Blogue

Guia de uso

Como escrever prompts no ElevenLabs Sound Effects v3: organizar a descrição de efeitos sonoros por material, ação e distância

Nov 18, 2026
Sobre um fundo em tom de areia quente, faixas horizontais escalonadas em terracota e tons de marrom se sobrepõem, servindo como imagem de capa do blog.
Nesta página

Por que dividir o prompt em material, ação e distância

O erro mais comum ao escrever prompts de efeitos sonoros é terminar uma frase e enviá-la: «um som de clique nítido». Essa frase tem um adjetivo, mas não traz informação que o modelo possa concretizar — que material está soando? A ação é rápida ou lenta? A que distância o ouvinte está? O modelo de geração de efeitos sonoros precisa preencher essas dimensões, e a forma como as preenche é incontrolável. Assim, rodando o mesmo prompt duas vezes, obtêm-se dois resultados de estilos totalmente diferentes, e a depuração vira uma loteria.

A abordagem mais estável é decompor a descrição em três camadas de informação estruturada:

  • O material determina o timbre: madeira, vidro, metal, tecido, água e plástico têm modos de ressonância e componentes de alta frequência diferentes. Especificar o material equivale a definir a referência de timbre.
  • A ação determina o ritmo e o envelope: é um clique único ou uma sequência de cliques, um apoio leve ou uma queda pesada, um atrito lento ou uma raspagem rápida. O verbo de ação define o ataque, o decaimento e a distribuição de duração do som.
  • A distância determina a sensação espacial e a tendência de reverberação: junto ao ouvido, a menos de um metro, do outro lado do ambiente, ao ar livre a distância. Quanto mais longe, mais fraco o som direto e maior a proporção de reverberação e graves, e a imaginação espacial do modelo muda junto.

Essas três camadas não são um modelo rígido em que todas devem ter o mesmo peso, mas um quadro de análise: diante de uma necessidade de efeito sonoro, primeiro identifique de qual camada ela mais depende, detalhe as palavras correspondentes e complemente as outras duas conforme necessário. Sons de feedback de interface dependem quase só de ação e material; o foley de objetos tem o material como sujeito; a ambiência se sustenta na distância e no espaço. As seções seguintes desenvolvem cada caso.

Dentro do limite de 450 caracteres, esse quadro tem ainda uma vantagem prática: ele naturalmente ajuda a controlar a densidade de informação. Uma frase para cada camada costuma bastar; se não preenche, a descrição ainda não é concreta o suficiente; se estoura, você está empilhando sinônimos.

As três camadas — material, ação e distância — escalonam-se e, ao fim, condensam-se em um prompt estruturado.

Forma da API e três parâmetros ajustáveis

Primeiro fixemos o contrato, para que as formas de escrever tenham um ponto de convergência comum. A interface de tarefa atual corresponde ao modelo elevenlabs/sound-effects-v3, com os campos de entrada concentrados em input:

  • prompt: string obrigatória que descreve o efeito sonoro desejado, devendo abranger ação, cenário, atmosfera e modo de execução, com no máximo 450 caracteres.
  • duration_seconds: número obrigatório, em segundos, com faixa de 0,5 a 30, padrão 2. Não há suporte a duração automática — é preciso definir o comprimento ativamente conforme o tipo de efeito sonoro.
  • loop: booleano opcional, padrão false, controla se o efeito sonoro é gerado para reprodução em loop contínuo.
  • prompt_influence: número opcional, de 0 a 1, padrão 0,3. Quanto menor, mais aleatório e variado; quanto maior, mais rigorosamente fiel à descrição.

Dos três parâmetros opcionais ou semiopcionais, o mais facilmente ignorado é o viés introduzido pelo valor padrão. prompt_influence em 0,3 significa que o modelo tem bastante liberdade para «improvisar», o que é bom na fase de exploração, mas vira ruído quando você já refinou a descrição e precisa reproduzi-la. duration_seconds em 2 segundos por padrão é adequado para sons curtos de interface, mas insuficiente para sons de ambiência.

