O problema de consistência dos personagens em vídeos gerados por IA geralmente não se resume a “o primeiro vídeo parece ou não”, mas sim, após o personagem mudar para um segundo local, assumir uma terceira escala de plano e executar um quarto movimento, se o formato do rosto, a idade, o penteado, as roupas e os acessórios ainda conseguem manter a identidade da mesma pessoa.

Este artigo apresenta, utilizando o PixPix, um fluxo de trabalho reprodutível para personagens em múltiplas cenas: primeiro cria-se um modelo base do personagem; em seguida, divide-se a cena, reutiliza-se material de referência, transfere-se as imagens aprovadas após revisão e, ao final de cada tomada, verifica-se se há desvio de identidade. O texto não descreve modelos testados empiricamente para processos ainda não implementados; para informações específicas sobre entradas, especificações e modelos disponíveis, consulte a página atual do PixPix.

Conclusão rápida: a consistência provém do fluxo de trabalho, e não apenas dos modelos.

Para que um mesmo personagem de IA atravesse de forma estável várias cenas em diferentes vídeos, é necessário realizar simultaneamente quatro ações:

1. Utilize imagens de referência do personagem para fixar o rosto, o penteado, as proporções corporais, as roupas e os itens característicos;

2. Divida a história em tomadas curtas, de modo que cada tomada execute apenas uma ação principal;

3. Reintroduza o modelo base do personagem a cada geração e, quando necessário, inclua também o quadro aprovado da tomada anterior;

4. Verifique após cada tomada concluída, evitando que pequenos erros se propaguem para as cenas subsequentes.

Até o momento desta elaboração, a página pública do PixPix apresenta diversos modelos de vídeo orientados por referências. É possível filtrar inicialmente pelas tarefas, em vez de perguntar primeiro “qual é o melhor modelo absoluto”:

Esta tabela baseia-se nas recomendações oficiais de correspondência entre tarefas e modelos, e não em rankings obtidos por testes sob condições idênticas. Em projetos formais, deve-se primeiro selecionar dois modelos candidatos, utilizar o mesmo conjunto de referências do personagem, palavras‑chave para as tomadas, proporções de quadro e checklist para realizar testes em três tomadas, comparando então o número de retrabalhos necessários.

Por que os personagens acabam se tornando outras pessoas em diferentes tomadas?

Desvio dentro de um único vídeo

Quando o personagem vira a cabeça em uma tomada, é ocultado por mãos ou objetos, realiza movimentos rápidos ou quando a câmera se posiciona ao lado ou atrás dele, a informação facial disponível para o modelo diminui. Os resultados mais comuns incluem alterações na distância entre os olhos, deslocamento da linha do cabelo, reconstrução da gola da roupa, mudança de forma dos objetos nas mãos e, durante o movimento, o personagem pode parecer repentinamente mais jovem ou mais maduro.

Desvio entre diferentes cenários

Cada nova tomada é uma nova tarefa de geração. Se repetirmos apenas descrições como “mulher de cabelos cinza-prateados, vestindo um terno preto”, o modelo produzirá apenas uma categoria de personagem, e não uma identidade única. Novos locais, novas iluminações e novos ângulos ainda alteram mais as evidências visuais; assim, mesmo que a segunda tomada pareça “muito semelhante”, pode já não ser a mesma personagem.

Os prompts não substituem as referências visuais

O texto é adequado para descrever ações, cenários e movimentos de câmera, mas dificilmente consegue detalhar com precisão a distância entre os olhos, o contorno do nariz, o corte das roupas ou as proporções dos objetos. A imagem de referência fornece ao modelo um ponto de ancoragem visual direto; já os prompts textuais indicam o que deve ser alterado nesta tomada e o que precisa permanecer inalterado.

Uma divisão de tarefas mais segura seria: a imagem de referência define “quem ela é”, enquanto os prompts definem “onde ela está agora, o que faz e como será filmada”.

Primeiro, construa um arquivo de continuidade para personagens originais

Este artigo utiliza como exemplo didático a personagem adulta original “Gu Yao”. Ela é uma criativa visual, com cabelos curtos em camadas cinza-prateados presos num coque baixo, usando óculos escuros pretos de armação estreita e uma argola de prata esculpida na orelha direita. Veste um conjunto tecnológico preto de gola alta combinado com calças largas também pretas, luvas pretas e carrega consigo uma bolsa preta com borda estreita em vermelho‑carmim.

