Prompts de IA para Vídeo: Sora, Runway e Veo
Modelos de texto para vídeo recompensam a linguagem do cinema, não tags. Veja como fazer prompts no Sora, Runway e Veo para tomadas que parecem intencionais.
Digite "um dragão voando sobre uma cidade" em um modelo de imagem e você recebe um quadro. Digite isso no Sora ou no Veo e você recebe cinco segundos de decisões: como o dragão inclina o corpo na curva, se a câmera vai atrás dele ou fica parada, como as asas empurram o ar, para onde a luz se desloca conforme ele vira. Cada uma dessas decisões é algo que você especificou ou algo que o modelo adivinhou por você. Fazer bons prompts para vídeo é, em grande parte, o trabalho de adivinhar menos.
Isso muda o jeito de escrever. Uma imagem parada é um substantivo. Uma tomada é um verbo.
Prompt de vídeo não é prompt de imagem com movimento
O maior erro que as pessoas trazem do Midjourney é tratar um clipe como uma foto que por acaso se mexe. Não é. Um prompt de foto descreve um estado. Um prompt de vídeo descreve um estado *e como ele muda ao longo da duração*. Agora você é responsável por três coisas que uma imagem parada nunca te cobrou: movimento (o que se move e como), tempo (o que acontece primeiro, depois em seguida) e ritmo (com que velocidade tudo isso se desenrola).
É por isso que os prompts de IA para vídeo vivem ou morrem pelos verbos. "Uma mulher de casaco vermelho, rua de neon, chuva" é um bom briefing de imagem e um briefing fraco de vídeo, porque nada ali se mexe. Adicione o movimento e ele ganha vida: "ela caminha em direção à câmera, o casaco balançando, a chuva riscando o ar diante do neon." Mesma cena, mas agora o modelo sabe o que animar em vez de inventar a própria deriva.
Mantenha a mesma disciplina de qualquer prompt forte — os fundamentos de escrever uma instrução clara continuam valendo. Você só acrescentou um eixo de tempo, e é no eixo de tempo que os clipes dão errado.
A anatomia de um prompt de tomada
Um prompt de tomada tem partes, e nomeá-las numa ordem aproximada evita que você esqueça justamente as que os modelos costumam atrapalhar. Pense nele como a claquete:
- Sujeito + ação — quem ou o quê, fazendo exatamente uma coisa.
- Ângulo e movimento de câmera — onde a lente fica e como ela se desloca.
- Lente e enquadramento — plano aberto, 35mm, close, profundidade de campo rasa.
- Iluminação — direção, qualidade, temperatura de cor.
- Clima e cenário — o lugar e a sensação.
- Duração e ritmo — mais ou menos quanto tempo, e com que velocidade a ação se lê.
Os melhores prompts de IA para vídeo raramente preenchem todos os seis campos — mas sempre acertam os dois primeiros, porque sujeito e câmera são o que sustenta tudo. Veja a estrutura preenchida:
Repare que há um sujeito, um movimento de câmera, um horário do dia. Essa contenção é o truque inteiro. Se você está acostumado a empilhar descritores para imagens paradas, um gerador de prompts de imagem treina o hábito de listar lente e luz de forma explícita — aproveite isso e depois acrescente a cláusula de movimento que a imagem parada nunca precisou.
Falando a língua da câmera
Os modelos de vídeo foram treinados com filmagens reais, então respondem ao vocabulário de cinema de verdade muito melhor do que a palavras vagas como "dinâmico". Aprenda um punhado de movimentos de câmera e seus prompts de texto para vídeo ficam mais afiados de um dia para o outro:
- Dolly — a própria câmera se move para a frente ou para trás ("dolly-in lento").
- Pan / tilt — a câmera gira para os lados ou para cima e para baixo a partir de um ponto fixo.
- Tracking — a câmera acompanha um sujeito em movimento, lado a lado.
- Crane / jib — a câmera sobe ou desce pelo espaço.
- Handheld — tremida proposital, para dar energia de documentário.
- Zoom — a *lente* se fecha, o que fica diferente de um dolly, e os modelos sabem disso.
Nomeie o movimento, nomeie a velocidade e escolha um só. "Tracking shot lento" se lê com clareza; "dolly-zoom-pan-crane" se lê como ruído, e o modelo vai amassar tudo numa média sem graça.
Descrevendo movimento e física
A coisa mais difícil para essas ferramentas é a plausibilidade física — tecido, cabelo, água, peso, inércia. Dá para conduzir. Em vez de "uma capa", escreva "uma pesada capa de lã se erguendo devagar ao vento". Em vez de "explosão", escreva "uma erupção de brasas em câmera lenta subindo pelo ar". Dê ao modelo direção, velocidade e material, e ele tem algo para simular. Deixe isso em branco e ele cai numa média mole e flutuante.
