O vídeo já está editado, você liga a legenda automática — e ela chega meio tempo depois dos lábios, junta duas palavras numa só e transforma o nome do convidado num amontoado de letras. Refazer na mão leva mais tempo do que levou pra editar. O ponto é que as formas de colocar legenda automática no Shorts não diferem pela qualidade do motor, e sim por três coisas: se o jeito entrega tempo palavra por palavra, se dá pra corrigir uma palavra sem empurrar as vizinhas e se você leva embora o arquivo com os tempos.
Resumo
- Cinco formas comparadas: legenda nativa de YouTube/Reels/TikTok, CapCut, SRT na mão e Kutto
- O que decide a escolha: tempo por palavra, edição sem arrastar as vizinhas e exportação de SRT/VTT
- Legenda nativa dá a linha com tempo, mas sem karaokê e quase sem edição; CapCut faz karaokê, mas desliza na fala rápida e exporta SRT limitado
- SRT na mão é o mais preciso e o mais demorado; o Kutto entrega palavra por palavra, edição sem arrastar vizinhas e SRT, com teto de 30 minutos
- Um teste de 1 minuto no seu pior trecho mostra o que cada forma faz de verdade
Por quais critérios comparar as formas de legenda?
A cor do botão e o número de modelos na tela quase não decidem nada. Quem decide são cinco coisas, e cada uma quebra do seu jeito. Vale olhar menos para o visual bonito do app e mais para o que você consegue mexer depois que a legenda sai torta.
- Estilo palavra por palavra. A palavra acende conforme é falada (karaokê) ou fica a linha inteira parada na tela — é isso que faz o olho do espectador acompanhar o ritmo da fala.
- Sincronia. Se a palavra gruda no lábio na fala rápida e o que acontece em pausas, respiradas e silêncio.
- Palavrão e nomes. Se o palavrão é abafado sozinho e se dá pra corrigir a grafia de um nome ou termo sem refazer a fala inteira.
- Exportação de SRT e VTT. Se o jeito entrega um arquivo separado com os tempos, para plataformas que mostram a própria faixa de legenda.
- Preço e limites. Como se paga a operação, se há teto de duração e se o arquivo fica com você.
Qual forma escolher: comparação por critérios
A tabela abaixo mostra como cada forma funciona por princípio — pela documentação e pela interface, não como resultado de teste de redação. Os detalhes das plataformas e do CapCut mudam de versão para versão, então as células descrevem o comportamento geral da abordagem. A sua montagem ainda precisa do teste do trecho que está mais embaixo.
| Forma | Palavra por palavra | Sincronia na fala rápida | Palavrão e nomes | Exporta SRT | Preço |
|---|---|---|---|---|---|
| Legenda nativa YouTube / Reels / TikTok | Não — linha inteira, sem animação por palavra | Depende do motor da plataforma; em silêncio e com música surgem linhas a mais | Edição da linha pronta na mão; sem abafamento de palavrão | Em geral não entrega arquivo — a faixa vive dentro da plataforma | Grátis |
| CapCut (legenda automática) | Sim, karaokê por preset | Desliza na fala rápida; é preciso puxar as bordas das palavras | Edição de texto sim, abafamento automático de palavrão não | Limitado: em parte das versões só exporta o vídeo com a legenda embutida | Grátis na versão base, parte dos presets por assinatura |
| SRT na mão em editor de texto | Sim, se você configurar a animação à parte | Exatamente como você cronometrou na mão | Qualquer correção e qualquer abafamento | É o próprio SRT | Grátis + as suas horas |
| Kutto, Subtítulos | Sim: reconhecimento palavra por palavra e estilos dos presets de corte | Tempo posto por alinhamento por áudio; pontas esticadas das palavras aparadas | Correção da palavra não mexe nas vizinhas; abafamento de palavrão | SRT e VTT em arquivo separado | Operação sem cobrança avulsa; a seção é liberada pelo plano — tarifas em /pricing |
Onde cada forma quebra?