As quatro tomadas ocorrem, respectivamente, em um estúdio de moda preto, em um corredor urbano sob chuva, em uma galeria espelhada e no terraço de um edifício ao entardecer. Embora os cenários e as tomadas mudem, a identidade da personagem, o contorno do coque, os óculos escuros, a argola na orelha direita, a estrutura das roupas e o formato da bolsa devem permanecer inalterados.

Diferencie pontos de ancoragem fixos de elementos variáveis

Prepare um conjunto, em vez de uma única imagem de referência

Uma única foto frontal não é suficiente para mostrar o perfil do personagem, as roupas vistas por trás e a proporção do corpo inteiro. Recomenda-se preparar pelo menos:

• Foto frontal de meio corpo: confirme o formato do rosto, os óculos escuros, o penteado e o brinco de orelha;

• Foto de três quartos do corpo: verifique a silhueta, o corte da roupa e a proporção da bolsa;

• Foto lateral: apoie movimentos como virar a cabeça, caminhar e acompanhar a câmera;

• Foto de costas: confirme a posição do coque, a linha dos ombros e a parte posterior da blusa;

• Close de acessórios: fixe a bolsa, o brinco de orelha e a estrutura dos óculos escuros.

As imagens de referência devem usar iluminação uniforme e contornos nítidos; evite filtros intensos que ocultem os traços faciais e não misture várias versões de roupas na versão principal do personagem.

Legenda: A versão principal do personagem registra simultaneamente o rosto, o coque cinza-prata, os óculos escuros de armação estreita preta, o brinco de orelha prateado no ouvido direito e o conjunto preto de gola alta; nas cenas subsequentes, sempre retorne a esta imagem para confirmar a identidade.

No PixPix, selecione o modelo de vídeo de acordo com a tarefa de cada tomada

MiniMax H3: teste primeiro a estabilidade do sujeito em tomadas curtas

A página oficial do MiniMax H3 do PixPix atualmente indica que ele aceita entrada de texto, imagens, vídeos e áudio, podendo processar pessoas, movimentos, tomadas e sequências temporais, destacando a “estabilidade do sujeito” como sua principal capacidade. As especificações de geração divulgadas são de 4 a 15 segundos, até 2K e 24fps; as opções específicas dependem do modo de geração.

Ele é mais adequado para testar inicialmente movimentos claros como acompanhamento, zoom, panorâmica, elevação ou rotação, bem como tomadas curtas onde pessoas, roupas e objetos precisam permanecer estáveis durante o movimento. No primeiro teste, evite incluir correr rápido, rotação de 360 graus, troca de roupas e interações complexas com objetos.

Kling 3.0 Omni: para múltiplas referências e tarefas audiovisuais complexas

A página oficial do Kling 3.0 Omni do PixPix o apresenta como um modelo de vídeo multimodal, capaz de combinar referências de texto, imagem, vídeo e áudio, oferecendo geração e edição de vídeo, áudio nativo e controle de storyboards com múltiplas tomadas.

Quando o projeto exige bloquear simultaneamente personagens, o tom geral da cena, referências de ação e sons, ou quando uma tarefa envolve uma organização mais complexa de tomadas, esse modelo pode ser considerado como candidato. Quanto mais material de entrada, mais importante será especificar claramente qual referência corresponde a personagens, ações, cenários ou sons, evitando que o modelo interprete erroneamente as relações entre eles.

Seedance 2.5: teste narrativas mais longas e conexões entre múltiplas referências

De acordo com o PixPix Descrição das capacidades de alta definição do Seedance, o Seedance 2.5 atualmente suporta geração de até 30 segundos, múltiplas imagens, referências de vídeo e áudio, além de continuar a ampliar a saída para 1080P.

Quando a tomada requer uma progressão mais longa de ações, uma relação contínua entre personagens e cenários, ou se houver necessidade de prolongar e ajustar posteriormente, dê preferência ao teste do Seedance 2.5. Um tempo maior não significa automaticamente maior estabilidade do personagem; caso a ação seja complexa, recomenda-se primeiro verificar a identidade e a estrutura dos movimentos com versões mais curtas, antes de avançar para a configuração final.

