25 de julho de 2026 · 8 min de leitura
A maioria dos vídeos ruins gerados por IA vem de um prompt que teria sido perfeito para uma imagem. “Uma mulher parada em Tóquio à noite” descreve um momento congelado. Um modelo de vídeo precisa preencher vários segundos com isso, então ele inventa seu próprio movimento. O que costuma inventar é um sujeito deslizando sem peso pelo quadro, mãos que lentamente se transformam em outras mãos e um fundo que se reorganiza no meio do clipe.
A solução não é um prompt mais longo. É um prompt que responde às perguntas que o modelo teria que adivinhar: quem, fazendo o quê, onde, visto de onde, iluminado como. Este post percorre uma estrutura de cinco camadas para exatamente isso, além das partes específicas para vídeo vertical em feeds sociais.
Antes da estrutura, a mentalidade. Um prompt de imagem descreve um estado. Um prompt de vídeo descreve uma mudança, algo que é diferente no final do clipe do que era no início.
Dois hábitos pequenos fazem a maior parte do trabalho. O primeiro é usar verbos contínuos. “Caminhando rápido”, “ajoelhando-se lentamente” e “alcançando através da mesa” sinalizam movimento contínuo de uma forma que “uma mulher que está em uma rua” não faz. O segundo é descrever causa e efeito em vez de apenas o evento. Compare:
A segunda versão não é apenas mais detalhada. É mais ordenada. Diz ao modelo o que acontece primeiro e o que decorre disso, o que dá direção ao movimento gerado. O mesmo truque funciona em pequena escala. Em vez de “um copo quebra”, escreva “um cotovelo encosta no copo, ele tomba, o leite transborda pela borda e atinge a mesa, o copo se estilhaça e a mancha se espalha pelos veios da madeira.”
Aqui está a estrutura. Você não precisa das cinco em todo prompt, mas um prompt que falta três delas deixa muitas lacunas para o modelo preencher por você.
Substantivos vagos forçam suposições. “Uma pessoa” pode voltar como qualquer um. Especifique o suficiente para identificá-lo: idade aproximada, tipo físico, roupa, postura. “Uma mulher na casa dos 30, atlética, com um casaco impermeável azul gasto” voltará de forma consistente, diferente de “uma mulher”.
Se seu personagem precisa sobreviver por todo o vídeo em vez de um único clipe, a descrição deixa de ser suficiente. O guia de referências de personagem explica o que fazer nesses casos.
Uma ação clara por clipe, no presente contínuo. Duas ações concorrentes em um clipe é onde a morphing geralmente começa, porque o modelo tenta fundi-las em vez de sequenciá-las. Se você tem duas coisas acontecendo, são duas cenas, e ClipPilot vai gerar ambas.
Ancora o sujeito em algum lugar real. Três a cinco detalhes concretos é o ponto ideal: hora do dia, clima, texturas da superfície, um ou dois objetos que estabeleçam o lugar. Passado isso você começa a competir com seu próprio sujeito pela atenção do modelo, e detalhes são descartados em algum lugar que você não escolheu.
Esta é a camada que as pessoas pulam, e é a que mais reliably faz a saída parecer intencional. Esses modelos viram uma enorme quantidade de filmagens profissionais etiquetadas, então respondem bem à linguagem real de câmera.
Iluminação dá o maior efeito por palavra de qualquer camada no prompt. “Luz de rua de sódio quente”, “luz de contorno suave no ombro”, “luz do dia difusa por céu nublado” e “sombra dura atravessando metade do rosto” mudam todo o registro emocional de uma tomada com cerca de quatro palavras. Se você só for adicionar uma camada a um prompt que já tem, adicione esta.
Camadas empilhadas, na ordem:
Uma mulher na casa dos 30, com uma capa de chuva azul marinho desgastada, caminha rápido por um beco estreito de Tóquio, ombros curvados contra a chuva, passando por saídas de vapor e letreiros pintados à mão. Câmera acompanhando ao lado ao nível dos olhos. Asfalto molhado refletindo luz de rua de sódio quente, sombras profundas entre as vitrines.
Sujeito, ação, ambiente, câmera, luz. Lê como um diretor dando instruções à equipe, que é mais ou menos o modelo mental certo.
Um quadro 9:16 não é um 16:9 virado de lado, e prompts que ignoram isso geram clipes que tecnicamente funcionam e ainda assim soam errados num feed.
Use a altura. Quadros verticais são generosos para enquadramento de corpo inteiro e apertados para composições horizontais largas. Peça “plano de corpo inteiro, nível dos olhos” e você terá o sujeito todo confortavelmente. Peça um panorama horizontal varrido e você terá uma fatia estreita dele.
Prefira movimentos de câmera verticais. Inclinar para cima um prédio, descer com grua em direção a um sujeito e aproximar com dolly são movimentos naturais num quadro alto. Panorâmicas horizontais longas ficam apertadas, porque o quadro não consegue mostrar o suficiente do que você está percorrendo.
Atente ao que fica em cima do quadro. No TikTok, Reels e Shorts, a parte inferior da tela é coberta pela sobreposição de legenda e descrição, e a borda direita segura os botões de engajamento. As próprias legendas do ClipPilot ficam no centro vertical quando ativadas. Isso deixa o terço superior como o lugar mais confiável para algo que precisa ser visto, então enquadrar o sujeito ali o mantém fora das duas áreas.
Abra com movimento. Algoritmos de feed dão muito peso aos primeiros segundos, e um clipe que abre com uma tomada estática perdeu seu momento mais valioso. Coloque o movimento na frente. “Zoom rápido de um close macro para revelar o skyline neon enquanto um carro hover corta a lente” ganha atenção que “a câmera se move lentamente por uma cidade neon” não ganha.
Vale deixar claro a divisão de tarefas, porque isso muda o que você precisa se preocupar em escrever.
Você não precisa pedir legendas, narração, música ou transições entre clipes no prompt. Isso são configurações na página de criação, não texto do prompt. Pedir “texto na tela dizendo X” em um prompt de vídeo tende a produzir letras geradas pela IA embaralhadas em vez de uma legenda limpa, então deixe isso para o sistema de legendas.
Você também não precisa escrever uma lista de tomadas. O ClipPilot divide seu roteiro ou ideia em cenas e gera um clipe para cada uma, então um único prompt vira um vídeo com várias cenas. Isso vale a pena entender por si só e é abordado em como o ClipPilot transforma uma ideia em um vídeo completo.
Antes de gerar, releia seu prompt e verifique:
Cinco em cada seis geralmente é a diferença entre filmagens que você publica e as que você gera novamente.
Você escreve um roteiro. O ClipPilot o divide em cenas, cria um prompt para cada uma, gera os clipes e sincroniza os cortes com a narração. Como funciona e como escrever pensando nisso.
Escolher um nicho, escrever roteiros que prendam a atenção, definir um formato repetível e quanto tudo isso custa por mês na prática.
Crie vídeos para TikTok e Reels a partir de uma ideia. Escolha um formato viral, indique o assunto e receba um vídeo vertical com som pronto em minutos.