A quebra é sempre a mesma por natureza: o motor adivinha onde a palavra acaba. A diferença está no que ele faz com o palpite e no que você consegue corrigir na mão depois.
Legenda nativa das plataformas
O forte: zero configuração, roda do próprio app, não pesa nada. O que considerar: a linha fica inteira na tela, não há animação palavra por palavra no estilo TikTok — isso você monta separado no vídeo. A edição se limita ao texto da linha; não há como arrastar a borda de uma palavra, e às vezes você só quer apagar a linha — mas junto some um pedaço da fala.
CapCut e similares
O forte: presets de karaokê prontos, tudo numa janela só com a edição, destaque palavra por palavra ajustável com o mouse. O que considerar: na fala rápida as bordas das palavras deslizam, e depois de corrigir uma linha à mão as vizinhas andam atrás dela — aí você reconfere o trecho inteiro. Exportação com tempos não existe em toda versão.
Na fala rápida a linha se junta e desgruda dos lábios porque o modelo chuta o fim da palavra. O alinhamento por áudio põe o tempo de cada palavra no lugar real dela na faixa e apara as pontas esticadas — assim a quebra cai na borda da frase, não no meio da palavra.
SRT na mão
O forte: controle total — você decide onde a palavra acaba, como grafar o convidado e com o que trocar o palavrão. O que considerar: num Shorts de 40 segundos com fala rápida, é cada fala cronometrada à mão, e essas são justamente as horas que faltam para editar. Esse caminho salva quando a legenda é pouca ou fora do padrão.
Kutto, Subtítulos
O forte: o tempo é posto por alinhamento por áudio em vez de chute, as pontas esticadas das palavras são aparadas antes, e corrigir uma palavra muda só o texto — o tempo das vizinhas não se mexe. Os estilos vêm dos presets de corte, então o vídeo da ferramenta de legenda e o clipe cortado ficam com a mesma cara; há abafamento de palavrão e exportação de SRT/VTT. O que considerar: não há modelos próprios de legenda — só os presets prontos —, e vídeo acima de 30 minutos já é tarefa da nárezka em shorts, não da legenda.
Se a dor é exatamente essa — palavra por palavra sem ter que reconferir o trecho inteiro a cada correção — é aqui que dá pra subir o próprio vídeo e ver o resultado antes de decidir.
Por que a legenda atrasa a fala e como o alinhamento conserta?
Reconhecimento de fala é adivinhação: o modelo ouve blocos de som e supõe quais palavras são — e quando a última acaba. Em pausas, respiradas e música ele cria "legendas" que não existiam na fala; na fala rápida ele estica o fim da palavra, porque não sabe exatamente onde ela calou. Daí a cena clássica: a palavra ainda nem saiu e a legenda já está lá, ou o contrário — a legenda fica quando a pessoa está calada.
No Kutto o reconhecimento segue a mesma esteira usada na nárezka de clipes: o som é cortado em janelas de fala colada, passa pela cadeia de reconhecimento e depois as palavras são alinhadas por áudio — o tempo vai para o lugar real da palavra na faixa, e as pontas esticadas são aparadas. Por isso editar o texto não refaz o reconhecimento: há uma linha de processamento por vídeo, e as renderizações se acumulam à parte.
Como conferir a sincronia no seu próprio vídeo?
A conferência leva menos de um minuto e não precisa de número de ninguém. A ideia é pegar o pedaço mais difícil e ver o que quebra — se segura ali, no resto do vídeo segura também.
- 1
Separe 20–30 segundos do pior caso
Pegue um trecho com fala rápida, com um nome, marca ou gíria, e de preferência onde pelo menos uma vez duas pessoas falam. É nele que a diferença aparece na hora.
- 2
Rode a legenda automática sem editar
Suba o trecho e olhe o resultado cru. Assim você vê o que a ferramenta faz sozinha e o que vai sobrar pra sua mão.
- 3
Confira três pontos
Primeiro: a palavra está no lábio ou atrasa. Segundo: a quebra de linha não rasga a frase nem joga a palavra pra fora da tela. Terceiro: o nome e o termo estão grafados certos.
