Gerar vídeo com inteligência artificial deixou de ser um experimento de fim de semana e virou uma etapa real de produção. Ferramentas como Runway, Sora, Kling, Luma, Pika, Veo e Flux conseguem entregar imagens convincentes com pouquíssimas palavras, mas o resultado raramente corresponde ao que o criador imaginou na primeira tentativa. A diferença entre um clipe genérico e uma cena que parece filmada por uma equipe profissional costuma estar em um único lugar: a qualidade do prompt.
Este guia apresenta um método prático de prompt engineering para vídeo. A proposta não é decorar palavras mágicas, e sim entender como descrever sujeito, ação, câmera, luz e estilo de forma que o modelo tenha o mínimo de decisões criativas para tomar sozinho. Ao final, você terá uma estrutura de blocos reutilizável, critérios para escolher entre texto puro e referências de imagem, um roteiro de diagnóstico para quando o resultado sai errado e um checklist para aplicar antes de cada renderização longa.
Por que o prompt funciona como roteiro, e não como legenda
Existe uma confusão comum entre escrever um prompt e escrever uma legenda. A legenda descreve algo que já existe; o prompt precisa instruir alguém que nunca viu a cena a construí-la do zero. Quando você escreve "mulher caminhando na praia ao pôr do sol", está entregando o equivalente a uma frase de logline, e o modelo vai preencher sozinho todo o resto: idade, figurino, tipo de pele, lente, altura de câmera, velocidade de caminhada, direção do vento, paleta de cores e duração de cada plano.
O trabalho do prompt engineering é reduzir esse espaço de decisão. Não se trata de escrever mais, mas de escrever com hierarquia. Um bom prompt de vídeo responde, na ordem certa, a cinco perguntas: quem está em cena, o que acontece, onde acontece, como a câmera vê isso e qual é a textura visual final. Quando alguma dessas respostas falta, o modelo improvisa — e improviso, em geração de vídeo, geralmente significa inconsistência entre quadros, movimentos estranhos ou mudanças de identidade no meio do clipe.
Há também uma diferença importante entre prompts de imagem e prompts de vídeo. Em imagem estática, descrever textura e composição já resolve quase tudo. Em vídeo, o modelo precisa manter coerência temporal: o rosto não pode mudar entre o segundo 2 e o segundo 4, o cenário não pode ganhar uma janela que não existia, o figurino não pode trocar de cor. Isso significa que verbos de movimento e instruções de continuidade ganham o mesmo peso que adjetivos estéticos.
Por fim, vale entender que cada modelo tem vieses próprios de treinamento. Alguns são excelentes com movimentos suaves de câmera, outros brilham em animação estilizada, outros ainda são mais fortes em cenas realistas com pessoas em close. Um prompt excelente para um modelo pode gerar resultados medianos em outro. Por isso, o método abaixo é escrito em blocos independentes: você ajusta a ordem e o vocabulário conforme a ferramenta, sem reescrever tudo do zero.
A anatomia de um prompt de vídeo eficaz
Um prompt completo de vídeo tem cinco camadas. Elas não precisam aparecer nessa ordem exata, mas todas devem estar representadas, mesmo que de forma curta.
Sujeito e ação principal
Comece pelo núcleo: quem ou o que está na cena e qual é a ação concreta. Evite abstrações como "uma pessoa triste" e prefira comportamentos filmáveis: "uma mulher de uns 30 anos, cabelo escuro preso, casaco de lã cinza, caminha devagar com as mãos nos bolsos". Detalhes de figurino e aparência física funcionam como âncoras de identidade — são eles que o modelo tenta manter estáveis ao longo dos quadros.
Sobre a ação, use verbos no presente e no singular. "Ela gira a cabeça para a esquerda e sorri de leve" funciona melhor do que "movimentos variados de expressão". Se a cena tem duas pessoas, diga explicitamente quem faz o quê e evite ações simultâneas demais, porque o modelo tende a misturar corpos quando há muita interação complexa.
Cenário, época e atmosfera
Depois do sujeito, localize a cena. Não basta dizer "rua": diga "rua estreita de paralelepípedos em um bairro antigo, fachadas de azulejo azul, fios elétricos cruzando o céu, início da manhã". Época, clima e densidade de elementos importam, porque definem quanta coisa o modelo vai tentar animar ao mesmo tempo. Cenários muito cheios geram mais artefatos; cenários limpos geram resultados mais estáveis.
Se o vídeo é publicitário, o cenário também comunica posicionamento. Uma cozinha de mármore, uma bancada de madeira rústica ou um balcão de lanchonete dizem coisas diferentes sobre o mesmo produto. Escreva o cenário pensando no que ele afirma sobre a marca, não apenas no que ele mostra.