Algumas alavancas que compensam:
- Palavras de velocidade: "câmera lenta", "tempo real", "time-lapse", "gradual", "súbito".
- Pistas de peso: "pesado", "delicado", "lento e arrastado", "voltando com um estalo".
- Direção: "deslizando da esquerda para a direita", "caindo em direção à câmera", "subindo".
Contradições são o que quebra tudo. "Uma tomada congelada e imóvel com movimento rápido e caótico" entrega ao modelo dois objetivos incompatíveis, e ele escolhe um ao acaso.
Uma tomada, uma ideia, depois corta
Você não consegue briefar uma cena inteira em um único prompt e esperar cobertura. Peça "uma perseguição por um mercado, depois um confronto no telhado, depois chuva" e você recebe um borrão confuso que não é nenhum dos três. Montagens de verdade são construídas uma tomada por vez, então faça o prompt de uma tomada por vez.
Para uma sequência, faça primeiro o storyboard em linguagem simples — três ou quatro momentos, cada um sendo um clipe gerado à parte — e depois monte tudo em um editor:
- Tomada 1: plano geral de abertura, sujeito pequeno no quadro.
- Tomada 2: plano médio, o sujeito reage.
- Tomada 3: close-up, o detalhe que importa.
A consistência entre essas tomadas é a real dificuldade. Repita a descrição de ancoragem palavra por palavra — mesmo figurino, mesmo local, mesma luz — mudando só o enquadramento e a ação. Uma biblioteca de prompts salva se paga aqui, porque você vai reaproveitar aquele bloco de personagem e cenário em cada clipe, e uma pequena variação na escolha das palavras causa quebras de continuidade visíveis. A mesma lógica que mantém um conjunto de ilustrações com cara de irmãs mantém suas tomadas com cara de uma cena só.
Imagem para vídeo e quadros de referência
Texto não é a sua única entrada. A maioria dessas ferramentas aceita uma imagem inicial e a anima, o que resolve a consistência de uma tacada só: você trava o visual como uma imagem parada e depois descreve apenas o movimento. Essa é a forma mais confiável de controlar personagem e estilo, porque o quadro carrega tudo aquilo que as palavras têm dificuldade de fixar.
Vale a pena montar o fluxo de trabalho em torno disso. Gere um primeiro quadro forte em um modelo de imagem — o guia de prompts de imagem e o gerador de prompts para Midjourney mostram como acertar esse quadro — e depois passe ele adiante com uma instrução só de movimento:
Como o quadro está fixo, o prompt só precisa responder "o que se move?" — uma pergunta bem mais fácil do que "com que cara está tudo?".
Sora, Runway, Veo, Kling: entendendo as diferenças
As ferramentas se sobrepõem mais do que o marketing sugere, e as versões mudam rápido, então trate os detalhes como alvos em movimento. Em linhas gerais, porém, elas têm temperamentos diferentes:
- Sora (OpenAI) puxa para clipes mais longos e narrativos e lê bem descrições de cena. Bons prompts para o Sora costumam ser escritos como uma decupagem, não como uma salada de palavras-chave.
- Runway nasceu de um conjunto de ferramentas de edição, então combina geração com controles finos de movimento, ajustes de câmera e imagem para vídeo.
- Google Veo mira em movimento de alta fidelidade e fisicamente plausível, e responde bem à linguagem explícita de cinematografia.
- Kling e Luma são fortes em movimento realista e são escolhas frequentes para imagem para vídeo.
Não se prenda demais à sintaxe exata de uma ferramenta; o ofício por baixo — sujeito claro, um movimento de câmera, movimento nomeado, duração sensata — vale em qualquer lugar. Se um prompt soa esquisito, passe ele por um otimizador de prompts para apertar a redação antes de gastar mais uma renderização.
Erros que queimam renderizações
Clipes custam tempo e créditos, então as falhas que vale a pena nomear são as que desperdiçam os dois:
- Sobrecarregar. Seis ações, quatro movimentos de câmera, três climas. Corte para um de cada.
- Direções contraditórias. "Tomada estática e travada, câmera se mexendo enlouquecida." Escolha um caminho.
- "Cinematográfico" vago. Sozinha, a palavra quase não faz nada. Diga *o que* é cinematográfico — o flare anamórfico, a iluminação em low-key, o push lento. A especificidade é o estilo.
- Ignorar a duração. Um clipe de cinco segundos não segura uma história de três momentos. Ajuste a ambição ao tempo disponível.
- Brigar com a camada da imagem parada. Se o primeiro quadro está errado, o movimento não vai salvar — conserte o quadro primeiro.
Escreva como um diretor preenchendo a claquete, não como um poeta descrevendo um sonho. Os modelos são bons ouvintes e péssimos leitores de mente, e os melhores prompts de IA para vídeo simplesmente deixam menos coisa para adivinhar.
