Quanto custa transformar áudio em vídeo?

$0.20 por minuto de vídeo pronto em 720p sem logo, ou $0.40 por minuto no Pro, que é mais nítido e estável. Um vídeo de 10 minutos sai por $2, 30 minutos por $6 e uma hora por $12. Você paga com créditos pré-pagos do Stork (1 crédito = 1 centavo de dólar, pacotes a partir de $5). Não há assinatura. A cobrança é a cada 10 segundos iniciados, com mínimo de 5 créditos, e se um vídeo falhar todos os créditos voltam.

Existe limite de duração?

Não nos vídeos pagos. A maioria das ferramentas de avatar falante para em 10 minutos por vídeo ou menos, então um episódio inteiro precisa ser cortado em partes e depois remontado. Aqui você envia o arquivo inteiro e recebe um único vídeo.

Posso testar de graça?

Sim. Com um login gratuito do Google você pode fazer 2 vídeos por dia de até 1 minuto cada, com um pequeno logo stork.ai no canto. É o suficiente para ver como ficam sua foto e sua voz antes de pagar por um vídeo longo.

Quanto tempo leva para fazer um vídeo longo?

Mais ou menos a duração do próprio áudio, e cerca do dobro no Pro, mais até dois minutos para o renderizador iniciar. Um episódio de uma hora fica pronto em cerca de uma hora. Você não precisa deixar a página aberta; enviamos um link por e-mail quando terminar.

O que se move no vídeo?

O rosto: lábios, queixo, olhos, sobrancelhas e pequenos movimentos da cabeça, em sincronia com a fala. Os ombros, as mãos e o fundo ficam como estão na foto. Se você precisa de um apresentador que gesticule com as mãos, esta não é a ferramenta certa; esses modelos custam de dez a cinquenta vezes mais por minuto.

Funciona com duas pessoas falando, como um resumo em áudio do NotebookLM?

Ele anima um rosto por vídeo, então uma gravação com dois apresentadores coloca as duas vozes no mesmo rosto. Funciona melhor com uma pessoa falando. Para um programa com dois apresentadores, separe o áudio por pessoa, renderize cada um com sua própria foto e junte tudo no seu editor.

Em quais idiomas funciona?

Em qualquer idioma. Os lábios seguem o som do áudio que você envia, não uma lista de idiomas suportados. As vozes prontas para texto digitado cobrem 10 idiomas: inglês, árabe, hindi, urdu, francês, espanhol, português, italiano, russo e turco.

Posso digitar um texto em vez de enviar áudio?

Sim, para vídeos mais curtos. Digite ou cole até 5.000 caracteres (cerca de cinco minutos de fala), escolha uma das 22 vozes prontas em 10 idiomas e toque em Ouvir para escutar antes. Para algo mais longo, envie o áudio como arquivo.

Sim, com os mesmos preços. Envie a URL de uma foto e a URL de um áudio, receba um ID de tarefa e um webhook assinado quando o MP4 estiver pronto. Veja stork.ai/developers/talking-photo-api.

De quem pode ser a foto?

O seu próprio rosto, ou o de alguém que deu permissão a você. Não use o vídeo para enganar, se passar por alguém ou assediar ninguém. Onde quer que você publique, avise a quem assiste que o vídeo foi gerado por IA.

O que acontece com meu áudio e minha foto?

Nunca vendemos seus arquivos. Guardamos sua foto, seu áudio e seu vídeo, e os revisamos e analisamos, inclusive com serviços de IA (por exemplo, transcrevendo o áudio e descrevendo a foto), para operar e melhorar o Stork. Seu link de download funciona por 30 dias nos vídeos feitos com créditos. Escreva para support@stork.ai e apagamos seus arquivos.

Áudio em vídeo, em qualquer duração

Envie um episódio de podcast, uma aula ou uma narração e uma foto de quem fala. Você recebe um único vídeo falante com sincronia labial, seja qual for a duração do áudio. $0.20 por minuto, sem assinatura: um episódio de 30 minutos custa $6.

Formato

Resolução

1. Uma foto com um rosto nítido

2. O que a foto deve dizer (qualquer duração)

Este é o meu rosto, ou tenho a permissão da pessoa para animá-lo. Não vou usar o vídeo para enganar, me passar por alguém ou assediar ninguém.

Cada crédito vale 1 centavo de dólar, em pacotes a partir de $5. Cobrança a cada 10 segundos iniciados, mínimo de 5 créditos.

Quanto custa um vídeo longo

Você paga por minuto de vídeo pronto e nada mais. Sem plano mensal, sem minutos que expiram.

Duração do vídeo	Sem logo, 720p	Pro, 720p
10 minutos	$2	$4
30 minutos	$6	$12
1 hora	$12	$24

Para comparar, levantamos os preços dos serviços de foto para vídeo falante que conseguimos verificar em novembro de 2026. A maioria dos que aceitam sua própria foto e seu áudio cobra várias vezes mais por minuto, e a maioria limita o vídeo a 10 minutos ou menos. Veja a tabela completa de preços e os resultados do teste (EN).

Como funciona

1
Envie seu áudio
Um MP3, WAV ou M4A de fala, de até 500 MB: um episódio de podcast, uma aula, um capítulo de audiolivro, uma locução. Para um vídeo de até cerca de cinco minutos, você também pode digitar um texto e escolher uma das 22 vozes.
2
Adicione uma foto de quem fala
Uma foto nítida com um rosto olhando mais ou menos para a câmera. Sua própria foto de perfil, um apresentador que você tem permissão para usar ou um personagem desenhado.
3
Escolha um formato e comece
16:9 para YouTube, 9:16 para Shorts e Reels, ou 1:1. Você vê o preço exato antes de começar. Feche a aba se quiser: avisamos por e-mail quando o vídeo estiver pronto.

