ElevenLabs Dialogue V3

O que é o ElevenLabs Dialogue V3

O ElevenLabs Dialogue V3 é a geração de voz multivozes do Kling AI Video, baseada no modelo Eleven v3 da ElevenLabs. Diferente do texto para voz padrão —uma voz lendo um bloco de texto—, o Dialogue V3 foi construído para conversas: ele recebe um roteiro estruturado com vários falantes, atribui a cada um uma voz própria e entrega uma saída de áudio coesa em que cada voz soa natural, emocionalmente coordenada e com o ritmo certo em relação às outras.

No Kling AI Video, esse recurso opera com 75 idiomas e 113 vozes selecionadas. As tags de áudio —marcadores embutidos de emoção, entrega, expressões não verbais, sotaque e ritmo— controlam a atuação de cada voz no nível da linha. E a saída de áudio alimenta diretamente o AI Avatar: escreva o roteiro, gere o diálogo e anime um retrato que o fala com lip sync. Tudo sem trocar de plataforma: a jornada do roteiro escrito ao vídeo de talking head final se fecha num único fluxo do Kling AI Video.

Como funciona o ElevenLabs Dialogue V3

1. Escreva o roteiro do diálogo — estruture o conteúdo como uma sequência de linhas, cada uma atribuída a um falante nomeado. Uma linha é um turno da conversa. Sem limite de falantes nem de linhas; o único teto é o total de 5.000 caracteres.

2. Atribua vozes e dirija a atuação — escolha para cada falante uma das 113 vozes, todas com prévia. Insira tags de áudio embutidas como [excited], [whispering] ou [laughs softly] para dirigir momentos específicos sem alterar o resto do roteiro.

3. Escolha a estabilidade e gere — defina a entrega geral entre Criativa, Natural e Robusta. Natural (padrão) cobre a maioria das produções. Gere o áudio: a saída chega como um arquivo único com todos os falantes, transições e ritmo, pronto para uso direto ou como entrada do AI Avatar.

Tags de áudio: o controle de emoção e entrega

As tags de áudio diferenciam o ElevenLabs Dialogue V3 de uma ferramenta de leitura. São marcadores entre colchetes dentro do roteiro que indicam ao modelo como entregar palavras, frases ou linhas, sem afetar o resto da geração.

Seis categorias de tags suportadas:

• Emoção — [happy], [sad], [angry], [nervous] — define o estado emocional do texto marcado
• Entrega — [whispering], [shouting], [slow] — controla a produção física do som
• Não verbal — [laughs], [sighs], [gasps] — adiciona sons humanos naturais que soam genuínos, não inseridos
• Efeito sonoro — [applause], [door slamming], [thunder] — coloca sons de ambiente e reação no fluxo do diálogo
• Sotaque — [French accent], [British accent] — desloca o caráter regional da voz em linhas específicas
• Ritmo — [slowly], [quickly], [dramatic pause] — molda a cadência da fala naquela linha

As tags se combinam na mesma frase: [excited][quickly] Fechamos o contrato! produz uma entrega rápida e cheia de energia naquela linha. A linha seguinte, sem tags, volta à entrega padrão. Essa precisão por linha torna o Dialogue V3 prático para conteúdo que exige atuação vocal: um porta-voz que passa da confiança ao acolhimento, um personagem que desliza da certeza à dúvida. Sem regravação, sem passada extra.

Diálogo multivozes

Uma geração do Dialogue V3 aceita falantes ilimitados. Cada um é configurável de forma independente: voz própria, estabilidade própria, tags de áudio próprias. O sistema cuida das trocas de falante, das pausas naturais entre as falas, do impulso da conversa e do ritmo que transforma duas ou mais vozes em uma troca de verdade, não em leituras alternadas.

Conversas de dois apresentadores — o formato prático para podcast, diálogos explicativos de produto e segmentos de perguntas e respostas. Dê a cada apresentador um caráter vocal próprio e o modo de diálogo mantém a troca fluida e equilibrada, sem ajuste manual de timing.

Diálogos de personagens — para conteúdo narrativo, storytelling e cenas com vários personagens. Vários personagens com vozes, amplitudes emocionais e estilos de entrega próprios no mesmo arquivo de saída. Combinados às tags de áudio, cada personagem mantém um perfil de fala consistente ao longo do roteiro.

113 vozes, 75 idiomas

O Kling AI Video oferece 113 vozes selecionadas para o ElevenLabs Dialogue V3: uma seleção das vozes de produção mais usadas, entre vozes de porta-voz e de marca, narradores educacionais, diálogos de personagens, apresentadores de conversa e intérpretes expressivos. Cada preset tem uma prévia de áudio na nuvem que toca no seletor de vozes antes de rodar a geração.

São 75 idiomas suportados, incluindo a detecção automática. A mesma estrutura de roteiro e configuração de tags funciona em todos. O fluxo multilíngue é direto: escreva o roteiro uma vez, gere o áudio em cada idioma-alvo e combine cada versão com o mesmo retrato no AI Avatar. A identidade visual do personagem fica constante; só a voz muda.

