Legendas que travam o scroll: como os melhores criadores fazem
A fonte, o tamanho, o contorno e o timing por trás das legendas que travam o scroll — os números reais, por que cada um importa e como ter o mesmo visual premium em um clique, sem refazer tudo a cada vídeo.
Existem legendas, e existem legendas que travam o scroll. A diferença entre elas não é esforço — é um conjunto específico de decisões que criadores de alta performance tomam uma vez e reaproveitam para sempre.
Esta é a receita completa, para um clipe 9:16 no TikTok, no Reels ou no Shorts:
- Fonte: uma sans-serif pesada — Anton, Montserrat Bold ou Archivo Black
- Tamanho: 7–10% da altura do quadro
- Cor: branco, ou amarelo para conteúdo de alta energia
- Contorno: um traço preto de 3–4px, ou uma forma sólida de fundo
- Comprimento da linha: 2–4 palavras, uma ou duas linhas, nunca três
- Posição: terço central inferior, longe dos 15% de baixo
- Timing: palavra por palavra, não frase por frase
É isso que separa uma legenda premium de uma legenda padrão. O resto deste post explica por que cada número é o que é — e por que você nunca deveria precisar definir nenhum deles na mão.
Por que as legendas automáticas das plataformas nunca travam o scroll
TikTok, Instagram e YouTube legendam seu vídeo de graça e na hora. Eles também são o motivo de tanto vídeo de formato curto parecer idêntico: a mesma fonte, a mesma posição, a mesma caixinha cinza de todo mundo no feed.
Esse é o problema de verdade. A legenda é a primeira coisa que um espectador em pleno scroll lê, quase sempre com o som desligado. Se ela parece igual à de todos os outros clipes, já perdeu. Legendas genéricas não apenas deixam de ajudar — elas sinalizam ativamente que o vídeo foi apenas enviado, e não feito.
Legendas premium fazem o oposto. Elas são a assinatura visual que faz alguém parar e, lá pelo terceiro vídeo, o que faz essa pessoa reconhecer você.
Os números, e por que são exatamente esses
Tamanho: 7–10% da altura do quadro. Em uma exportação 1080 × 1920, isso dá algo em torno de 135–190px de altura de caixa alta. Parece absurdamente grande no monitor do desktop e certinho no celular. Esse é, de longe, o erro mais comum: estilizar as legendas no tamanho que parece equilibrado no seu editor, em uma tela de 27 polegadas, e publicar algo ilegível no aparelho para o qual o vídeo foi feito.
Contorno: traço preto de 3–4px. Não é enfeite — é seguro. Seu personagem vai passar na frente de uma janela, o céu vai estourar, uma parede branca vai tomar o quadro inteiro. Texto branco puro sem traço falha em algum momento de quase todo clipe. Um traço ou uma forma sólida de fundo garante contraste contra um fundo que você não controla.
Comprimento da linha: 2–4 palavras. Aqui existe ciência da leitura de verdade por trás. O span perceptual de um leitor experiente — quanto texto uma única fixação do olho realmente absorve — é de cerca de 3–4 letras à esquerda da fixação e 14–15 letter spaces à direita (Rayner, Slattery & Bélanger, 2010). Uma legenda de duas a quatro palavras fica perto dessa janela, então é absorvida em uma ou duas fixações. Uma linha longa, não: o olho precisa dar uma sequência de saltos para percorrê-la, e cada salto é tempo gasto lendo em vez de assistindo.
A legendagem profissional chegou à mesma restrição pelo caminho oposto. O English Timed Text Style Guide da Netflix limita as legendas a 42 characters por linha, no máximo duas linhas, com um teto de velocidade de leitura de 20 characters per second para programação adulta. O formato curto aperta ainda mais, porque o espectador está assistindo, ao mesmo tempo, a um rosto, a um corte e a um fundo em movimento.
Se suas legendas quebram em três linhas, elas estão longas demais — a solução é menos palavras por cue, não texto menor.
Posição: terço central inferior. Alto o bastante para escapar da interface da plataforma — nomes de usuário, botões e barras de progresso vivem todos na faixa de baixo — e baixo o bastante para não invadir o rosto do seu personagem. Visualize em um quadro com formato de celular, não em uma janela de desktop, ou você só vai notar a colisão quando o vídeo já estiver no ar.
Fonte: uma faixa estreita de sobreviventes. Texto sobre vídeo é texto sobre um fundo imprevisível, em movimento e mal iluminado. Pesos finos somem em quadros claros. Serifas perdem seus traços finos no celular. Fontes manuscritas são ilegíveis em alta velocidade. O que sobrevive são sans-serifs geométricas e grotescas pesadas, com altura de x generosa: Anton, Archivo Black, Montserrat Bold, Poppins Bold, Inter Bold.
O timing palavra por palavra é o sinal premium
Depois que a tipografia está certa, a granularidade do timing é a maior diferença que resta — e é aquela que o espectador sente sem conseguir nomear.
