A forma comum de fazer um vídeo com IA é tediosa de um jeito muito específico. Você escreve um prompt, gera um clipe, recebe cinco segundos. Escreve outro prompt, gera, mais cinco segundos. Repete oito vezes, abre um editor, joga os oito na linha do tempo, corta, adiciona transições, grava ou gera uma narração, alinha os cortes com ela, adiciona legendas e exporta.

O ClipPilot reduz tudo isso a um passo. Você escreve um roteiro, ou só uma ideia, e recebe um vídeo multicena pronto. A parte que faz isso funcionar é o split de cenas, e vale entender, porque a forma como você escreve muda o que você recebe.

O que realmente acontece quando você aperta gerar

Seu texto vai primeiro para um modelo de planejamento, antes de qualquer quadro ser gerado. Esse modelo lê tudo de uma vez e divide em cenas. Para cada cena ele produz até três coisas:

O texto da narração para essa cena, extraído do seu roteiro.
Um prompt de vídeo consciente de movimento. É uma descrição diretorial completa do sujeito, seu movimento, a movimentação da câmera, o cenário e, frequentemente, a paisagem sonora ambiente. É o modelo escrevendo o tipo de prompt descrito no guia de anatomia do prompt, por você, uma vez por cena.
Uma duração estimada para a cena.

Só então começa a geração. O prompt de cada cena vira um clipe de vídeo gerado, a narração é gerada em uma única passagem e tudo é composto em um MP4.

O detalhe chave é que o planejador vê seu roteiro inteiro de uma vez. Ele não está cortando nas fronteiras das frases. Ele decide onde estão os pontos narrativos e constrói um visual para cada ponto que flui para o próximo.

Quanto tempo dura uma cena

Cerca de 5 a 8 segundos para clipes de vídeo animados e 3 a 6 segundos para vídeos baseados em imagens. De qualquer forma, até 30 cenas.

A diferença não é arbitrária. Uma cena de imagem é uma imagem estática com um leve movimento tipo Ken Burns, e isso fica chato depois de cerca de seis segundos. Uma cena animada é um clipe de vídeo gerado com movimento real, que prende a atenção por mais tempo. Tempo de clipe também custa por segundo, então o planejador prefere menos cenas mais longas a um montinho de cenas muito curtas em ritmo acelerado.

Duas entradas: modo roteiro e modo ideia

Para Vídeos Animados Personalizados há um toggle Roteiro na página de criação, e ele muda o que você escreve e o que recebe.

Roteiro ativado

Você escreve a narração, até 1.200 caracteres e pelo menos 80. Esse roteiro tem dupla função. É o que a voz lê e é a base para planejar as cenas. O comprimento do vídeo segue o tamanho do roteiro, então você não escolhe uma duração. É a escrita que decide.

Esse é o modo para qualquer coisa com uma história ou argumento: explicativos, listas, ganchos com recompensa, microdocumentários narrados.

Roteiro desativado

Você escreve uma ideia curta em vez disso, até 500 caracteres, e escolhe um comprimento alvo de 12 a 60 segundos. Não há narração, então o planejador fica livre para construir uma sequência puramente visual com abertura, desenvolvimento e clímax, dimensionada para atingir a duração que você escolheu.

Esse é o modo para peças de atmosfera, b-roll, clipes ASMR, timelapses e qualquer outro vídeo com som ambiente. Os clipes vêm com áudio gerado próprio, que toca em volume total quando não há uma narração competindo com ele.

Como escrever para que a divisão de cenas funcione bem

O hábito mais útil: escreva em beats. Uma ideia por frase, na ordem que você quer vê-las.

Esforçar tudo em uma frase:

Um hacker cyberpunk digitando em um computador enquanto come pizza e olha pela janela para um carro voador.

