Guia de prompts de vídeo IA: estrutura, movimento e escolha de modelo

No mínimo, um prompt de vídeo forte responde a cinco perguntas:

• Quem ou o quê é o sujeito, e como ele aparece no início?
• Onde a cena acontece, incluindo pistas importantes de primeiro plano e fundo?
• O que acontece durante o clipe, em uma ordem que a duração consegue sustentar?
• Como a câmera vê a cena: tamanho do plano, ângulo e movimento?
• Qual é a atmosfera: luz, clima, tom e, se a ferramenta aceitar, som?

A maioria das ferramentas também precisa de escolhas de entrega fora do prompt em prosa: duração, proporção de tela e se você está começando só com texto ou a partir de uma imagem. Esses controles dependem do modelo e da interface. Verifique as configurações do produto ou da API para o clipe que você está gerando, em vez de tratar os limites de uma ferramenta como universais.

Nenhuma estrutura de prompt garante física realista, continuidade perfeita, texto legível na tela ou um primeiro take utilizável. Trate a primeira geração como um rascunho e depois mude uma variável por vez.

Este guia usa SCAAL: Sujeito, Câmera, Ação, Atmosfera e Duração. É uma checklist prática criada para o GetBetterPrompts, não um padrão da indústria. Documentações oficiais usam ideias relacionadas em outras ordens. O material de prompting do Veo, do Google, agrupa cinematografia, sujeito, ação, contexto e estilo.

Os guias de prompting da Runway enfatizam descrições visuais e de movimento claras. O guia oficial de texto para vídeo da Kling usa sujeito, movimento, cena e câmera, iluminação e atmosfera opcionais. SCAAL é um ponto de partida portátil. Cada modelo e interface interpreta as mesmas palavras de forma diferente.

Sujeito: [quem/o quê, aparência, posição inicial]
  Câmera: [tamanho do plano, ângulo, movimento ou câmera fixa]
  Ação: [movimento principal, depois eventos seguintes]
  Atmosfera: [luz, clima, tom, som opcional]
  Duração: [duração-alvo, ritmo, proporção de entrega]

Pule partes vazias. Se a ferramenta já trava duração ou proporção de tela na interface, coloque essas escolhas ali e mantenha o texto focado no que a configuração não consegue expressar.

Texto para vídeo precisa descrever aparência e movimento. A orientação de texto para vídeo da Runway trata descrição visual e descrição de movimento como os dois elementos essenciais. Use quando você não precisa de um quadro inicial fixo ou quando quer deixar o modelo mais livre para inventar a composição.

Imagem para vídeo começa a partir de uma imagem estática que já define composição, sujeito, iluminação e estilo. O prompt deve descrever principalmente o que deve se mover: ação do sujeito, movimento do ambiente, movimento de câmera, timing e velocidade.

Redescrever todos os detalhes visuais pode brigar com a imagem. A orientação oficial da Kling para imagem para vídeo se concentra em sujeito mais movimento pelo mesmo motivo.

Escolha imagem para vídeo quando identidade, aparência de produto ou layout precisam ficar próximos de uma imagem de referência. Escolha texto para vídeo quando você está explorando um take e ainda não tem um primeiro quadro confiável. Os dois caminhos ainda se beneficiam de SCAAL. Só muda o equilíbrio entre prosa visual e prosa de movimento.

Nomeie o sujeito com características concretas: faixa etária ou tipo, roupa, materiais, cor, quantidade e pose ou posição inicial. "A woman in a red coat standing at the edge of a wooden pier" é mais fácil de controlar do que "a person near water."

Descreva apenas os detalhes da cena que afetam o take. Objetos em primeiro plano, superfícies, clima e fontes de luz importam quando mudam reflexos, profundidade ou tom. Inventários longos de objetos geralmente competem por atenção dentro de um clipe curto.