O que as pessoas fazem com ele

Episódios de podcast solo

Dê um rosto a um episódio em áudio para que ele possa ir para o YouTube e o Spotify em vídeo, sem filmar nada.

Aulas e lições de cursos

Grave a aula uma vez em áudio. Transforme cada uma em um vídeo com apresentador para a sua plataforma de cursos.

Narração de audiolivros e histórias

Dê a um capítulo um narrador na tela: um retrato, um personagem pintado ou a foto do autor.

Vídeos explicativos longos e resumos de notícias

Mantenha um canal sem aparecer, com um apresentador constante, a um custo que ainda fecha quando os vídeos têm 20 minutos.

Sermões, palestras e discursos

Transforme uma palestra gravada em um vídeo que as pessoas podem assistir e compartilhar.

Um apresentador, vários idiomas

Duble o áudio para outro idioma e renderize o mesmo rosto de novo para cada um.

O que você recebe e o que não recebe

O modelo anima o rosto e o encaixa de volta na sua foto original, então o enquadramento, as roupas e o fundo ficam exatamente como estão. É um apresentador falando para a câmera, não uma pessoa andando por um cenário. Essa é a troca: só movimento de cabeça e rosto, a um preço em que dez minutos de vídeo custam menos do que um minuto nos modelos que animam o corpo inteiro.

Vídeos curtos, mensagens e textos digitados ficam na página da foto falante. Vai integrar isso ao seu próprio produto? Use a Talking Photo API.

Perguntas frequentes

Quanto custa transformar áudio em vídeo?: $0.20 por minuto de vídeo pronto em 720p sem logo, ou $0.40 por minuto no Pro, que é mais nítido e estável. Um vídeo de 10 minutos sai por $2, 30 minutos por $6 e uma hora por $12. Você paga com créditos pré-pagos do Stork (1 crédito = 1 centavo de dólar, pacotes a partir de $5). Não há assinatura. A cobrança é a cada 10 segundos iniciados, com mínimo de 5 créditos, e se um vídeo falhar todos os créditos voltam.
Existe limite de duração?: Não nos vídeos pagos. A maioria das ferramentas de avatar falante para em 10 minutos por vídeo ou menos, então um episódio inteiro precisa ser cortado em partes e depois remontado. Aqui você envia o arquivo inteiro e recebe um único vídeo.
Posso testar de graça?: Sim. Com um login gratuito do Google você pode fazer 2 vídeos por dia de até 1 minuto cada, com um pequeno logo stork.ai no canto. É o suficiente para ver como ficam sua foto e sua voz antes de pagar por um vídeo longo.
Quanto tempo leva para fazer um vídeo longo?: Mais ou menos a duração do próprio áudio, e cerca do dobro no Pro, mais até dois minutos para o renderizador iniciar. Um episódio de uma hora fica pronto em cerca de uma hora. Você não precisa deixar a página aberta; enviamos um link por e-mail quando terminar.
O que se move no vídeo?: O rosto: lábios, queixo, olhos, sobrancelhas e pequenos movimentos da cabeça, em sincronia com a fala. Os ombros, as mãos e o fundo ficam como estão na foto. Se você precisa de um apresentador que gesticule com as mãos, esta não é a ferramenta certa; esses modelos custam de dez a cinquenta vezes mais por minuto.
Funciona com duas pessoas falando, como um resumo em áudio do NotebookLM?: Ele anima um rosto por vídeo, então uma gravação com dois apresentadores coloca as duas vozes no mesmo rosto. Funciona melhor com uma pessoa falando. Para um programa com dois apresentadores, separe o áudio por pessoa, renderize cada um com sua própria foto e junte tudo no seu editor.
Em quais idiomas funciona?: Em qualquer idioma. Os lábios seguem o som do áudio que você envia, não uma lista de idiomas suportados. As vozes prontas para texto digitado cobrem 10 idiomas: inglês, árabe, hindi, urdu, francês, espanhol, português, italiano, russo e turco.
Posso digitar um texto em vez de enviar áudio?: Sim, para vídeos mais curtos. Digite ou cole até 5.000 caracteres (cerca de cinco minutos de fala), escolha uma das 22 vozes prontas em 10 idiomas e toque em Ouvir para escutar antes. Para algo mais longo, envie o áudio como arquivo.
Existe uma API?: Sim, com os mesmos preços. Envie a URL de uma foto e a URL de um áudio, receba um ID de tarefa e um webhook assinado quando o MP4 estiver pronto. Veja stork.ai/developers/talking-photo-api.
De quem pode ser a foto?: O seu próprio rosto, ou o de alguém que deu permissão a você. Não use o vídeo para enganar, se passar por alguém ou assediar ninguém. Onde quer que você publique, avise a quem assiste que o vídeo foi gerado por IA.
O que acontece com meu áudio e minha foto?: Nunca vendemos seus arquivos. Guardamos sua foto, seu áudio e seu vídeo, e os revisamos e analisamos, inclusive com serviços de IA (por exemplo, transcrevendo o áudio e descrevendo a foto), para operar e melhorar o Stork. Seu link de download funciona por 30 dias nos vídeos feitos com créditos. Escreva para support@stork.ai e apagamos seus arquivos.