Os prompts de vídeo com IA costumam ser muito longos, mas mesmo assim ainda ocorre troca de rosto, o copo se deforma na mão e um movimento planejado acaba sendo filmado em várias tomadas desconexas. Diante desses problemas, continuar a acrescentar “sensação cinematográfica, ultra‑nítido, qualidade de imagem máxima” nem sempre resolve o verdadeiro desvio.

Um ponto de partida mais útil é dividir os requisitos em três perguntas: Qual é o estado inicial da cena? O que acontece apenas durante esse período? Como será considerada satisfatória ao final? Este tutorial utiliza o caso original de “um ceramista coloca uma xícara feita à mão sobre uma bandeja”, guiando‑o para revisar os prompts, preparar referências e estabelecer um processo de edição rastreável no PixPix.

Este artigo é um tutorial sobre métodos de criação. As personagens e cenários do exemplo são configurações originais e fictícias; as imagens ilustrativas são exemplos estáticos gerados por IA. Não foram realizadas gerações de vídeo no PixPix, não incluindo taxas de sucesso testadas, classificações de modelos ou garantias de resultados.

Primeiro, identifique em qual nível o problema ocorre

Não atribua todos os fracassos apenas ao fato de o prompt não ser suficientemente detalhado. Por exemplo, se o copo se deformar, pode ser porque o contorno da referência está pouco nítido, ou porque a mão está ocultando demais, ou ainda porque o modelo atual tem dificuldade de executar esse tipo de contato.

Esta tabela indica a sequência de verificação, mas não constitui um diagnóstico das causas dos defeitos. Primeiro, identifique o aspecto que mais afeta o uso; em seguida, decida se deve mudar o material, o texto ou o design da cena.

Estabeleça um estado inicial claro para o caso original

Primeiro fixe a personagem, depois adicione o movimento

A protagonista do caso chama-se “Lin He” e é uma ceramista fictícia. Ela tem cabelos curtos e retos, de cor preta, veste uma camisa de algodão branca cremosa com mangas dobradas, um avental verde‑sálvia com tiras cruzadas e calças cinza escuras, sem joias. Ao longo de todo o vídeo, aparece apenas ela.

Legenda: Esquema de configuração dos elementos da personagem; a placa de múltiplas vistas não significa que várias figuras devam ser simultaneamente o foco principal do vídeo.

As referências para a personagem devem responder a duas perguntas: quem é o rosto e como é a roupa. O esquema de múltiplas vistas ajuda a organizar a identidade, mas, na hora de fazer o upload, deve‑se usar uma única imagem clara ou referências separadas, conforme as exigências do modelo, evitando que áreas com várias figuras sejam interpretadas como múltiplas pessoas.

Os objetos também devem ter uma identidade única

Neste caso, utiliza‑se apenas uma xícara de cerâmica sem alça: a parte externa é vermelho‑ocre, a interna é branco‑creme, a borda é ligeiramente mais espessa e a superfície é fosca. A xícara é colocada no centro de uma bandeja retangular de madeira de carvalho clara. A bandeja permanece sobre a bancada, sem se mover durante toda a cena.

Legenda: Esquema de configuração de objeto original, não uma verificação real da estrutura do produto.

Não se deve, em um único prompt, primeiro chamá‑la de “xícara de cerâmica” e, mais adiante, pedir que “uma caneca com alça” se volte para a câmera. Se a forma, a cor ou os padrões da superfície do produto real precisam ser exatos, deve‑se utilizar fotos oficiais confirmadas como base.

Transformar a cena em relações espaciais verificáveis

A bancada fica à frente da personagem; a grande janela está fora do enquadramento, à esquerda da câmera; uma prateleira baixa de madeira fica ao fundo, à direita, com apenas três tigelas de cerâmica brancas. A luz natural entra pela esquerda, deixando sombras suaves do lado direito.

Legenda: Esquema inicial da composição: a xícara na mão, a bandeja vazia.

Esta cena não necessita de mais decorações. O importante não é descrever peça por peça todo o estúdio, mas sim identificar claramente os objetos que participarão da ação, influenciarão a ocultação e a composição.

