Vídeo de IA a partir de foto: o guia completo

Como o photo-to-video realmente funciona

O image-to-video é a porta de entrada mais prática para a geração de vídeo por IA. Em vez de descrever uma cena inteira do zero, você entrega ao modelo uma fotografia e pede que ele imagine os próximos segundos. A foto trava a composição, o assunto, a iluminação e o estilo; o único trabalho do modelo é o movimento. Essa restrição é o motivo pelo qual os resultados de photo-to-video parecem dramaticamente melhores que o text-to-video no mesmo nível tecnológico.

Nos bastidores, o modelo faz duas coisas. Primeiro, analisa sua imagem como um modelo de imagem faria: assuntos, profundidade, iluminação, texturas. Depois, prevê uma sequência curta de quadros que plausivelmente se seguem, guiado pelo seu prompt de movimento. A qualidade do resultado depende de três entradas, mais ou menos nesta ordem de importância: a foto de origem, a descrição do movimento e as configurações de geração. A maioria dos guias de solução de problemas começa pelas configurações; este começa pela foto, porque é aí que nasce a maioria das falhas.

Uma expectativa para alinhar cedo: o modelo anima o que está na foto. Ele não a reimagina. Se sua foto estiver escura, borrada ou mal enquadrada, o vídeo será uma versão em movimento de escuro, borrado e mal enquadrado. Lixo dentro, movimento fora.

Escolhendo a foto certa: a regra dos 80 por cento

A resolução importa, mas não do jeito que as pessoas pensam. Você não precisa de uma fonte 4K; a maioria dos modelos de vídeo trabalha internamente em 720p e reduz sua entrada de qualquer forma. O que você precisa é de uma imagem limpa e nítida de tamanho razoável — 1024 pixels no lado maior é mais que suficiente. Uma foto nítida de 1024px vence uma foto 4K borrada todas as vezes.

O enquadramento é a alavanca de verdade. O modelo só consegue animar o que vê, então os assuntos devem estar totalmente no quadro com espaço para respirar ao redor. Cortes apertados que cortam membros ou o topo da cabeça forçam o modelo a inventar partes do corpo faltantes em movimento — uma das principais causas de glitches anatômicos. Se quer um vídeo em close-up, fotografe um close-up; não espere que o modelo reenquadre para você.

Rostos merecem regras especiais. Um rosto de frente ou de três quartos, com iluminação uniforme e sem obstruções, preserva a identidade dramaticamente melhor do que um perfil, um rosto em sombra profunda ou parcialmente coberto por cabelo ou mãos. O modelo rastreia os traços faciais entre quadros comparando o que vê; dê a ele uma referência clara e o drift cai bastante.

A iluminação da foto de origem define o teto do vídeo. Uma luz suave e uniforme dá ao modelo informações limpas sobre formas e texturas. Contraste forte, filtros pesados ou color grading extremo na origem são amplificados em movimento, não suavizados. Na dúvida, escolha a versão mais naturalmente iluminada da foto que você tem.

Configurações que importam: duração, proporção, movimento

A duração é a primeira configuração a decidir, e mais curto é mais inteligente enquanto você aprende. Cinco segundos é o comprimento de teste padrão: tempo suficiente para avaliar se o movimento parece natural, curto o bastante para manter a iteração barata. Só estenda para oito ou dez segundos quando a versão de cinco segundos estiver sólida, porque gerações mais longas multiplicam tanto o custo quanto a chance de degradação no meio do clipe.

A proporção deve corresponder à sua foto de origem, não à plataforma de destino. Se sua foto é vertical 9:16 e você pede um vídeo 16:9, o modelo precisa cortar ou esticar — ambos prejudicam a qualidade. Primeiro ajuste a proporção à foto; reenquadre para as plataformas depois com ferramentas de edição padrão.

A intensidade de movimento (às vezes chamada de motion intensity ou dynamics) controla o quanto se move. Valores baixos produzem resultados sutis, quase parados — seguros, mas chatos. Valores altos produzem movimento dramático — empolgante, mas propenso a warping e identity drift. Comece no meio e ajuste pelo que vir: se o vídeo parecer congelado, aumente; se os rostos começarem a derreter, diminua.

Seed e configurações fixas importam mais para vídeo do que para imagens. Quando encontrar uma combinação que funcione, trave o seed antes de iterar no prompt. Mudar a descrição do movimento enquanto o seed deriva significa nunca aprender qual mudança causou qual efeito — a mesma disciplina de uma variável da iteração de prompts para stills.