Mantenha o texto do sujeito estável quando gerar ângulos relacionados da mesma pessoa ou do mesmo produto. Mude câmera e ação entre takes. Estabilidade ajuda, mas não garante correspondência perfeita de identidade, a menos que os recursos de referência ou identidade da ferramenta estejam disponíveis e você os use como documentado.

Declare uma ação principal que a duração consiga completar. Depois adicione eventos seguintes só se o tamanho do clipe e o modelo conseguirem sustentar.

Sequências em linguagem natural como "X happens, then Y, then Z," ou timestamps aproximados são abordagens documentadas nos materiais atuais de prompting do Runway Gen-4.5. Coreografias complexas podem funcionar, mas movimentos simultâneos demais são mais difíceis de controlar.

Quando os resultados parecerem caóticos, simplifique antes de inventar mais adjetivos. Prefira causa e efeito legíveis: um sujeito vira, o vento move o tecido, a chuva bate no asfalto. Instruções mecânicas como "rotate 45 degrees" podem parecer robóticas, a menos que você queira movimento mecânico.

Prompts de imagem para vídeo não devem contradizer pistas fortes de movimento que já existem na imagem estática. Desfoque, poses no meio do passo ou rastros de poeira sugerem movimento. Brigar com essas pistas geralmente exige uma imagem de origem mais limpa, não um prompt mais enfático.

A linguagem de câmera separa um prompt de vídeo de um prompt de imagem estática. Comece com tamanho do plano e ângulo: plano geral extremo, plano geral, plano médio, close-up, ângulo baixo, ângulo alto. Depois adicione movimento só se você quiser: dolly in lento, tracking, órbita, grua, câmera na mão ou tripé fixo.

Movimento simples costuma ser mais fácil de diagnosticar. Se um take falha, reduza para um movimento de câmera claro mais uma ação do sujeito e depois reconstrua a complexidade.

Isso é uma estratégia de controle, não um limite universal da plataforma. A documentação atual do Runway Gen-4.5 apoia explicitamente instruções sequenciadas complexas e coreografia de câmera detalhada dentro de um único prompt.

Se você precisa de câmera parada, diga isso em linguagem natural e ainda descreva o que se move dentro do quadro. Modelos de vídeo tendem ao movimento. "static background" e "locked-off camera" ajudam quando o sujeito deve carregar a energia.

A duração geralmente é uma configuração do produto, não apenas uma frase no prompt. Limites mudam por modelo e superfície. Exemplos de documentações oficiais atuais, não fatos universais: a documentação da Gemini API para Veo 3.1 descreve saídas de 8 segundos.

Runway Gen-4.5 documenta 2 a 10 segundos nessa superfície de produto. O guia oficial de texto para vídeo da Kling discute gerações de 5 e 10 segundos para o workflow que cobre. Leia sempre o painel de controle ou o campo da API da ferramenta que você está usando.

Combine a ação com o relógio. Caminhar de um lado a outro de uma sala precisa de mais tempo do que virar a cabeça. Se você pede vários beats em um clipe curto, espere compressão, cortes ou etapas perdidas. Durações maiores ajudam ações sequenciadas. Durações menores favorecem um beat.

Nomeie o ritmo quando ele importar: tempo real, câmera lenta, energia de corte rápido, pausa prolongada. Combine palavras de ritmo com movimento concreto para o modelo não precisar adivinhar o que "cinematic" significa só para timing.

Luz e clima fazem duas coisas ao mesmo tempo: definem o tom e criam oportunidades de movimento visível, como aberturas de sol mudando, neblina se deslocando ou reflexos de neon em ruas molhadas. Prefira pistas concretas a adjetivos soltos. "Eerie fog in an abandoned hospital corridor, flickering fluorescent lights" é mais acionável do que "scary mood."

Âncoras de estilo ajudam quando aparecem a época ou o gênero errados: filme analógico, década, documentário com câmera na mão, cinema digital limpo, iluminação comercial de produto. Coloque o tom de maior prioridade cedo se o tom for crítico e mantenha o restante do prompt coerente com essa escolha.

