Como transformar um vídeo em prompt com IA: o guia da leitura invertida

Você tem o clipe no celular: um voleio de trivela numa quadra de várzea ao entardecer, a bola abrindo um leque de água sob o poste de luz que pisca. Abre um composer de texto para vídeo e tenta "vídeo de futebol cinematográfico". Vem um jogador de ensaio, pose de catálogo, piso seco. O problema não é o seu gosto — é que você pediu ao motor que adivinhasse um plano que você já tinha visto. A saída inverte o processo: tratar o clipe como um documento, legível em três passadas, e deixar o prompt se montar a partir do que ele responde.

Antes de qualquer número, transparência de casa: eu conduzo a Moosky, e os dois composers citados aqui vivem dentro da casa — a minha fatura depende do mesmo botão que a sua. Cada cifra vem da folha de cobrança viva da plataforma, conferida no código do composer antes de publicar, e o preço fechado do take surge na tela do composer antes de você apertar gerar.

Este guia é o caminho reverso em português — do vídeo ao prompt: como assistir a um clipe de referência como um montador assiste, como transformar as anotações em prompt que os motores honram de verdade, quando pular meia escrita e anexar o próprio clipe no Wan 3.0 R2V ou no MiniMax H3, e como iterar lendo a distância entre o que você pediu e o que renderizou. Se o seu ponto de partida é uma ideia na cabeça e você precisa do primeiro prompt do zero, isso é outra direção: o guia direto de vídeo com IA, do plano ao render cobre o sentido franco, do plano ao render. Aqui importa o oposto: primeiro o clipe, depois as palavras.

Por que ler paga mais do que adivinhar

Um modelo de vídeo gasta a maior parte da atenção na primeira metade da sua frase. Se você adivinha o plano, gasta créditos re-sorteando até o acaso parecido com o que você viu. Se você lê o plano antes, cada geração anda em direção à referência de propósito.

Há um segundo motivo para a extração compensar: anotação escrita é reutilizável e auditável. Quando um take sai errado, um parágrafo de vibes não te dá nada para mexer. Um prompt estruturado te diz qual eixo falhou — câmera, movimento ou clima — e a correção por eixo custa uma re-generação, não uma aposta nova.

As três passadas e o papel

Dê play no clipe três vezes com um papel aberto. Primeira passada pelo conteúdo, segunda pela câmera, terceira pela textura. Anote cinco eixos — o nosso caso de trabalho é o voleio da várzea:

1. Quem. Quem ou o que está no quadro, e quantos. Substantivo concreto, não adjetivo: "um garoto magro de camisa branca encharcada", não "um jogador épico". Se o sujeito gira ou muda de perfil, anote o perfil — esse detalhe vira ouro depois, quando você quiser amarrar a identidade dele numa referência de imagem.
2. O que muda. A única coisa que se transforma ao longo do clipe, dita como movimento. "Ele abre o corpo, bate de trivela e a bola levanta um leque d'água" é uma ação; "jogando futebol" é uma foto estática com burocracia extra.
3. Onde e quando. Lugar e hora numa cláusula só. Registre o que faz o lugar ser aquilo — o piso de cimento rachado da quadra, o poste de sódio piscando às seis e meia — e esqueça o recheio que o renderizador completa de qualquer jeito.
4. Câmera. Enquadramento (close, médio, aberto), ângulo (picado, de baixo, na altura do olho) e movimento (avanço, órbita, na mão, travada no tripé). Este é o eixo que todo mundo pula e o que separa um take de IA de um plano filmado. Para tirar a prova, revele o replay em meia velocidade: se o fundo desliza atrás do garoto, a câmera viajou; se o fundo fica pregado enquanto o corpo se mexe, ela estava travada — e você escreve "câmera fixa" mesmo, porque o motor não deduz silêncio.
5. Clima. Um único cluster coerente de luz, paleta e textura: "sódio verde, asfalto molhado escuro, grão de fita" é um cluster. Cinco soltas de estilo juntas são a receita do resultado sopa.

Do papel ao prompt

Reordene as anotações na ordem de leitura do motor: sujeito e ação primeiro (eles ficam com o orçamento de atenção), a câmera como terceira cláusula, o clima por último. Nomeie o verbo de movimento ainda que pareça óbvio — e se o clipe não se move, escreva "câmera travada" com todas as letras, porque no vazio a máquina inventa uma deriva que não estava na sua referência.

Depure as suas notas de olho no vocabulário que os motores respondem de fato: avanço lento, recuo, órbita, pan, tilt, acompanhamento, subida de drone, câmera na mão. Os carros-chefe que a Moosky roda respondem muito melhor a vocabulário de set do que a adjetivos de humor: Wan 3.0 quando o plano é movimento, MiniMax H3 quando é fala, Seedance 2.5 e LTX 2.5 no meio-termo. A diferença entre "a câmera se mexe" e "avanço lento" é visível no replay em meia velocidade: o garoto cresceu no quadro ou o fundo é que correu?