Exemplo de chamada (conforme a estrutura input da interface de tarefa):

{
  "input": {
    "prompt": "wooden drawer sliding open slowly on a dry track, close perspective, slight creak",
    "duration_seconds": 3,
    "loop": false,
    "prompt_influence": 0.6
  }
}

Os campos e valores completos da interface devem ser consultados na página do modelo; é possível ver os parâmetros atuais e as formas de integração em ElevenLabs Sound Effects v3. As três seções seguintes tratam de como escrever prompts para cada tipo de cenário e depois retornam ao ajuste dos parâmetros.

Os três elementos de entrada — prompt, duração e intensidade de influência — são expressos pela largura e convergência das faixas escalonadas, condensando-se em um mesmo resultado de áudio gerado.

Sons de feedback de interface: curtos, secos, ação em primeiro lugar

Entre os três tipos, o feedback de interface é o que menos exige imaginação e também o mais fácil de escrever mal. Os requisitos são claros: curto, seco, ataque nítido, sem cauda arrastada. Ao escrever esse tipo de prompt, a ação deve vir no início da frase, o material logo em seguida, e a distância sempre em campo próximo.

Um esqueleto de redação utilizável:

[ação] + [material/objeto] + [restrição de percepção]

Por exemplo:

soft plastic button click, single press, very close, no reverb, tight transient
short glass tick, light tap, near field, clean tail
quick mechanical switch flip, small metal lever, close perspective, dry

Três detalhes merecem destaque:

A ação deve indicar se é única ou repetida. «click» e «rapid double click» são coisas completamente diferentes em termos de envelope. A maioria dos sons de interface é de ocorrência única; escrever «single press» reduz a probabilidade de o modelo acrescentar ritmo por conta própria.

Use «no reverb» e «dry» para eliminar o espaço. Se um som de interface trouxer reverberação evidente, ele soará sujo quando colocado na UI. Use termos de distância como «very close» e «near field» e acrescente uma restrição de som seco; isso costuma convergir significativamente.

Prefira duração curta. Para esse tipo de efeito, duration_seconds parte de 0,5 e cerca de 1 segundo costuma bastar; se passar de dois segundos, pergunte-se se introduziu uma cauda indesejada. Se a duração for longa demais, o modelo tende a preencher conteúdo — transformando um clique limpo em um trecho de ambiência.

A escolha do material equivale a escolher a família de timbres: plástico pende para o médio com um pouco de abafamento, vidro para o agudo cristalino, metal traz sustentação e harmônicos. Com a mesma ação de «clique», trocar a palavra de material cobre a maior parte das necessidades de feedback de interface. Por isso, nesse cenário, o material não é ornamento, mas um dos sujeitos da frase.

Foley de objetos: o material como sujeito

A dificuldade do foley de objetos é que a mesma ação soa completamente diferente em materiais diferentes. A palavra «impacto» por si só não carrega nenhuma informação de timbre; quem fala é «caixa de madeira», «caneca de cerâmica», «corrente». Portanto, a sintaxe desse tipo de prompt deve ter o material como sujeito e a ação e a forma de aplicação de força como predicado.

Ordem recomendada de redação: material → ação/força → textura adicional → distância.

heavy ceramic mug placed on wooden tabletop, hard contact, short resonant thud, close perspective
metal chain dropped onto concrete, links colliding, bright clatter with metallic ring, one meter away
fabric curtain pulled across a metal rod, continuous friction, soft rustle with occasional ring

Alguns critérios para verificar se a palavra de material realmente faz efeito:

  • Dá para trocar o material e a frase ainda se sustenta? Se, ao trocar a palavra de material, a descrição fica vazia, o material é de fato o núcleo da frase; se não houver diferença, você escreveu uma ação genérica e o modelo só pode adivinhar.
  • A forma de aplicação de força precisa ser escrita? «placed» (colocar) e «slammed» (arremessar) determinam a intensidade e o transiente. Ações de atrito como «colliding», «scraping» e «sliding» exigem indicar se são contínuas, pois o envelope do atrito contínuo é totalmente diferente do de uma colisão.
  • Deixar ou não ressonância? Metal, vidro e cerâmica têm cauda reconhecível; madeira é curta; tecido é quase só ruído. Se não quiser sustentação, escreva «damped» ou «dry» diretamente no prompt; se quiser, especifique «resonant» ou «ring out».