Quando um modelo aceita áudio nativo, você pode direcionar ambiência, efeitos e diálogo citado no mesmo briefing. Suporte e qualidade variam por modelo e por acesso via produto versus API. Não presuma que toda ferramenta de vídeo consegue falar, sincronizar lábios ou criar trilha para o take.

A continuidade falha por motivos comuns: linhas de sujeito reescritas, detalhes de roupa conflitantes, proporções de tela diferentes ou prompts que inventam novos objetos entre takes. Copie o bloco do sujeito exatamente quando você só quer mudar câmera ou ação.

Imagens de referência, ingredients, quadros inicial e final e recursos de extensão dependem do modelo. Na Gemini API, a documentação atual do Veo 3.1 descreve direção baseada em imagem com até três imagens de referência, workflows de primeiro e último quadro e extensão de clipes Veo gerados anteriormente.

Outras ferramentas oferecem seus próprios controles de referência e quadro. Aplicativos de produto e APIs nem sempre expõem as mesmas opções.

Referências aumentam as chances de consistência. Elas não garantem rostos, logos ou geometria de produto idênticos em todos os takes. Para trabalhos críticos de marca, planeje selecionar, cortar e compor em um editor.

Defina a proporção de tela antes de gerar. O modelo compõe para o quadro que você pede. Cortar depois descarta bordas intencionais.

Alvos de entrega comuns:

• 16:9 para web horizontal, apresentações e muitos players de desktop
• 9:16 para posições sociais verticais
• 1:1 para feeds quadrados e clipes centralizados de produto ou talking head

Proporções e resoluções aceitas variam por ferramenta. Os documentos atuais da Gemini API para Veo 3.1 listam paisagem 16:9 e retrato 9:16 entre as opções de geração. Runway Gen-4.5 documenta várias proporções na sua superfície de produto, incluindo 16:9, 9:16 e 1:1.

O guia oficial de texto para vídeo da Kling lista 16:9, 9:16 e 1:1 para o workflow que descreve. Confirme as configurações ao vivo da sua conta, em vez de memorizar uma lista como permanente.

Escolha um workflow pelo trabalho, não por uma lista de qualidade. Rankings sem suporte escondem as diferenças reais: duração, áudio, referências, extensão, controle de quadro, loop de edição e se você está em um aplicativo de consumo ou em uma API.

Modelos de vídeo do Google (orientação da Gemini API): A documentação atual de geração de vídeo do Google recomenda Gemini Omni Flash como padrão para geração de vídeo, destacando raciocínio multi-input, edição conversacional e forças relacionadas. Ela aponta para Veo 3.1 quando você precisa de recursos como extensão de cena, controle de último quadro ou integração com pipelines legados. Trate isso como a divisão documentada pelo Google para a própria família, não como uma afirmação de que qualquer um dos modelos vence todos os outros fornecedores.

Runway Gen-4.5: A documentação oficial do produto descreve texto para vídeo e imagem para vídeo, instruções sequenciadas, coreografia de câmera e controles de duração e proporção de tela nessa superfície. É uma boa opção quando você quer um loop de geração orientado à edição com direção explícita de movimento.

Kling: Os guias oficiais de prompting da Kling ensinam escrita estruturada de sujeito, movimento e cena para texto para vídeo, e escrita de sujeito mais movimento para imagem para vídeo. Detalhes de capacidade mudam entre versões e superfícies da Kling, então verifique duração, áudio e recursos de referência no produto que você realmente usa. Este guia não ranqueia Kling contra outras ferramentas.

Sora (histórico): A OpenAI encerrou as experiências web e app do Sora em 26 de abril de 2026 e afirma que a API do Sora será descontinuada em 24 de setembro de 2026. Se você está migrando um workflow antigo do Sora, reconstrua o briefing com SCAAL e teste na ferramenta que escolher agora. Não presuma que qualquer modelo seja um substituto direto.