Divida a história em quatro tomadas verificáveis

Os testes de consistência não devem começar gerando toda a curta de uma só vez. Comece com quatro tomadas distintas, mas controláveis, aumentando gradualmente a dificuldade.

Cena 1: Primeiro, estabelecer personagem e objetos

A cena 1 utiliza um plano médio estável, com Gu Yao posicionado diante de um quadro de luz magenta em um estúdio preto. Nesta tomada, não se busca movimentos complexos; o foco é verificar se o rosto frontal, o penteado, os óculos escuros, a roupa e a bolsa podem ser mantidos simultaneamente.

Legenda: Na primeira cena, utiliza-se uma imagem clara do rosto em três quartos e gestos simples das mãos para estabelecer a base da personagem, da roupa e dos objetos.

Cena 2: Alterar o ambiente e incluir a caminhada

Na cena 2, a personagem é transferida para um corredor urbano numa noite chuvosa, sendo acompanhada pela câmera desde o lado esquerdo traseiro. É necessário verificar se o perfil lateral, a posição do coque, a parte posterior da blusa e a bolsa preta continuam coerentes.

Legenda: O cenário, a iluminação e os movimentos já foram alterados, mas a idade da personagem, o contorno do coque, os óculos escuros, o brinco na orelha direita, a estrutura da blusa e o formato da bolsa ainda devem ser preservados.

Cena 3: Acrescentar variações de postura e interação com objetos

Na cena 3, Gu Yao aparece ajustando uma vitrine transparente em um salão de exposições com espelhos. A câmera em ângulo baixo, as reflexões nos espelhos e a interação manual aumentam o risco de distorções nas proporções corporais e repetição de deformações na figura e nas mãos; por isso, a bolsa permanece ao lado como referência estável.

Legenda: Quando ocorrem simultaneamente reflexões nos espelhos e interações com objetos, deve-se verificar o rosto, o coque, o brinco, as costuras da roupa, as relações de contato das mãos e a proporção da bolsa.

Cena 4: Verificar o contorno da figura com uma vista panorâmica

Cena 4: a câmera muda para um plano aberto do telhado ao entardecer, com Gu Yao de costas para a cidade e virando-se. No plano distante, os detalhes faciais diminuem, tornando‑se ainda mais necessário confiar no coque cinza prateado, no contorno dos óculos escuros, na silhueta do terno preto e na borda em tom magenta da bolsa para manter a identificação.

Legenda: A principal mudança na última cena está no plano e na iluminação; o contorno do personagem, as áreas coloridas das roupas e as cores dos objetos devem permanecer iguais às do modelo original.

Após a passagem da Cena 1, avance diretamente para a Cena 2. Se o perfil, o coque ou a bolsa da Cena 2 já apresentarem mudanças, não continue utilizando‑os como única referência para a Cena 3.

Elabore os prompts de cada cena usando blocos de identidade fixa

Bloco de identidade de personagem genérico

A seguir, apresentamos um modelo reutilizável concebido para este caso, que não se trata de um prompt original de artigos de referência nem de qualquer modelo:

Modelo genérico | Bloco de identidade de personagem

Personagem feminina adulta original, Gu Yao, rosto oval, cabelo curto em camadas, cinza prateado, preso num coque baixo; usa óculos escuros pretos de armação fina e um brinco de argola prateado com aspecto escultural na orelha direita. Veste uma blusa tecnológica preta de gola alta e cintura marcada, calças largas pretas e luvas também pretas, carregando uma bolsa rígida preta com borda estreita em tom magenta. Mantenha o mesmo formato facial, idade, posição do coque, proporções corporais, costuras das roupas, direção dos óculos, orientação do brinco e estrutura da bolsa; sem trocar de roupa nem acrescentar acessórios.

Este bloco de identidade deve ser repetido em cada cena. Os prompts de cenário apenas adicionam informações sobre o local, o tipo de plano, os movimentos, a câmera, dinâmicas ambientais, sons e o estado final.