Câmera, lente e composição
Esta é a camada que separa amadores de profissionais. Descreva tipo de plano, altura, distância, lente e movimento. Exemplos úteis: "plano médio na altura dos olhos", "close-up com lente 85 mm e fundo desfocado", "plano aberto aéreo", "câmera na mão com leve instabilidade", "travelling lateral acompanhando o sujeito".
Termos de cinematografia como profundidade de campo rasa, contraluz, enquadramento em regra dos terços e paralaxe ajudam o modelo a construir uma imagem com hierarquia visual. Se você não domina o vocabulário técnico, descreva o efeito percebido: "o fundo fica suave e desfocado, o rosto nítido, a câmera se move junto com ela". O modelo entende intenção, não apenas jargão.
Luz, cor e textura
Luz é o bloco mais subestimado. "Luz natural suave de janela pela manhã" produz um resultado muito diferente de "luz dura de meio-dia com sombras marcadas" ou "neons magenta e ciano refletindo no asfalto molhado". Indique direção (lateral, frontal, contraluz), qualidade (difusa, dura, difusa com queda) e temperatura (quente, fria, neutra).
Na paleta, dois ou três tons dominantes são suficientes. "Paleta de azul petróleo, bege e branco sujo, contraste baixo, leve granulação de filme" comunica mais do que uma lista de dez cores. Textura — grão de película, aspecto de VHS, digital limpo, animação de plasticina — define o acabamento final e evita que o modelo entregue aquele visual excessivamente polido que denuncia geração automática.
Estilo, referência e restrições
Feche o prompt com o estilo geral e, se necessário, com restrições negativas. "Estética de documentário dos anos 90", "comercial de perfume com slow motion elegante", "anime com traço limpo e cores saturadas". Restrições como "sem texto na tela, sem marcas d'água, sem pessoas ao fundo, sem mudança de figurino" ajudam a evitar resultados indesejados, embora nenhum modelo obedeça a negativas com perfeição.
Cuidado com excesso de referências a artistas vivos ou franquias específicas: além de questões de direitos, muitas ferramentas bloqueiam esse tipo de instrução. Prefira descrever características visuais — "sombras duras, alto contraste, enquadramento simétrico, cores dessaturadas" — em vez de citar nomes.
O método dos blocos: como montar prompts reutilizáveis
Escrever um prompt novo para cada cena é cansativo e produz inconsistência. Uma abordagem melhor é trabalhar com blocos salvos que você recombina.
Crie um bloco-base de personagem com aparência, figurino e características físicas. Crie um bloco de cenário com local, época e atmosfera. Crie um bloco de câmera com plano, lente e movimento. Crie um bloco de luz e cor. Crie um bloco de estilo. Na hora de gerar, você mantém os blocos de personagem, luz e estilo intactos e altera apenas o bloco de cenário e o de câmera. Esse é o segredo da consistência entre cenas: variar o mínimo necessário e congelar o máximo possível.
Um exemplo de prompt montado com blocos, em português:
"Plano médio na altura dos olhos, lente 50 mm, leve travelling lateral para a direita. Uma mulher de cerca de 30 anos, cabelo escuro preso em um coque baixo, casaco de lã cinza, calça preta, caminha devagar por uma rua estreita de paralelepípedos em um bairro antigo, fachadas de azulejo azul ao fundo. Início da manhã, luz natural suave vinda da esquerda, sombras longas e difusas. Paleta de azul petróleo, bege e branco sujo, contraste baixo, leve granulação de filme. Estética de documentário urbano, movimento calmo, sem cortes bruscos."
Observe que a estrutura é sempre a mesma: câmera, sujeito, ação, cenário, luz, paleta, estilo, restrição de movimento. Depois de algumas gerações, você vai saber exatamente qual bloco mexer quando algo der errado — e isso economiza muito tempo.
Outra prática útil é manter uma planilha ou um arquivo de texto com prompts aprovados. Quando um resultado sai exatamente como você queria, salve o prompt inteiro, a seed, a duração, a proporção de tela e o modelo usado. Esse registro vira sua biblioteca pessoal de receitas e é o que permite escalar de um clipe isolado para uma série de vídeos com identidade coerente.
Movimento de câmera, ritmo e duração
Modelos de vídeo respondem muito bem a linguagem de movimento, mas mal a instruções temporais precisas. Pedir "aos 4 segundos a câmera corta para um close" raramente funciona como planejado. O caminho mais confiável é descrever um único movimento contínuo por clipe e montar a sequência na edição.