Seis maneiras de transformar “pousar a xícara” em algo diferente

Apenas escrever o slogan, sem nenhuma ação visível

O texto abaixo pode expressar expectativas estéticas, mas não especifica o que a câmera deve capturar:

Anúncio de marca premium de cerâmica, repleto de calor artesanal, textura refinada, estilo cinematográfico, ultra‑nítido, apresentação impactante do produto.

Se o objetivo for apenas pousar a xícara, pode‑se reduzir a tarefa assim:

Lin He posiciona verticalmente a xícara de cerâmica sem alça, de cor vermelho‑ocre, que segura na mão direita, no centro da bandeja de madeira. Após o fundo da xícara tocar a bandeja, ela solta a mão direita e recolhe a mão. A câmera permanece fixa, registrando integralmente a xícara e a bandeja.

Deixe que isso aconteça primeiro, depois decida se acrescenta camadas de iluminação, sons ambiente ou detalhes adicionais na atuação. As palavras‑chave de estilo podem ser mantidas, mas não assumem a função de explicar a ação.

A abertura já está configurada, mas ainda assim pede para “pousar”

Se a xícara mostrada na imagem já estiver firmemente apoiada na bandeja, e o prompt ainda solicitar que “ela coloque a xícara na bandeja”, o modelo deverá suprir sozinho o processo de pegar, mover e repor a xícara.

É possível seguir dois caminhos: preparar uma imagem inicial com a xícara na mão e a bandeja vazia, realizando diretamente o ato de pousar; ou manter a imagem existente e alterá‑la para “sua mão direita toca levemente a xícara e então se afasta”. Esta última opção modifica a tarefa original e só deve ser adotada quando você aceitar novos elementos na cena.

As imagens de referência e as instruções de movimento devem estar bem conectadas. Quanto mais claros forem os materiais de entrada, tanto quanto os textos, é igualmente importante verificar essa clareza.

Uma mesma tomada requer simultaneamente fixação, aproximação e panorâmica

“Filmagem com câmera fixa, com a câmera avançando lentamente e fazendo uma volta completa, finalizando com uma tomada de cima” inclui diversos movimentos e cortes. Essa combinação pode ser adequada para uma sequência de múltiplas tomadas projetada separadamente, mas não serve como primeira tentativa para este simples movimento.

Neste caso, começa‑se com uma tomada fixa em plano médio, garantindo que a xícara, as mãos e a bandeja permaneçam sempre visíveis. Depois que a ação for aprovada, pode‑se experimentar uma pequena aproximação; não se deve, na mesma rodada, incluir zoom, panorâmica e tomada de cima ao mesmo tempo.

Escreveu‑se “pousar naturalmente”, mas não foi descrita a transferência

Aqui, a transferência ocorre quando o apoio da xícara passa das mãos para a bandeja. O prompt pode especificar claramente: a mão direita segura a parte inferior da xícara, com a boca voltada para cima; após o fundo da xícara tocar a bandeja, os dedos se soltam; a xícara permanece sobre a bandeja, e a mão direita se afasta.

Legenda: Esquema do estado de contato, utilizado para ilustrar a relação de suporte; não comprova que o movimento de contato no vídeo já foi realizado.

Não é necessário transformar cada articulação em instruções mecânicas complexas. O foco está em quem sustenta o objeto em cada etapa e se a palma da mão e o corpo do copo ainda são duas entidades independentes. Se houver várias falhas, pode-se primeiro reduzir a distância do movimento ou dividir em dois planos: “close do ato de segurar o copo” e “após o copo estar firmemente posicionado”.

Inclua emoções, iluminação e fundo todos juntos na ação principal

“Ela coloca o copo, feliz e pensativa, alternando entre contraluz e luz superior; os objetos de cena giram ao mesmo tempo, enquanto a câmera atravessa rapidamente o estúdio”, acrescentando muitas mudanças concorrentes.

Para esta tomada, a interpretação pode se limitar a baixar o olhar para o copo e soltar um leve suspiro após colocá‑lo firmemente. A iluminação mantém a luz lateral esquerda, e o fundo permanece imóvel. Primeiro, verifique apenas o movimento de colocar o copo; as demais variações devem ter suas próprias funções.

