto.
O custo real do Sync V2
É no preço que a maioria das pessoas se surpreende, porque o lipsync é cobrado pela duração do vídeo de saída, e não pelo número de tentativas até você ficar satisfeito.

Tarifas por segundo na API
Com base nos preços publicados da API da Sync na data em que este texto foi escrito, a cobrança é feita por quadro de saída, o que se traduz em uma tarifa por segundo a 25 quadros por segundo:
- Lipsync 2: aproximadamente US$ 0,04 a US$ 0,05 por segundo, o que dá cerca de US$ 2,40 a US$ 3,00 por minuto
- Lipsync 2 Pro: aproximadamente US$ 0,067 a US$ 0,083 por segundo
- Provedores terceiros de API listam o modelo padrão em torno de US$ 3 por minuto de vídeo
Como a cobrança segue os quadros, a configuração de fps importa. Um clipe de 30 fps tem mais quadros que um clipe de 25 fps com a mesma duração, então verifique como sua plataforma faz a contagem. Os preços mudam com frequência, então trate esses números como uma faixa de planejamento e confirme-os na página de preços do provedor antes de definir um orçamento.
Quanto custam projetos comuns
Aqui está um orçamento aproximado com a tarifa do modelo padrão, usando cerca de US$ 3 por minuto:
| Projeto | Duração | Custo aproximado |
|---|
| Um clipe único para redes sociais | 30 segundos | US$ 1,50 |
| Demonstração de produto, um idioma | 3 minutos | US$ 9 |
| A mesma demonstração em 5 idiomas | 15 minutos no total | US$ 45 |
| Vídeo de treinamento semanal, 10 minutos, 3 idiomas | 30 minutos no total | US$ 90 |
O custo escondido: refações
Ninguém consegue o resultado perfeito na primeira tentativa em todos os clipes. Conte com 1,5 a 2 execuções por vídeo finalizado enquanto ajusta a temperatura e o modo de sincronização. A forma mais barata de fazer isso é cortar um trecho de teste de 5 a 10 segundos, ajustar as configurações ali e só então rodar a duração completa uma vez.
Noções básicas de acesso à API
O Sync V2 está disponível pela API própria da Sync e por várias plataformas de hospedagem de modelos. O fluxo de trabalho é o mesmo em todas: envie um job com duas URLs de arquivo, aguarde o processamento e depois baixe o vídeo de saída.

O que uma requisição contém
Um job típico inclui:
- Uma URL pública para o vídeo MP4
- Uma URL pública para o áudio WAV
- O nome do modelo, padrão ou Pro
- Opções como modo de sincronização, temperatura e falante ativo
O processamento é assíncrono. Você recebe um ID do job, consulta o status e baixa o resultado quando termina. O tempo de processamento depende da duração do clipe e da fila, e a maioria dos clipes curtos termina em alguns minutos.
Limites do plano a verificar
A duração máxima do clipe depende da sua assinatura. Os planos da Sync variam de cerca de um minuto por geração no nível de entrada até cerca de trinta minutos no maior. Se você estiver dublando webinars longos, divida-os em capítulos de dois a cinco minutos. Isso também torna as refações mais baratas quando um trecho parece fora do lugar.
💡 Dica: Monte sua fila de jobs de modo que cada trecho seja uma requisição separada. Um trecho com falha ou fraco custa alguns dólares para refazer, e não o preço do vídeo inteiro.
Opções gratuitas que funcionam
Você não precisa pagar para descobrir se o Sync V2 combina com o seu material.

Planos gratuitos do provedor
A Sync já ofereceu contas gratuitas com uma pequena franquia mensal, descrita como algumas gerações curtas por mês, com duração máxima curta, em torno de 15 a 20 segundos cada. Os números publicados variaram entre páginas, então confira o valor atual na hora de se cadastrar. É suficiente para um teste de verdade, mas não para produção.
Grátis no navegador, no PicassoIA
O Lipsync 2 no PicassoIA é descrito como gratuito para testar online, sem necessidade de programar. Você envia o vídeo e o áudio, escolhe o modo de sincronização e executa. Isso o torna a forma mais rápida de comparar os modos de sincronização lado a lado, sem configurar uma chave de API ou uma conta de cobrança.
Para uma comparação rápida, o Lipsync 2 Pro está na mesma categoria, então você pode rodar os dois na mesma amostra de 8 segundos e decidir se o detalhe extra justifica o custo maior.
Como usar o Lipsync 2 no PicassoIA
Aqui está o fluxo de trabalho, do início ao fim, para um trabalho típico de dublagem.

