Como escrever um prompt de vídeo: câmera, luz e ritmo

Resposta curta: um bom prompt de vídeo descreve um único plano contínuo: o que a câmera faz, de onde vem a luz, como o sujeito se move e quanto dura o clipe. A diferença em relação ao prompt de imagem é que o tempo entra na conta: no mesmo prompt, você deve indicar uma ação principal, um movimento de câmera e um ritmo claro. As sugestões deste texto se baseiam no guia do Veo 3.1, do Google, no guia do Wan, da Alibaba, e na documentação da API da MiniMax.

Qual deve ser a estrutura de um prompt de vídeo?

O guia do Veo 3.1, do Google, recomenda uma fórmula com cinco partes: cinematografia + sujeito + ação + contexto + estilo e atmosfera. O guia do Wan, da Alibaba, dá para o texto para vídeo a fórmula básica “sujeito + cena + movimento”, e na versão mais avançada acrescenta controle estético e estilo. Os dois guias concordam em um ponto: um prompt que não descreve câmera e luz tende a gerar um plano parado, em um ambiente vago.

Fraco: A man walks through a market.

Melhor: Medium tracking shot following an elderly man in a green scarf as he walks slowly through a busy morning market, steam rising from food stalls, soft overcast light, warm muted colors, natural handheld feel.

Como descrever o movimento da câmera?

O guia do Veo organiza a linguagem de câmera em três grupos: movimento (dolly, acompanhamento, grua, vista aérea, panorâmica lenta, ponto de vista do sujeito), composição (plano geral, primeiro plano, primeiríssimo plano, contra-plongée, plano de duas pessoas) e lente e foco (profundidade de campo rasa, grande angular, foco suave, lente macro). O guia do Wan também traz um vocabulário parecido e explica o efeito de cada movimento:

• Aproximação (push in): Transmite intimidade ou tensão.
• Afastamento (pull out): Mostra escala ou solidão.
• Órbita (orbit): Destaca o sujeito; o guia do Wan recomenda manter o arco abaixo de 45 graus para evitar distorção do espaço.
• Câmera fixa: Transmite quietude e foco.

A documentação da MiniMax para o H3 recomenda escrever o comando de câmera entre colchetes, logo depois da descrição a que se refere, por exemplo [pan], [zoom] ou [static]. Qualquer que seja a ferramenta, escreva um único movimento de câmera por clipe; combinações como “girando enquanto se aproxima e sobe ao mesmo tempo” costumam sair inconsistentes.

Como descrever a luz?

O guia do Veo não tem uma seção específica sobre luz: ela aparece na parte de “estilo e atmosfera”, com expressões como “luz suave da manhã” ou “um único foco dramático vindo da frente”. O guia do Wan é mais detalhado: luz do dia, luz de fogueira, céu nublado, luz suave ou dura; direção, como luz lateral, de borda, contraluz ou de cima; e tom, como contraste alto ou baixo e cores quentes ou frias.

Close-up of a violinist's hands, warm backlight from a low window creating a golden rim on the strings, shallow depth of field, slow push in.

Regra prática: diga a fonte e a direção da luz e, depois, acrescente o tom.

Como controlar o movimento do sujeito e o ritmo?

O guia do Wan traz regras claras para o movimento: indique a amplitude e a velocidade (“lentamente”, “rapidamente”), mantenha as ações simples e curtas, não escreva coreografias longas, monte cada clipe como um único plano contínuo e deixe as mudanças de cena entre os clipes. Na imagem para vídeo, a foto já define o sujeito, a cena e o estilo; então, no prompt, escreva apenas o que vai se mover e o que a câmera fará.

Imagem para vídeo: The child slowly blows on the dandelion; seeds drift to the right and out of frame. The camera stays fixed.

Para o ritmo, use advérbios: “devagar”, “com suavidade”, “em um movimento rápido”. Se você não indicar o ritmo, o modelo pode escolher um movimento rápido ou lento demais.

Como equilibrar duração e número de eventos?

Os limites oficiais variam conforme o modelo: no Veo 3.1, são 4, 6 ou 8 segundos; nas versões do Wan na nuvem (2.6 em diante), de 2 a 15 segundos; no H3, da MiniMax, de 4 a 15 segundos. A regra básica é: quanto menor o clipe, menos eventos ele comporta. Em quatro segundos, não cabem três acontecimentos; ou você aumenta a duração, ou reduz os eventos.