Interfaces de aplicativos e APIs podem diferir até dentro do mesmo fornecedor. Um recurso visível em um produto de estúdio pode faltar na API, estar apenas em preview ou ter outro nome. Leia a superfície que você está chamando.

Para acesso específico ao Gemini e detalhes da família de produtos, use o guia de Gemini do site. Mantenha esta página focada na escrita portátil de prompts de vídeo.

Texto para vídeo fraco: "A cool video of someone on a pier at sunset."

Texto para vídeo melhorado: "Medium shot of a woman in a red wool coat standing at the edge of a wooden pier. She turns toward camera as wind lifts her hair. Slow dolly in. Overcast late afternoon, soft diffused light, grey water behind her. Real-time pacing, melancholic mood. 16:9."

O que mudou: um sujeito específico, uma única ação legível, um movimento de câmera, atmosfera que implica iluminação e uma proporção de entrega. O modelo tem menos lacunas para inventar.

Imagem para vídeo fraca (dada uma imagem estática de produto com um estojo de fones matte preto sobre mármore): "Make it cinematic and premium."

Imagem para vídeo melhorada: "Keep the earbud case fixed on the marble. Slow 180-degree orbit at eye level. Soft studio key light from above, subtle reflection crawl on the matte surface. No new props. Locked product scale. 1:1."

O que mudou: o prompt para de redesenhar o produto e passa a direcionar movimento, câmera e comportamento de luz que a imagem estática ainda não codifica.

Flicker, tremor ou membros se transformando: Movimentos simultâneos demais. Reduza para uma ação do sujeito e um movimento de câmera. Diga quais elementos ficam parados.

Movimento de câmera ignorado: Reforce o ângulo ou o movimento em linguagem simples e remova movimentos conflitantes. Itere em vez de empilhar sinônimos.

Desvio de identidade entre clipes: Reuse exatamente o mesmo parágrafo do sujeito, mantenha proporção e âncoras de estilo idênticas e use controles de referência ou quadro quando a ferramenta oferecer.

Cortes indesejados ou beats apressados: A duração pode ser curta demais para a sequência, ou o prompt pode sugerir uma edição. Aumente o clipe, simplifique a lista de beats ou adicione uma instrução de take contínuo se você precisa de uma tomada única.

Gênero ou época errados: Adicione âncoras de estilo mais fortes e remova palavras de estilo misturadas que brigam entre si.

Texto ou logos ilegíveis: A maioria dos modelos de vídeo é fraca em tipografia legível. Adicione títulos e logos na pós-produção sempre que a mensagem precisar ser lida.

Julgue o sucesso comparando o clipe visível com sua checklist. Não peça ao modelo para revelar cadeia de pensamento oculta ou raciocínio interno como método de verificação.

Antes de clicar em gerar:

• A aparência e a posição inicial do sujeito são específicas
• Os detalhes da cena estão limitados ao que o take precisa
• A ação principal cabe na duração selecionada
• Tamanho do plano, ângulo e movimento de câmera são explícitos ou intencionalmente abertos
• Atmosfera e estilo não se contradizem
• Texto para vídeo inclui visual mais movimento. Imagem para vídeo foca em movimento
• A proporção de tela combina com o destino
• Controles de referência ou quadro estão definidos se continuidade importa
• Direções de áudio estão incluídas apenas quando o modelo escolhido aceita
• Você sabe qual variável vai mudar se o primeiro take errar o alvo

Escreva prompts de vídeo como briefings curtos de take: sujeito, câmera, ação, atmosfera e duração. Escolha texto para vídeo ou imagem para vídeo conforme a necessidade de um primeiro quadro fixo. Selecione modelos pelas necessidades do workflow, como loop de edição, extensão, referências ou áudio, não por rankings sem suporte. Compare a saída com sua checklist, mude uma variável e repita.

Quando quiser ajuda para transformar uma ideia solta em um briefing de vídeo mais claro, use a ferramenta gratuita de prompts de vídeo do GetBetterPrompts.