- 4
Corrija uma palavra no meio da fala
Troque a grafia no meio de uma fala. Se os tempos das palavras vizinhas andarem depois disso, corrigir esse arquivo num vídeo longo vai doer.
- 5
Baixe o SRT e abra no player
Exporte o arquivo com tempos e abra como faixa separada. Dá pra ver se são os seus tempos ou se o vídeo só devolve a imagem com texto embutido.
Onde nenhum reconhecimento automático funciona?
Nenhuma forma garante resultado em entrada ruim, e o alinhamento não é exceção — ele põe palavras pelo som, mas não inventa o que não está no som. Antes de culpar a ferramenta, vale olhar para a qualidade do áudio que entrou.
Checklist antes de publicar
Rode o checklist no trecho mais incômodo, não na abertura calma. Se a legenda segura ali, no resto segura com folga. À parte, confira palavrão e nomes — é neles que o erro costuma aparecer só depois da publicação.
- A legenda gruda nos lábios no trecho mais rápido — testado no trecho, não na abertura
- Nomes, marcas e termos grafados certos; os duvidosos conferidos com o som
- Linhas não maiores que a tela nem por baixo da interface da plataforma; a quebra não rasga a frase
- Palavrão abafado onde a plataforma exige
- Abafamento e legenda embutida não brigam: um estilo só no vídeo
- SRT exportado, se a plataforma mostra faixa separada
Legendas
Legenda que gruda na fala
Reconhecimento palavra por palavra, correção sem arrastar as vizinhas, estilos dos presets de corte e SRT/VTT para baixar. Vídeo de até 30 minutos.
Abrir SubtítulosComo colocar legenda automática em vídeo?
Suba o vídeo numa ferramenta com reconhecimento de fala, espere o texto palavra por palavra, corrija o que saiu errado e monte o vídeo. As faixas nativas das plataformas fazem o mesmo, mas quase não entregam a edição e o estilo na sua mão.
Como fazer legenda palavra por palavra como no TikTok?
Você precisa de tempo por palavra e de um estilo que destaca a palavra atual. No CapCut é o preset de karaokê; no Kutto, reconhecimento por palavra com estilo dos presets de corte. A legenda nativa das plataformas não dá o destaque por palavra.
Por que a legenda não fica sincronizada com a fala?
O modelo adivinha onde a palavra acaba e erra em pausas, música e fala rápida: o fim estica e no silêncio aparecem linhas a mais. Resolve com alinhamento das palavras por áudio e aparo das pontas esticadas.
Qual aplicativo para colocar legenda em vídeo automático é melhor?
Depende se você precisa de estilo palavra por palavra e de arquivo com tempos. Para editar numa janela só, o CapCut é prático; para uma faixa SRT separada, o transcrito e os subtítulos do Kutto; e, para uma dezena de vídeos, é mais sensato não cair no SRT na mão.
Como fazer legenda estilo karaokê para Reels?
Você precisa do tempo de cada palavra e de um estilo com destaque conforme a fala sai. Escolha uma forma onde o tempo por palavra já existe de origem: remontar karaokê a partir de um SRT por linha não dá certo.
Dá para exportar o SRT e subir como faixa separada?
Sim, se a ferramenta entregar o arquivo com tempos — no Kutto são SRT e VTT em arquivos separados. A legenda nativa das plataformas costuma ficar dentro delas, sem como pegar o arquivo.
Como abafar palavrão na legenda automaticamente?
Você precisa de uma ferramenta com abafamento de palavrão e tempos, para que som e texto sejam abafados no mesmo ponto. No Kutto há abafamento de palavrão nos subtítulos; separadamente, pausas, hesitações e palavrão são tratados pela ferramenta "Silêncio e palavrão".
Dá para fazer legenda automática grátis?
Dá: a legenda nativa das plataformas e o CapCut na versão base não cobram. No Kutto a operação de subtítulos não consome cobrança avulsa, mas a seção é liberada pelo plano — as tarifas estão em /pricing.
Explore o artigo com IA
Um chat abre com o prompt pronto — você mesmo envia.