Quanto à duração, colisões costumam exigir de 0,5 a 2 segundos; atritos e aberturas/fechamentos precisam cobrir o processo completo, podendo exigir de 2 a 5 segundos. Não espere que o modelo encaixe uma ação de abrir gaveta de três segundos em 1 segundo — duration_seconds é o único meio de dizer a ele «quanto tempo», e ele não se adapta automaticamente.

As faixas escalonadas são seccionadas em camadas de diferentes materiais: vibrações fragmentadas de alta frequência dos materiais duros, oscilações largas e suaves dos macios e ondulações concêntricas de impacto pontual, correspondendo a como as palavras de material reescrevem o timbre dos objetos.

Ambiência sonora: escrever o cenário com distância e espaço

A ambiência sonora é essencialmente diferente das duas categorias anteriores: não descreve um evento, mas um estado espacial contínuo. O envelope de um evento tem início e fim; a ambiência deve preencher todo o período e manter-se estável. Nesse tipo de prompt, distância e tipo de espaço são o esqueleto; material e ação ficam em segundo plano.

Ao escrever, responda primeiro a três perguntas:

  1. Qual é o tipo de espaço: sala pequena interna, salão, rua, floresta, garagem subterrânea, área externa aberta.
  2. Onde e a que distância estão as fontes sonoras: uma única fonte contínua ou várias camadas próximas e distantes sobrepostas.
  3. O estado contínuo é estável: precisa de oscilações ou é quase um estado estacionário próximo de ruído branco.

Correspondendo à forma de escrita:

quiet indoor room tone, distant traffic hum through a closed window, low level, steady ambience
office background, faint keyboard taps and air conditioning drone two meters away, continuous
outdoor night field, crickets at varying distances, soft wind over grass, spacious, wide stereo image

Observe expressões como «varying distances» — elas produzem resultados com mais profundidade do que uma distância única. A textura da ambiência costuma vir das camadas de perto e de longe, não de um som destacado. Se todos os elementos do prompt estiverem «muito perto», o resultado parecerá um close-up colado ao rosto, sem espaço.

O loop é o ponto de divergência decisivo desta seção. Sons de ambiência geralmente precisam tocar em loop, e se o ponto de emenda é natural depende diretamente da duração. Se loop estiver em true, considere: o conteúdo permanece no mesmo estado durante todo o período? Se o prompt tiver descrições direcionais como «gradually rising wind», o retorno do loop se revelará na emenda. A abordagem segura é manter a ambiência em estado estacionário e fornecer um duration_seconds suficientemente longo — segmentos de loop muito curtos fazem a emenda aparecer com frequência; com dez e poucos segundos ou até próximo do limite, o loop soa contínuo.

Por outro lado, se essa ambiência for usada em um cenário único (transição, abertura), mantenha loop em false, defina a duração conforme a necessidade e escreva oscilações e variações sem receio.

Como ajustar os parâmetros em conjunto com o prompt

Prompt e parâmetros não são duas coisas separadas; o ajuste deve seguir uma ordem fixa, evitando mudar várias variáveis ao mesmo tempo.

Primeiro passo: definir duration_seconds. É obrigatório e não automático; atribua primeiro um valor razoável conforme o tipo de efeito — interface de 0,5 a 1 segundo, foley de colisão de 1 a 2 segundos, atrito e abertura/fechamento de 2 a 5 segundos, ambiência com dez segundos ou mais conforme a necessidade de loop. Uma vez definido, o prompt seguinte organiza o conteúdo dentro dessa janela de tempo.