Estrutura dos prompts de cena

Pode ser organizada na seguinte sequência:

1. Cenário e horário;

2. Plano e posição da câmera;

3. Um movimento principal do personagem;

4. Um movimento da câmera;

5. Elementos do ambiente que podem se mover;

6. Necessidades sonoras;

7. Itens inalteráveis do personagem e dos objetos;

8. Postura e composição ao final da cena.

Exemplo da Cena 2

Modelo genérico | Cena de acompanhamento noturno sob chuva

Corredor urbano moderno numa noite chuvosa, com reflexos suaves e controlados no chão. Plano médio‑grande do corpo inteiro, câmera posicionada atrás e à esquerda de Gu Yao, seguindo‑a lentamente em paralelo. Ela segura uma bolsa preta com borda estreita em tom magenta, caminhando em passos firmes e com pequenas voltas leves para olhar a câmera. A água da chuva, a barra inferior da blusa e as pontas do cabelo movem‑se naturalmente, enquanto o fundo permanece limpo e sem outras pessoas próximas ao protagonista. Mantenha inalterados o formato facial, a idade, o coque cinza prateado, os óculos escuros de armação fina, o brinco prateado na orelha direita, o corte das roupas e a estrutura da bolsa conforme o bloco de identidade. Ao final da cena, Gu Yao para na linha de terços à direita da imagem, com o perfil e a bolsa completamente visíveis.

Nos prompts, não é necessário repetir constantemente adjetivos abstratos como “cinematográfico”, “impactante” ou “sofisticado”. Para garantir a consistência, é mais útil especificar exatamente onde está a câmera, quantos movimentos realiza o personagem, o que deve permanecer inalterado e onde termina a cena.

Permita que a cena anterior ajude a próxima, em vez de propagar erros

A referência principal e o quadro de transição assumem funções distintas

O modelo principal do personagem serve como referência principal, responsável pela identidade de longo prazo; já o quadro de aprovação da cena anterior funciona como referência auxiliar, cuidando do estado atual das roupas, da direção da luz e da continuidade espacial. Cada nova cena deve incorporar o modelo principal do personagem, sem depender exclusivamente do quadro anterior.

Legenda: O master mantém a identidade do personagem; os frames aprovados são utilizados para complementar o estado atual da roupa, dos objetos e do cenário; ambos entram juntos no próximo plano, em vez de apenas transmitir o frame anterior.

Apenas transfira frames limpos e aprovados

Escolha imagens em que o rosto esteja nítido, sem desfoque de movimento, com mãos e objetos completos e com a estrutura das roupas correta. Se o último frame do plano apresentar, por acaso, olhos fechados, obstruções ou deformações, escolha um frame próximo mais estável como referência visual e trate a transição separadamente na edição.

Volte regularmente ao master do personagem

Transmitir continuamente o plano anterior para o seguinte pode fazer com que pequenas variações se acumulem gradualmente. Após concluir dois ou três planos, é recomendável verificar novamente com o master do personagem; caso ocorra uma deriva evidente, retorne ao master ou a uma referência mais forte anterior para gerar novamente, em vez de continuar utilizando o frame incorreto.

Use a mesma lista de verificação para aprovar cada plano

Após a geração de cada vídeo, verifique pelo menos os itens a seguir:

A identidade facial, a idade, as roupas características e os objetos de cena são itens de verificação rigorosos; caso falhem, devem ser corrigidos ou refazidos. Já as mudanças na posição de pequenos elementos de fundo costumam ser questões mais flexíveis, cuja aceitação depende da narrativa da cena.

Nota: verificar quatro tomadas lado a lado facilita a detecção de deslocamentos no penteado, variações na proporção dos óculos escuros, desaparecimento de um brinco, desvio nas costuras das roupas ou deformação da bolsa, em comparação com a avaliação individual baseada apenas na impressão.

As seis práticas que mais comprometem a consistência do personagem

Repetir apenas o texto, sem repetir a imagem de referência

Um mesmo termo de consulta só mantém a categoria do personagem, mas não preserva de forma confiável sua identidade única. Cada tomada deve fazer nova referência ao mesmo conjunto de modelos originais.

Inserir muitas ações em uma única tomada

Correr, girar, abrir uma bolsa, interagir com as mãos, agachar-se e levantar a cabeça simultaneamente aumenta as ocultações e as mudanças de postura. Primeiro defina uma ação principal e, em seguida, use as tomadas subsequentes para completar os passos seguintes.

Transmitir continuamente o quadro final errado

Se o penteado da tomada anterior já cresceu, as tomadas posteriores acabarão adotando esse erro como novo padrão. Antes da transição, é necessário realizar uma inspeção; caso ocorra desvio, volte ao modelo original do personagem.