Mude todas as condições de uma só vez e depois tente descobrir qual delas é eficaz

Se na versão anterior houve fusão das mãos e, na seguinte, foram alterados simultaneamente a imagem de referência, o modelo, os movimentos e o formato da imagem, mesmo que o resultado melhore, será difícil identificar a causa.

Recomenda‑se manter a versão atual e alterar apenas o item mais relevante. Por exemplo, se o copo passa pelos dedos, ajuste primeiro a descrição da pegada ou reduza a distância do movimento; caso a aparência do copo esteja incorreta desde o primeiro quadro, verifique primeiro a referência. Em cada rodada, anote os itens mantidos, os modificados e os resultados observados.

Organize os casos em prompts diretamente testáveis

A seguir apresentamos um ponto de partida para criar vídeos a partir de imagens. As referências de personagens e objetos devem ser associadas primeiro segundo o padrão atual; “Lin He” é apenas o nome do caso deste texto e não fará com que o modelo reconheça esse rosto por si só.

Utilize a mesma ceramista de cabelos curtos, já associada às referências, bem como o mesmo copo de cerâmica sem alça, com paredes externas cor de ocre e internas branco‑creme. Ela veste uma camisa branca‑creme com mangas enroladas, um avental verde sálvia e calças cinza‑escuro.

A cena inicial é uma tomada fixa, em plano médio e olhar frontal: ela está atrás da bancada de trabalho, segurando a parte inferior do copo com a mão direita, com a boca voltada para cima e o fundo apoiado sobre uma bandeja de madeira vazia. A mão esquerda repousa sobre a mesa ao lado da bandeja, separada da direita.

Ela abaixa lentamente o copo verticalmente até o centro da bandeja; após o fundo tocar a bandeja, a mão direita solta e recolhe‑se. O copo permanece ereto, e a bandeja mantém sua posição original. Ela baixa o olhar para o copo e, ao final do gesto, solta um leve suspiro.

A câmera permanece fixa, preservando integralmente as mãos, o copo e a bandeja no plano médio. O encerramento fica na imagem em que o copo está firmemente posicionado e a mão direita já se afastou.

A luz lateral esquerda ilumina uniformemente o corpo do copo, enquanto o suporte de madeira e três tigelas de cerâmica branco‑creme no fundo à direita permanecem inalterados. A aparência do rosto, as roupas e as cores e formas do copo mantêm‑se consistentes. Todo o trecho é filmado em um único plano contínuo.

Legenda: Esquema da composição final; gerado separadamente da abertura e do diagrama de contato, não sendo um frame extraído do mesmo vídeo.

Este prompt descreve o objetivo, não garante a geração. Se a imagem de entrada já apresenta claramente a aparência, pode‑se reduzir a descrição repetitiva da aparência, concentrando‑se nos movimentos e nas mudanças temporais; caso o modo exija explicações adicionais de referência, mantenha os elementos essenciais inalterados.

Os hábitos de criação de prompts podem variar entre diferentes modelos.

Teste no PixPix, fazendo com que algo funcione primeiro

Escolha o método de referência e, em seguida, selecione as especificações

Abra o painel de edição de vídeo do PixPix, consulte os modelos e modos de entrada disponíveis na conta atual e, então, carregue ou associe os materiais. Não misture indiscriminadamente imagens de pessoas, objetos e cenários numa única tarefa: primeiro defina claramente qual imagem representa a identidade fixa, qual o copo fixo e qual define a cena inicial.

Na página MiniMax H3 do PixPix são apresentados os tipos de entrada — texto, imagem, vídeo e som —, distinguindo‑se entre geração de vídeo a partir de texto, quadros inicial e final e referência completa; as instruções públicas indicam que os quadros inicial e final servem para definir a composição de início e fim, enquanto a referência completa é usada para fixar personagens, objetos e estilo. Já a página Seedance 2.5 destaca a capacidade de referência multimodal, alongamento e edição de marcações temporais. Tudo isso corresponde às descrições oficiais de funcionalidades, não aos testes comparativos realizados neste artigo; as opções realmente disponíveis dependem do painel de edição.