Para equipes que atendem vários mercados —o mesmo porta-voz de marca lançando um produto em português, inglês e espanhol—, essa combinação de vozes, idiomas e encadeamento direto com o avatar elimina o fardo de produção das sessões de gravação por idioma.

Do roteiro ao AI Avatar: o pipeline completo

O fluxo mais prático do ElevenLabs Dialogue V3 no Kling AI Video é o encadeamento direto com o AI Avatar: gere o áudio do diálogo e leve-o com um retrato ao fluxo de avatar.

Com ferramentas avulsas, o processo atravessa várias plataformas: gerar o áudio num serviço de TTS, baixar o arquivo, subir na ferramenta de avatar, rodar a geração. Cada etapa é uma passagem manual.

No Kling AI Video, tudo se fecha numa só plataforma:

1. Escreva o diálogo no texto para voz — atribua vozes, coloque tags de áudio, escolha a estabilidade
2. Gere o áudio
3. Abra o AI Avatar, envie um retrato e use o áudio gerado
4. Gere o vídeo com lip sync

A pessoa fala exatamente o que você escreveu, com a voz escolhida e a direção emocional marcada no roteiro. Anime o mesmo retrato com áudios diferentes —outros idiomas, outros roteiros, outros tons— e uma única imagem de personagem vira uma biblioteca de vídeos de avatar consistentes.

Os detalhes de tipos de personagem, níveis de modelo e requisitos de retrato da ferramenta de avatar estão no guia do Kling AI Avatar.

O que dá para criar com o ElevenLabs Dialogue V3

Vídeos de talking head com o AI Avatar — o fluxo integrado central da plataforma. Escreva o roteiro, gere as vozes com o Dialogue V3 e leve o áudio ao AI Avatar. A pessoa fala seu roteiro sob sua direção: consistente em qualquer produção e em qualquer idioma.

Podcast e áudio com vários apresentadores — duas ou mais vozes em conversa natural. O modo de diálogo cuida da alternância, do timing e das trocas emocionais. Segmentos completos de entrevista, debates de dois apresentadores e cenas de drama de áudio nascem só do roteiro: sem estúdio, sem agenda.

Localização de conteúdo multilíngue — gere o mesmo roteiro em vários idiomas sem regravação nem elenco novo. A mesma configuração de tags vale entre idiomas: a entrega dos personagens fica consistente mesmo com a língua mudando. Combinado ao AI Avatar, vira conteúdo de vídeo totalmente localizado.

Leituras educacionais e de cursos — uma voz de instrutor lendo o conteúdo com as variações de emoção que mantêm a atenção em formatos longos. As tags de áudio colocam ênfase nos pontos-chave e ritmo natural entre as seções.

Narração de demos de produto e explicativos — locuções de roteiro com voz de marca constante. Para as cenas em vídeo, a geração de vídeo Kling 3.0: as duas ferramentas rodam no Kling AI Video.

Audiolivros e storytelling — várias vozes de personagem, amplitude emocional e ritmo dramático numa só geração. Cada personagem mantém um perfil vocal próprio, com as tags de áudio dirigindo a atuação linha a linha.

Eleven v3 vs Eleven v2: o que mudou

O salto do v2 para o v3 é, antes de tudo, de expressividade e estrutura. O v3 foi construído para diálogos de roteiro e atuação dirigida: tags de áudio, modo de diálogo e expansão de idiomas servem a esse propósito. Para leituras longas de voz única com entrega estável e previsível, o v2 continua sendo uma escolha forte. O texto para voz do Kling AI Video usa o Eleven v3 via API text-to-dialogue como padrão de produção.

Especificações técnicas

O que vale saber antes de gerar

O limite de 5.000 caracteres soma todas as linhas do diálogo. Dois falantes trocando 10 linhas de 80 caracteres usam 800: há bastante folga. Episódios completos de podcast ou roteiros em várias partes precisam ser divididos em segmentos de geração e montados na pós.

O efeito das tags varia por voz. Algumas vozes respondem forte às tags de emoção; outras são mais contidas. Use as prévias como referência e teste as tags antes da geração de produção.

A estabilidade Natural cobre a maioria dos usos. Criativa entrega fala expressiva e variada, mas oscila mais em roteiros longos: melhor para conteúdo dramático ou com muitos personagens. Robusta alinha o tom em todas as linhas: para conteúdo de marca e educacional que exige consistência.

Planeje os segmentos de roteiro pensando no limite de 15 segundos do AI Avatar. Se o diálogo vai virar avatar, mire cada segmento de geração em menos de 15 segundos de áudio. Quebras naturais do roteiro — mudanças de assunto, fronteiras de seção — são pontos de corte práticos e facilitam controlar tom e ritmo entre segmentos de avatar.

A geração multilíngue usa a mesma estrutura de tags. As categorias de tags funcionam nos 75 idiomas: uma tag [excited] age igual num roteiro em português e num em inglês. Pipelines de conteúdo multilíngue compartilham estrutura de roteiro e direção de entrega entre todas as versões de idioma.

Quem usa o ElevenLabs Dialogue V3

Gerar meu primeiro diálogo →