Vocabulário que costuma funcionar: travelling lateral, dolly in, dolly out, grua subindo, plano panorâmico lento, câmera na mão com leve tremor, câmera fixa, órbita ao redor do sujeito, zoom lento. Palavras como "lento", "suave" e "constante" ajudam a evitar acelerações artificiais, um problema frequente em clipes gerados.
Sobre duração, clipes curtos tendem a ser mais coerentes. Comece com 3 a 5 segundos quando estiver testando um prompt novo, valide o enquadramento, a identidade e a luz, e só depois gere versões mais longas. Em clipes acima de 8 segundos, o risco de deriva de rosto, mudança de figurino ou deformação de mãos aumenta bastante.
O ritmo final do vídeo quase nunca vem do modelo: vem da montagem. Gere mais planos do que você precisa, escolha os melhores trechos, corte nas transições de movimento e use música e efeitos sonoros para dar andamento. Um erro comum é tentar resolver narrativa dentro do prompt quando a solução está na timeline.
Consistência de personagem, keyframes e referências visuais
Consistência é o problema mais caro da geração de vídeo. Existem três estratégias principais, e você pode combiná-las.
A primeira é o bloqueio textual. Repita a descrição do personagem palavra por palavra em todas as cenas. Isso parece redundante, mas é eficaz: mudar "casaco de lã cinza" para "jaqueta cinza" já pode alterar o resultado.
A segunda é o uso de imagem de referência ou primeiro quadro. Você gera uma imagem estática aprovada do personagem e a usa como ponto de partida do clipe. O modelo parte de uma composição definida e tende a manter rosto, roupa e proporções com mais fidelidade. Em muitos fluxos, gerar a imagem em um modelo de imagem forte — Midjourney, Flux ou um pipeline com Stable Diffusion e ComfyUI — e depois animá-la em um modelo de vídeo produz resultados melhores do que pedir tudo em texto.
A terceira é a fusão de múltiplas referências. Você fornece uma imagem para o personagem, outra para o cenário e, às vezes, uma terceira para o estilo. Funciona bem quando as referências são visualmente compatíveis em luz e paleta. Se você misturar uma referência de estúdio com uma de rua noturna, o modelo vai produzir uma colagem estranha em vez de uma cena integrada.
Um detalhe prático importante: keyframes não são só o primeiro quadro. Em ferramentas que permitem definir quadro inicial e final, você ganha controle real sobre o movimento. Colocar o personagem à esquerda no primeiro quadro e à direita no último força um deslocamento natural e evita que o modelo invente trajetórias. Isso é especialmente útil em planos de produto, onde a posição do objeto é parte da mensagem.
Iteração, seeds e diagnóstico de resultados ruins
Prompt engineering é um processo empírico. A regra é mudar uma variável por vez e registrar o que aconteceu.
Quando o resultado sai errado, identifique o tipo de erro antes de reescrever. Se a identidade do personagem muda, o problema está na descrição do sujeito ou na ausência de referência de imagem. Se o movimento está acelerado ou caótico, o problema está nas palavras de câmera e ritmo. Se a imagem parece plástica demais, o problema é de luz e textura — falta granulação, contraste ou fonte de luz definida. Se o cenário muda de forma, o problema é excesso de elementos ou pouca especificação de continuidade.
Seeds merecem atenção. Em muitos modelos, fixar a seed mantém a estrutura geral do ruído e permite comparar variações de prompt de forma justa. Se você muda a seed e o prompt ao mesmo tempo, não sabe qual dos dois causou a diferença. Trabalhe com a seed fixa durante a fase de exploração e libere a variação quando quiser opções.
Outra técnica útil é o prompt progressivo: comece com uma versão curta e adicione blocos até que o resultado comece a piorar. Isso revela quais instruções realmente importam. Muitas vezes, metade do prompt estava sendo ignorada e só atrapalhava a coerência.
Por fim, avalie o custo de cada tentativa. Renderizações longas são caras em tempo e em processamento. Teste enquadramento, luz e identidade em clipes curtos e em resolução menor; só escale quando o prompt estiver validado.
Estilos e nichos: hiper-realismo, animação, produto e cinema
Cada nicho exige vocabulário diferente.
No hiper-realismo, o segredo é luz fisicamente plausível e imperfeição controlada. Pele com poros visíveis, pequenas assimetrias, grão fino, leve respiração e movimento sutil de cabeça. Prompts muito "perfeitos" tendem a produzir aquele aspecto de plástico. Acrescente textura, contraste e uma fonte de luz clara.