Isso são três visuais fundidos em um só, e o planejador tem que escolher um ou tentar os três em uma única tomada. Separado em sequências:

Um hacker cyberpunk digita furiosamente em um teclado neon brilhante. Uma fatia de pizza de pepperoni fria fica esquecida na mesa ao lado de uma pilha de drives. Do lado de fora, pela janela molhada de chuva, um carro voador passa entre as torres.

Três frases, três cenas limpas, na ordem em que você as escreveu.

Duas coisinhas menores que ajudam:

Mantenha assuntos recorrentes descritos da mesma forma. Se o hacker é “uma mulher com a cabeça raspada vestindo uma jaqueta vermelha” na cena um, descreva assim de novo na cena quatro em vez de trocar para “o hacker”. Se um personagem precisa ser realmente idêntico em todas as cenas, anexe uma referência de personagem. O planejador então decide por cena se o personagem pertence àquela tomada, e só usa a referência onde for o caso.
Não escreva direções de câmera dentro da narração. No modo roteiro, cada palavra que você escreve é falada em voz. “Corte para uma tomada ampla” será pronunciado pela narração. Descreva o que está acontecendo e deixe o planejador acrescentar a linguagem de câmera.

Por que os cortes caem nas palavras

Quando há uma narração, o áudio manda. O ClipPilot gera a narração uma vez, com dados de tempo ao nível de palavra, e daí deriva todo o resto: onde cada cena começa e termina e quando cada palavra das legendas acende. Os limites de cena são ajustados ao áudio em vez do áudio ser esticado para caber nas cenas planejadas.

Por isso os cortes caem na frase a que pertencem em vez de se deslocarem um ritmo tarde no fim do vídeo. Também significa que as estimativas de duração do planejador são um guia, não uma promessa. Se a voz leva sete segundos para ler uma cena que o planejador achou que duraria seis, a cena dura sete segundos, e o clipe faz loop ou mantém a imagem para cobrir isso.

Sem narração não há nada para sincronizar, então as durações planejadas são usadas diretamente e o vídeo fica no tempo que você escolheu.

As configurações ao redor disso

Algumas opções na criação interagem com tudo isso. Em resumo, para Vídeos Animados Personalizados:

Narração e legendas. Narração exige um roteiro, e legendas exigem uma narração. A sincronização das legendas vem do áudio da narração, então sem narração não há nada para sincronizar.
Som do clipe. Os clipes gerados já vêm com áudio próprio. Com narração você escolhe silenciá-lo ou abaixá-lo por baixo. Sem narração ele toca em volume total.
Qualidade. Standard (480p), HD (720p) ou Full HD (1080p), cobradas por segundo do vídeo final. Standard é um bom padrão enquanto você ainda está iterando a ideia. Full HD gera em 720p e faz upscale, então é a opção mais cara e vale a pena guardar para um vídeo pronto para publicar.
Proporção. 9:16, 16:9 ou 1:1 para vídeos animados.
Transição cruzada. Em Opções avançadas. Ativada por padrão, ela mistura cada corte ao próximo. Desligar gera cortes secos, que funcionam melhor para edições rápidas e impactantes.

Uma coisa para saber antes de gerar: vídeos animados não podem ser tentados novamente após uma falha do jeito que vídeos por imagem podem, embora um job com falha reembolse seus créditos automaticamente. Ambos os tipos podem ser editados depois. Em um vídeo animado você pode reescrever o prompt de uma cena e gerar novamente apenas aquele clipe; em um vídeo por imagem você também pode reescrever a narração. De qualquer forma você recompila sem recomeçar do zero, como cobre o guia do editor de vídeo.

A versão curta

Escreva sequências, não blocos. Uma ideia por frase, na ordem. Descreva o que acontece e deixe o planejador cuidar dos movimentos de câmera, limites de cena e tempo. Essa é a parte em que ele é bom, e a parte que você estaria fazendo manualmente na linha do tempo.

Como o ClipPilot Transforma Uma Ideia em um Vídeo Completo