Na primeira tentativa, pode‑se escolher a duração mais curta oferecida pelo modo atual e adequar‑la ao formato final desejado. Verifique primeiro se há tempo suficiente para abaixar e soltar, antes de considerar histórias mais longas. Antes de enviar, confira as especificações e o consumo exibidos no painel, sem estimar o custo atual com base em pontos fixos previstos nos tutoriais.

Substitua “sinto-me melhor” por uma lista de verificação de movimentos

Reproduza a primeira versão do início ao fim, depois pause para analisar três momentos: o início, o contato entre o fundo da xícara e a bandeja, e o final. Verifique a estrutura por meio de quadros estáticos e, em reprodução contínua, avalie a fluidez das transições entre os movimentos.

1. No início, há apenas uma pessoa, uma xícara e uma bandeja; a xícara realmente está na mão.

2. A xícara desce da mão, sem que haja mudanças bruscas na direção do bico ou na proporção do corpo da xícara.

3. O fundo da xícara toca primeiro a bandeja, e a mão direita solta-se em seguida; não há fusão perceptível entre a mão e o corpo da xícara.

4. No final, a xícara permanece sobre a bandeja, a mão direita se afasta e a cena não muda abruptamente de ângulo.

Se houver algum item que não tenha sido aprovado, registre‑o primeiro, sem pressa de acrescentar detalhes artísticos. Defeitos que não podem ser resolvidos com ajustes repetidos podem ser contornados reduzindo obstruções, diminuindo a amplitude dos movimentos ou dividindo as tomadas.

Salve a versão e mantenha evidências comparativas

Ao realizar comparações entre modelos, procure alinhar os elementos comuns — como entrada, palavras‑chave, proporção da tela, duração, resolução e número de gerações. Caso algumas condições não possam ser alinhadas, explique-as separadamente, evitando classificar tarefas de dificuldades distintas juntas.

Perguntas frequentes

Quanto mais longa for a palavra‑chave, mais preciso será o vídeo?

Não necessariamente. O comprimento não substitui a clareza da tarefa.Primeiro, mantenha o objeto principal, o estado inicial, os movimentos essenciais, a câmera e o estado final; depois, acrescente informações conforme as deficiências reais. Adjetivos repetitivos que não contribuem para o resultado podem ser eliminados inicialmente.

Escrever “não deforma, sem mãos extras” resolve o problema?

Isso não garante a correção. É recomendável descrever primeiramente o estado desejado, por exemplo: “mão esquerda apoiada na mesa, mão direita solta e recolhida, xícara permanecendo ereta”, e então, com base no modelo atual, especificar o que não é necessário. Se o modelo atual dispuser de um campo próprio para palavras‑chave negativas, preencha‑o de acordo com seu uso real, sem presumir que todos os modelos suportem essa funcionalidade.

Para gerar vídeo a partir de uma imagem, ainda é preciso descrever toda a imagem novamente?

Não é necessário repetir mecanicamente. Quando a imagem já fornece a aparência e a composição, o texto pode enfatizar os próximos movimentos; já nas tarefas de múltiplas referências, é preciso deixar claros os papéis da identidade, dos objetos e do quadro inicial. Evite conflitos em que o material indique que o copo já está bem posicionado, enquanto o texto faz com que ele pareça voar desde longe.

Por que, mesmo escrevendo instruções claras, ainda ocorrem falhas?

Os prompts são apenas uma parte da entrada. A qualidade das referências, ocultamentos, dificuldade dos movimentos, capacidade do modelo e a aleatoriedade na geração podem todos influenciar o resultado. Não se deve interpretar cada desvio como decorrente de um termo não especificado, nem prometer que acrescentar uma palavra resolverá a situação.

Comece com uma revisão clara

Acesse o PixPix Video Workbench, prepare uma imagem inicial que dialogue com o movimento e conclua primeiro a ação de “colocar o copo firmemente no lugar”. Verifique o resultado nas três etapas — abertura, contato e final — e então decida o que será alterado na próxima versão.

Quando você consegue identificar quais requisitos foram atendidos e quais ainda falharam, o prompt deixa de ser uma mera intenção vaga e passa a ser uma descrição criativa que pode ser ajustada gradualmente.