Em animação e estilização, descreva o meio e não apenas o estilo: "animação 2D com traço limpo e contorno preto", "anime com cores saturadas e sombreamento cel shading", "stop motion com textura de massinha". Especifique taxa de quadros percebida, porque animação tradicional costuma parecer melhor com menos quadros por segundo do que com movimento ultra fluido.
Em vídeo de produto, estabilidade vale mais que criatividade. Fundo neutro, câmera fixa ou movimento muito suave, iluminação de estúdio com softbox, reflexos controlados. Defina o ângulo do produto e mantenha-o idêntico entre cenas para que a montagem pareça um único comercial.
Em estética cinematográfica, pense em referências de linguagem e não de títulos: contraluz, sombras profundas, anamórfico com reflexos horizontais, paleta dessaturada com um tom de destaque, composição com muito espaço negativo. Uma cena com essas características parece cinema mesmo sem citar nenhum filme.
Erros comuns e checklist antes de renderizar
Os erros mais frequentes são previsíveis e fáceis de corrigir.
Prompts longos demais com instruções contraditórias. "Câmera fixa" e "travelling rápido" na mesma frase fazem o modelo oscilar. Escolha um movimento.
Falta de âncora de identidade. Sem cor de cabelo, tipo físico e figurino repetidos, o personagem muda entre planos.
Luz não especificada. Sem direção e qualidade de luz, o resultado fica chapado e artificial.
Pedir texto na tela. Modelos de vídeo ainda erram tipografia com frequência. Adicione textos, legendas e gráficos na edição.
Ignorar proporção e duração. Um prompt ótimo em 16:9 verticalizado pode não funcionar em 9:16. Enquadramento precisa ser reescrito para cada formato.
Esquecer o áudio. Vídeo sem trilha e sem som ambiente parece amador mesmo quando a imagem é excelente. Planeje trilha, ambiência e efeitos desde o início.
Checklist rápido: o prompt define sujeito e ação? Define cenário e época? Define plano, lente e um único movimento? Define direção e qualidade da luz? Define paleta e textura? Define estilo geral e restrições? Repete a identidade do personagem das cenas anteriores? Tem duração curta o suficiente para um teste? Se todas as respostas forem sim, a chance de acerto sobe muito.
Perguntas frequentes
Preciso escrever prompts em inglês?
Não necessariamente. Modelos modernos entendem português bem, e escrever no idioma em que você pensa reduz ambiguidade. Se o resultado parecer fraco, teste a mesma ideia em inglês com termos técnicos de cinematografia, porque parte do vocabulário de treinamento é mais denso nesse idioma. O importante é manter o prompt em um idioma só dentro da mesma geração.
Quantas palavras deve ter um prompt de vídeo?
Entre 40 e 120 palavras costuma ser a faixa ideal. Abaixo disso, o modelo decide demais; acima disso, instruções começam a competir entre si. Prefira precisão a volume: cinco detalhes bem escolhidos valem mais que vinte adjetivos.
Como manter o mesmo rosto em vários clipes?
Use uma imagem de referência aprovada e repita a descrição textual do personagem sem alterações. Gere cada plano a partir da mesma referência e evite mudar luz e figurino ao mesmo tempo. Se o modelo permitir, crie variações a partir do mesmo primeiro quadro em vez de recomeçar do zero.
Vale a pena usar vários modelos no mesmo projeto?
Sim. É comum gerar imagens em um modelo, animar em outro e fazer upscale ou correção de movimento em um terceiro. A chave é manter um padrão visual consistente entre as etapas: mesma paleta, mesmo tipo de luz, mesma proporção de tela.
O que fazer quando o resultado é bom, mas o movimento é estranho?
Simplifique a ação. Descreva um único gesto contínuo em vez de uma sequência de ações e reduza a duração do clipe. Muitas vezes, cortar o trecho problemático na edição resolve mais rápido do que reescrever o prompt.
Conclusão: trate o prompt como parte da direção
Dominar prompt engineering para vídeo não é decorar fórmulas, e sim aprender a pensar como diretor: decidir o que aparece em cena, como a câmera olha, como a luz revela e quanto movimento aquele plano suporta. Quando você organiza essas decisões em blocos reutilizáveis, ganha duas coisas ao mesmo tempo: previsibilidade nos resultados e liberdade para experimentar sem perder a identidade visual do projeto.
Comece pequeno. Escolha um personagem, um cenário e um estilo, escreva um prompt com as cinco camadas, gere clipes de três a cinco segundos, registre seed e configurações e ajuste uma variável por vez. Em pouco tempo, você terá uma biblioteca de receitas próprias que transforma a geração de vídeo de loteria criativa em processo de produção.