Prompting de movimento: verbos, não substantivos

O prompt de movimento é uma habilidade diferente do prompting de imagem. Onde um prompt de imagem descreve uma cena estática, um prompt de movimento descreve mudança ao longo do tempo. O modelo precisa de verbos, direções e ritmo — não só de substantivos.

Comece pelo movimento principal. "Ela vira lentamente a cabeça em direção à câmera" vence "beautiful woman, cinematic" porque diz ao modelo o que realmente se move. Um movimento principal claro vence três concorrentes; se tudo se move, nada parece intencional.

Adicione movimento secundário para realismo. Cabelo balançando de leve, tecido se deslocando, elementos de fundo à deriva — esses pequenos movimentos secundários separam a "foto animada" do "vídeo". Descreva-os brevemente: "o cabelo dela se move suavemente na brisa" basta. O modelo completa a física.

Especifique o que deve ficar parado. "Câmera estática" ou "locked-off shot" evita aquele zoom lento nauseante que o modelo às vezes adiciona sem ser convidado. Se quiser movimento de câmera, nomeie-o explicitamente ("slow push-in") em vez de deixar o modelo improvisar.

Mantenha os prompts de movimento curtos — duas a três frases. Descrições de movimento longas e ornamentadas diluem a instrução central do mesmo jeito que prompts de imagem longos demais. Assunto, movimento principal, movimento secundário, comportamento da câmera. Essa é toda a fórmula.

Falhas comuns e como corrigi-las

O identity drift — o rosto mudando entre quadros — é a falha mais relatada. Causas, em ordem: rosto pouco claro na foto de origem, intensidade de movimento excessiva e duração longa demais. Corrija nessa ordem: primeiro uma foto de origem melhor, depois baixe o movimento, depois encurte o clipe. Não tente corrigir o drift só com palavras do prompt; é um problema de dados, não de linguagem.

Um resultado congelado ou quase estático geralmente significa que o prompt de movimento estava fraco demais ou a intensidade de movimento baixa demais. Reforce os dois e gere de novo. Se o modelo ainda mal se move, a foto de origem pode estar sem pistas de profundidade (luz muito chapada, fundos simples dão pouco material para o modelo trabalhar).

Warping e derretimento — membros dobrando de forma impossível, fundos borrando — vêm de uma intensidade de movimento alta demais para o que a cena suporta. Poses complexas e fundos carregados toleram menos movimento que os simples. Baixe a intensidade ou simplifique: escolha uma foto de origem mais calma.

Cintilação e texturas rastejantes acontecem mais em clipes longos e costumam começar no meio da geração. A solução prática é uma duração mais curta; a versão de cinco segundos de um clipe que cintila aos dez segundos costuma ser perfeitamente limpa. Trate a duração como controle de qualidade, não só como escolha criativa.

Glitches anatômicos (dedos extras aparecendo no meio do movimento, rostos distorcendo nas viradas) são o equivalente em vídeo do problema das mãos em stills — amplificado porque o modelo precisa manter a anatomia entre quadros. Minimize mantendo o enquadramento de origem generoso, evitando poses extremas e mantendo o movimento moderado. Certa taxa de glitch é inerente à tecnologia atual; reserve orçamento para re-rolls.

O checklist pré-voo (economize seus créditos)

Antes de cada geração, passe por este checklist. Foto de origem: nítida, bem iluminada, assunto totalmente no quadro, rosto claro se a identidade importar. Proporção: corresponde à foto. Duração: cinco segundos para testes. Intensidade de movimento: no meio para começar. Prompt de movimento: um movimento principal, um secundário, comportamento da câmera especificado. Seed: travado quando encontrar configurações de que goste.

Depois da geração, avalie nesta ordem. Primeiro, identidade: o assunto ainda parece com a foto? Se não, corrija a origem ou baixe o movimento antes de mexer em qualquer outra coisa. Segundo, qualidade do movimento: o movimento parece fisicamente plausível? Terceiro, artefatos: varra o clipe inteiro em busca de warping, cintilação ou quebras anatômicas, especialmente nos últimos dois segundos, onde a degradação se concentra.

Mantenha um log simples: foto usada, configurações, prompt de movimento, seed e um veredito de uma linha. Depois de vinte gerações você terá um playbook pessoal — quais intensidades funcionam para retratos versus corpo inteiro, quais fotos das suas câmeras animam melhor, como o modelo da sua plataforma lida com cabelo e tecido. Esse playbook vale mais que qualquer guia, porque é ajustado para as suas entradas.

E a meta-regra: itere barato. Teste a cinco segundos, custo baixo, turnaround rápido. Só gaste a geração longa e cara quando a versão barata provar o conceito. A maioria dos créditos desperdiçados em vídeo de IA vem de clipes de dez segundos de ideias não testadas.