Segundo passo: definir loop. Apenas ambiências e alguns poucos sons mecânicos contínuos precisam de true; efeitos de evento sempre false. Ao definir true, revise o prompt para ver se há descrições direcionais (aumento gradual, diminuição gradual, afastamento gradual); se houver, troque por formulações de estado estacionário.

Terceiro passo: ajustar prompt_influence. O padrão 0,3 é mais divergente e serve para a fase de exploração — para ver o que o modelo oferece. Quando você já tem uma versão satisfatória e quer reproduzir o mesmo estilo, aumente para a faixa de 0,5 a 0,8 para aproximar a saída do texto. Por outro lado, se a descrição está excessivamente específica mas a saída parece sempre rígida e sem aleatoriedade natural, reduza um pouco.

Quarto passo: só então volte ao prompt. Se após ajustar os parâmetros ainda não estiver satisfeito, o problema está na própria descrição: palavras de material pouco concretas ou ação incompatível com a duração (por exemplo, uma ação de abertura de três segundos escrita como colisão única).

Resumo por cenário: para feedback de interface, priorize duration_seconds curto e prompt_influence mais alto (reprodução estável); para foley de objetos, priorize a precisão do material e mantenha prompt_influence médio; para ambiência, priorize duração suficiente e loop correto, podendo reduzir moderadamente prompt_influence em troca de naturalidade.

Problemas comuns de prompt e direções de correção

Os casos a seguir são os mais frequentes na depuração e podem ser localizados rapidamente com uma autoavaliação.

Descrição vaga. A marca típica é ter só adjetivos e nenhum ente concreto: «a cool sound», «an exciting swoosh». O critério é simples: o que resta depois de remover os adjetivos? Se não resta nada, o modelo também só pode improvisar. A correção é completar material e ação, trocando «a cool click» por «a short glass click, single press, close».

Excesso de informação. Um único prompt acumula cinco ou seis elementos: material, ação, ambiente, emoção, grau de reverberação e largura estéreo, ainda por cima contraditórios. O resultado é o modelo distribuindo a atenção igualmente e nada parecendo o esperado. A correção é reduzir para duas ou três camadas conforme o cenário: sons de interface mantêm apenas ação e material; ambiência mantém apenas espaço e distância.

Comprimento acima do limite. O prompt tem limite de 450 caracteres; ultrapassar causa truncamento ou falha de validação. Empilhar sinônimos é a principal causa, por exemplo «loud, noisy, booming, thunderous» quando apenas um basta. Ao terminar, faça uma poda: mantenha um adjetivo sinônimo e remova modificadores dispensáveis.

Conflito entre ação e duração. Escrever uma ação de atrito contínuo e conceder apenas 0,5 segundo, ou escrever uma colisão única e conceder dez segundos. No primeiro caso, o modelo só pode comprimir em um ruído curto; no segundo, preenche com cauda. A correção é alinhar duration_seconds com a duração semântica da ação.

Loop inviável. Definir loop: true para um som de evento com início e fim claros produz emenda necessariamente abrupta. Loop só se aplica a conteúdo em estado estacionário; não ative para sons de evento.

Misturar modelos de cenários diferentes. Usar «no reverb, dry» de sons de interface para escrever ambiência externa elimina a sensação espacial; usar «spacious, distant» de ambiência para escrever um clique produz uma massa confusa. Escrever e iterar separadamente para cada um dos três cenários é muito mais estável do que aplicar o mesmo modelo.

Trate material, ação e distância como três pontos de verificação e revise-os antes de cada envio; a maioria dos problemas de instabilidade pode ser eliminada já na fase de escrita do prompt.

Artigos relacionados

Ver todos os artigos →

Comece a criar com artefactos de IA persistentes

Obtenha a sua chave de API e chame modelos de imagem, vídeo e áudio através de uma única API baseada em tasks.

Ler a documentação da API