Trocar simultaneamente o local, a iluminação, a roupa e a posição da câmera

Ao alterar muitas variáveis de uma só vez, torna-se difícil determinar qual delas provocou a mudança de identidade. Durante a fase de testes, cada tomada deve introduzir apenas um único aspecto problemático.

Uso compartilhado de uma mesma imagem de referência por vários personagens

Em cenas com múltiplos personagens, é fácil ocorrer fusão facial, troca de roupas e combinação inadequada de objetos. Deve-se preparar referências independentes para cada personagem e definir claramente sua posição espacial e a sequência de interações.

Buscar primeiro a resolução mais alta e depois verificar os personagens

A alta resolução não corrige identidades que já se desviaram. Primeiro confirme os personagens, as ações e as tomadas usando especificações adequadas à iteração, antes de avançar para as configurações finais de saída.

Perguntas frequentes

É possível produzir um vídeo com múltiplas cenas usando apenas uma única foto do personagem?

É possível iniciar os testes, mas uma foto frontal não fornece informações sobre o perfil, a parte posterior nem a proporção do corpo inteiro. Quanto maior o número de ângulos de filmagem, mais importante será complementar com referências multiangulares do personagem e close-ups de seus acessórios.

Qual modelo de vídeo do PixPix é mais adequado para manter a consistência dos personagens?

Não existe uma resposta única que atenda a todas as situações. Para movimentos curtos, câmeras bem controladas e sujeitos estáveis, pode-se começar testando o H3; para múltiplas referências, áudio e composições complexas, o Kling 3.0 Omni é uma boa opção; já para narrativas mais longas e referências multimodais, o Seedance 2.5 seria mais indicado. A escolha final deve ser feita com base em testes de três tomadas realizados sob condições idênticas.

Usar o último quadro da tomada anterior garante que o rosto não mude?

Não. O quadro final ajuda a transmitir a roupa, a iluminação e a composição atuais, mas também pode carregar desfoque de movimento, olhos fechados ou pequenas deformações. Ele deve servir apenas como referência auxiliar; o modelo original do personagem continua sendo o padrão de identidade a longo prazo.

É possível trocar de roupa durante a cena?

Sim, mas essa troca deve ser definida como uma mudança clara na trama. Mantenha o rosto, o penteado, a idade e as proporções corporais, ao mesmo tempo em que cria novas referências frontais, laterais e posteriores para a nova roupa; evite que o modelo tente deduzir sozinho a estrutura da vestimenta.

Como reduzir a troca de identidades em diálogos entre vários personagens?

Prepare referências independentes para cada pessoa, gerando primeiro tomadas individuais de reação e, em seguida, trabalhe com cenas médias de duas pessoas. No prompt, especifique claramente a posição esquerda/direita, a direção do olhar e a sequência das ações de cada personagem; se ainda houver troca de rostos, divida a cena e estabeleça o ritmo do diálogo na edição.

O que deve ser observado ao usar imagens de referência de pessoas reais?

Certifique-se de possuir os direitos de uso dos materiais e a autorização das pessoas envolvidas; não utilize retratos sem permissão para criar conteúdos enganosos. Antes de utilizar publicamente ou comercialmente, verifique também as normas vigentes na plataforma e região de destino.

Resumo

A consistência dos personagens em vídeos de IA para múltiplos cenários não é fruto de um acaso gerado de uma só vez, mas sim de um método de produção verificável:

Criar o modelo‑padrão do personagem → Definir pontos de ancoragem rígidos → Selecionar modelos conforme a tarefa → Adicionar apenas uma variável principal por cena → Reutilizar o modelo‑padrão e revisar os quadros aprovados → Realizar a aceitação cena a cena → Reancorar em caso de desvio.

Ao iniciar um projeto no PixPix, é possível substituir inicialmente a estrutura de teste de quatro cenas de Gu Yao por seus próprios personagens originais. Gerar apenas as três primeiras cenas já é suficiente para avaliar se a frente, o perfil, o movimento, a iluminação e os objetos estão estáveis; após a aprovação, pode‑se então expandir para a história completa, o que torna mais fácil controlar os custos de retrabalho do que tentar gerar diretamente um longa‑metragem.