Legendas em nível de frase jogam um bloco de texto na tela e o deixam parado ali. O olho lê tudo em meio segundo e depois fica sem nada para fazer. O timing em nível de palavra revela as palavras mais ou menos conforme elas são ditas, então a legenda continua travada na voz e o olho continua em movimento.
É a isso que as pessoas se referem como "legendas karaokê". Isso exige um tempo de início e de fim por palavra, não por linha. E também é a coisa mais tediosa de fazer na mão: ajustar palavras uma a uma na linha do tempo, por cue, por vídeo, para sempre. É exatamente o tipo de trabalho que deveria ser automático.
Obtenha esse visual com um clique
Você não deveria ter que definir nada disso manualmente. CakeCut aplica legendas premium para criadores – tempo em nível de palavra, estilos que interrompem a rolagem – ao seu vídeo com um clique.
Como o premium é na prática
Dois renders reais do CloudCap, em extremos opostos do espectro.
Alta energia. Amarelo com contorno preto é a combinação de maior contraste disponível, e os pesos misturados — uma pequena manuscrita como chamada sobre uma palavra display pesada — criam hierarquia dentro de uma legenda de duas palavras. Isso trava o scroll em ganchos e frases de efeito. Seria cansativo ao longo de quatro minutos de talking head.
Contido e, silenciosamente, o mais técnico dos dois. Sans branca em negrito, limpa, sem cor — e o texto fica atrás do personagem, então o ombro dele passa na frente da palavra. Essa pista de profundidade faz a legenda parecer composta dentro da cena em vez de colada por cima, e mantém o rosto desobstruído sem tirar o texto do centro.
Nenhum dos dois é algo que você montaria na mão a cada publicação. Os dois estão a um clique.
Combine com a energia e pare de decidir
- Cortes rápidos ou fundos agitados — use uma forma sólida de fundo em vez de um traço. Um contorno não basta quando o fundo muda a cada 400ms.
- Conteúdo sério e tranquilo — legendas animadas agressivas soam tonalmente erradas. Contenção também é um estilo.
- Alfabetos não latinos — confira se a fonte tem os glifos. Muitas fontes display são só latinas, e a fonte substituta não vai bater com o seu peso.
- Palavras longas — alemão, finlandês e vocabulário técnico quebram a regra das 2–4 palavras. Menos palavras por linha, não texto menor.
Cada uma dessas é uma decisão que você deveria tomar uma única vez. O custo real não é tomá-la — é retomá-la, a cada vídeo, para sempre, e acabar com um visual ligeiramente diferente todas as vezes.
Legendas premium, em um clique
É para isso que o CloudCap existe. Você traz um clipe pronto e recebe legendas premium de criador em um clique: timing em nível de palavra já aplicado, um estilo marcante já aplicado, pronto para publicar.
Os estilos são presets de verdade — incluindo os dois mostrados acima — para que o vigésimo vídeo pareça o primeiro. Nada do que está descrito aqui precisa ser configurado, medido ou redescoberto. E quando você quiser controle, o timing, o layout e o estilo por palavra são todos editáveis, e a caixa de legenda é uma caixa de verdade, então o texto não pode ultrapassar o quadro silenciosamente.
Você pode traduzir as legendas quando quiser que o mesmo clipe alcance um público maior, e exportar tanto um vídeo legendado pronto para publicar quanto arquivos de legenda como SRT, TXT e JSON, quando precisar do texto separado.
Não é um editor de vídeo. Se você precisa cortar, fazer color grading ou mixar áudio, continue fazendo isso onde já faz. O CloudCap entra na etapa das legendas — aquela hora que você perderia arrastando palavras em uma linha do tempo, para um resultado igual ao de todo mundo.
Fontes
- Rayner, K., Slattery, T. J., & Bélanger, N. J. (2010). Eye movements, the perceptual span, and reading speed. Psychonomic Bulletin & Review, 17(6), 834–839. O span perceptual de leitores experientes de sistemas de escrita alfabéticos é de 3–4 letras à esquerda da fixação e 14–15 letter spaces à direita. O estudo também relata durações médias de fixação de cerca de 205–253ms e sacadas para a frente de 6,2–8,9 letter spaces, com leitores mais rápidos fazendo sacadas mais longas que os mais lentos.
- Netflix. English Timed Text Style Guide. Especifica 42 characters por linha, no máximo duas linhas, e velocidades de leitura de até 20 characters per second para programação adulta (17 para programação infantil).
Uma observação sobre os números que não têm citação: a altura de caixa alta de 7–10%, o traço de 3–4px e o posicionamento no terço central inferior são convenções tiradas do que funciona de forma consistente em vídeo mobile 9:16, não padrões publicados. As áreas seguras das plataformas, em especial, mudam conforme alterações de interface e conforme o comprimento da legenda — as próprias plataformas distribuem templates atualizados de zona segura pelas suas ferramentas de anúncios, e são elas a autoridade sobre qualquer número fixo de pixels, incluindo os deste artigo.