- Prepare o áudio. Grave ou gere a nova faixa de voz e exporte como arquivo WAV. Mantenha apenas a voz, sem música.
- Prepare o vídeo. Corte o clipe no trecho que você quer, de preferência de 5 a 30 segundos para o primeiro teste, e exporte como MP4.
- Abra o modelo. Acesse a página do Lipsync 2 e envie os dois arquivos.
- Escolha o modo de sincronização. Use remap para dublagem traduzida, loop ou bounce para um clipe curto sob uma narração longa, e cut_off se quiser que o trecho mais curto decida a duração.
- Defina a temperatura. Comece em 0,5. Baixe para conteúdo sério, suba para uma entrega animada.
- Ative o falante ativo. Ligue apenas quando mais de uma pessoa estiver na tela.
- Execute e revise. Assista ao resultado em tela cheia, com som, e observe os sons plosivos como B, P e M, em que os lábios precisam se fechar de forma visível.
- Ajuste e rode de novo. Mude uma configuração por vez para saber o que causou a melhora.
💡 Dica: Se o áudio foi gerado por uma ferramenta de texto para fala, adicione um quarto de segundo de silêncio no início. Assim o modelo tem uma posição de boca neutra e limpa para começar.
Quando outro modelo se encaixa melhor
O Sync V2 é forte, mas não é a única opção no PicassoIA, e alguns trabalhos pedem outra ferramenta.

- Lipsync 2 Pro: a mesma família, com mais detalhes, indicado para primeiros planos e entrega final.
- Kling Lip Sync: ajusta o movimento da boca ao áudio em um vídeo, uma boa segunda opinião quando um clipe parece rígido em outro modelo.
- Lipsync Precision: voltado à dublagem de qualquer vídeo em que a precisão importa mais.
- Lipsync Speed: feito para entregas rápidas quando você está dublando muitos clipes e quer resultados em segundos.
- P Video Avatar: cria vídeos com avatares falantes quando você não tem nenhum material de origem.
Uma regra simples: imagem real mais um áudio novo aponta para o Sync V2 ou um dos seus concorrentes. Sem material filmado aponta para um modelo de avatar.
Erros que desperdiçam créditos
A maioria dos resultados decepcionantes se deve aos mesmos poucos erros.
- Rodar o vídeo inteiro primeiro. Sempre teste um trecho curto.
- Usar o modo de sincronização errado. Loop em uma dublagem traduzida vai repetir gestos; o remap costuma ser a melhor escolha.
- Deixar o falante ativo desligado em uma cena com duas pessoas, e depois se perguntar por que as duas falam.
- Enviar áudio com ruído. Música, eco e distorção confundem as formas da boca.
- Avaliar pelo alto-falante do celular. Revise em tamanho real, com fones de ouvido, porque os erros de lábio se escondem em prévias pequenas.
- Levar a temperatura a 1,0 em todos os clipes. Valores extremos servem para poucos falantes.
Fique atento também ao vídeo de origem. Um rosto borrado por movimento, parcialmente escondido ou com menos de algumas centenas de pixels de altura vai limitar a qualidade, não importa quão bem você ajuste as configurações.
Teste seu próprio lipsync hoje
O Sync V2 recompensa experimentos rápidos. Escolha um clipe de dez segundos que você já tenha, grave ou gere uma nova linha de diálogo e rode tudo no Lipsync 2 no PicassoIA. Teste o remap e depois o bounce. Leve a temperatura de 0,3 a 0,7 e veja como a mesma frase muda de personalidade.
Quando quiser comparar, rode a mesma amostra no Lipsync 2 Pro e no Kling Lip Sync. Dez minutos de teste vão dizer mais do que qualquer ficha técnica, e vão mostrar exatamente quanto orçamento o seu projeto real precisa. Para ver a lista completa de ferramentas, navegue por todos os modelos no PicassoIA e monte o seu próprio fluxo de dublagem.