Se um chat com visão está aberto na outra aba, mande fotogramas e peça descrições à vontade — mas a metade da escrita continua sua: são as cinco anotações que transformam os parágrafos dele em prompt útil em vez de legenda florida.

O atalho: anexe o clipe e escreva só a mudança

Palavra é um canal. Os dois composers de referência da Moosky engolem o clipe também, e uma referência faz a sua descrição sozinha.

Wan 3.0 R2V aceita até 10 imagens de referência, 5 vídeos de referência (com 15 segundos somados) e 5 áudios soltos por corrida — e os segundos do seu clipe de entrada saem do MESMO orçamento de 30 segundos que a saída: anexou um vídeo de 11 s, seu take nasce com 19 de teto. A guia r2v em português já fecha essa conta com tabela, com todos os tetos e a pegadinha dos 30 segundos resolvidos. Anexe o clipe que carrega o movimento e o ritmo que você quer, e no prompt descreva apenas o que muda: o sujeito novo, o lugar novo. A ordem de subida é significado — o primeiro vídeo é o Vídeo 1 — e o prompt chama cada material por esse rótulo, então a referência de movimento é citada, não insinuada.

MiniMax H3 Ref2V é a mesma ideia calibrada para a tomada falada: 9 imagens, 3 clipes de vídeo, 3 áudios (12 arquivos no total), a fala entre aspas é atuada com lábios sincronizados, duração de 4 a 15 segundos, rascunhos em 768P girando em torno de 10 créditos por segundo — a folha do composer marca cerca do dobro para os finais em 2K — e corrida que falha devolve crédito. Jogue o clipe como Vídeo 1 e escreva a cena nova ao redor dele; o passo a passo do H3 Ref2V percorre a folha inteira.

A prática se divide assim: extração em palavras quando você quer remixar o plano (sujeito novo, lugar novo, mesma sensação); anexo do clipe quando você quer substituir algo dentro daquela sensação exata. A maioria escreve prompt demais para o segundo trabalho — o clipe já é a frase curta.

Entre direto nas superfícies: o hub de referência para vídeo com a linha completa ao vivo, o composer do Wan 3.0 R2V e o composer do MiniMax H3. Como todo o resto da Moosky, eles rodam em créditos (100 = US$ 1), o composer cobra o valor exato na tela antes de apertar gerar, e corrida que falha é reembolsada.

O loop: diagnosticar por eixo, mexer numa cláusula

Compare o take com a referência lado a lado e diagnostique pelo eixo:

Uma cláusula por re-tiro, e gere barato primeiro: rascunho no degrau de resolução baixa, final apenas para os takes que sobrevivem. Re-tirar no acaso compara uma suposição contra uma moeda; editar cláusula compara uma hipótese contra evidência.

O que a leitura não atravessa

Existem planos que não sobrevivem tradução para texto: um tremido de mão específico, o ritmo do corte, um avanço que acelera no fim. Isso mora no pixel — por isso existe a via do anexo: escreva com palavras o que é estável e cite o que é instável entregando o clipe. Dois limites da família de motores, claros antes de montar a cena: texto literal na tela não é confiável (não projete um plano em torno de uma placa legível), e a fala entre aspas é reproduzida sem promessa de sincronia labial quadro a quadro. Se a sua entrega depende disso, pague um rascunho e confira antes de prometer.

Quando o prompt e a referência carregam cada um o que sabe, você para de brigar com o modelo por coisas que ele nunca esteve em condição de ouvir. A irmã em inglês, video to prompt, trabalha o mesmo fluxo com o próprio caso de ciclista; a versão em espanhol leva a mesma leitura para o voseo — as três apontam para o mesmo ponto de partida: o seu clipe já sabe o prompt.

Perguntas que aparecem antes do primeiro take

Prompt em português ou inglês? Os motores da linha rodam nas duas línguas — o caminho recomendado pelo próprio compositor é escrever na sua, sem JSON e sem markdown, mantendo os verbos de plano explícitos. Se um render teimoso ignora um comando de câmera, teste a mesma cláusula em inglês antes de trocar qualquer coisa.

Não basta pedir para um chat com visão descrever o clipe? Ele economiza a primeira passada, mas descrição não é prompt: sem os cinco eixos na ordem de leitura do modelo, o texto dele vira legenda bonita — e créditos gastos.

Preciso anexar o clipe inteiro? Não. Suba o trecho mais curto que contém o movimento desejado, sem cortes e com sujeito único — cada segundo de referência gasta do mesmo orçamento de 30 segundos que o seu take. Três segundos bem cortados dirigem o motor tão bem quanto onze.

Quanto custa errar? O composer mostra o preço fechado antes do dispatch; rascunhos no degrau baixo custam uma fração dos finais, e corrida reprovada pelo filtro devolve o crédito. O loop inteiro desta guia foi pago assim, cotação por cotação.