Para cenas com vários planos, o guia do Veo sugere prompts com marcação de tempo: um plano escrito para cada intervalo. O guia do Wan indica uma estrutura semelhante para as versões 2.6 e 2.7: uma descrição geral seguida de planos numerados com marcação de tempo.

[00:00-00:03] Wide shot of a lighthouse on a cliff at dusk, waves crashing below.

[00:03-00:06] Close-up of the lantern room, warm light turning on. SFX: low wind and a distant bell.

Como escrever som e fala?

O guia do Veo recomenda separar o som em linhas próprias: a fala entre aspas (A woman says, “We have to leave now.”), o efeito com “SFX:” e o som ambiente com “Ambient noise:”. O guia do Wan sugere acrescentar fala, efeitos e música ao lado do prompt visual, a partir da versão 2.5. Em um clipe curto, evite falas longas; e lembre que o guia do Wan não promete sincronia labial confiável com palavras específicas.

Como descrever o que não deve aparecer?

O guia do Veo recomenda descrever o que você quer, em vez de escrever o que não quer: em vez de “sem construções humanas”, por exemplo, “um terreno deserto, com apenas rochas e um rio”. Também é uma boa prática não escrever nomes de pessoas reais: o guia do Wan informa que as plataformas podem recusar esses pedidos ou gerar resultados inconsistentes.

Como conduzir o processo de testes?

1. Comece com um clipe curto e em baixa resolução: Teste a ideia em um clipe pequeno.
2. Mude uma variável por vez: Se o movimento estiver rápido demais, altere só a palavra de ritmo; se o enquadramento estiver errado, altere só a frase da câmera.
3. Fixe o primeiro e o último quadro: Nos modelos que aceitam essa opção, enviar uma imagem inicial e uma final deixa mais claro como o clipe começa e termina.
4. Passe para a resolução alta por último: Quando o prompt estiver maduro, gere a versão final em alta resolução.
5. Salve o resultado: Os links de geração na nuvem podem ter prazo de validade; baixe logo o que você quer usar.

Três prompts diferentes para a mesma ideia

Para tornar as regras concretas, vamos adaptar a mesma ideia a três tipos de clipe. Em cada um há uma ação, um movimento de câmera, uma luz clara e um ritmo definido.

Clipe de produto: O produto não se move; quem se move é a câmera.

Slow orbit around a glass bottle of olive oil on a marble counter, arc under 45 degrees, warm side light from a window, soft reflections on the glass, shallow depth of field.

Clipe de retrato: Um pequeno movimento do rosto e a câmera fixa já transmitem emoção.

Close-up of a young woman looking out of a train window, she slowly turns toward the camera and smiles, soft overcast light, fixed camera, quiet ambient train sound.

Clipe de paisagem: O movimento da natureza e uma câmera lenta bastam; não é preciso um evento complexo.

Wide aerial shot slowly pulling back from a lone cabin beside a lake at sunrise, mist drifting across the water, golden low light, calm pace.

O que os três exemplos têm em comum é um clipe que conta uma única coisa. Se quiser mais, divida o clipe em partes, gere cada uma separadamente e depois una as partes.

Erros comuns

• Colocar muitos eventos em um clipe curto: Escolha uma ação principal.
• Escrever vários movimentos de câmera: Um movimento por clipe é suficiente.
• Esquecer a luz: Se você não descrever a luz, o modelo escolhe sozinho, e o resultado pode sair chapado.
• Não indicar o ritmo: Sem a palavra de velocidade, o movimento pode sair em um ritmo inesperado.
• Descrever de novo a foto na imagem para vídeo: Não conte o que já está na imagem; descreva o movimento.
• Escrever diálogos longos: Falas curtas e claras funcionam melhor.

Resumo

• Um prompt de vídeo descreve um único plano contínuo: câmera, sujeito, ação, contexto, luz e estilo.
• Escreva um movimento de câmera por clipe e mantenha a órbita com um arco pequeno.
• Diga a fonte e a direção da luz, e depois o tom; indique o ritmo com advérbios.
• Quanto menor o clipe, menos eventos; para histórias longas, use planos com marcação de tempo.
• Escreva a fala entre aspas e os efeitos em linhas próprias; descreva o que deve existir, e não o que não deve.