Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Marketing: visuais e banners

Aula 7 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Marketing: visuais e banners
  2. Banners publicitários
  3. Visuais para redes sociais
  4. Ilustrações para artigos de blogue
  5. Kit de campanha de marketing
  6. Teste antes de decidir
  7. Hábitos que fazem a diferença

Atualizado em 2 de novembro de 2026 — modelos de imagem. O gpt-image-1, para o qual este curso foi originalmente escrito, foi descontinuado em 23 de outubro de 2026, e o gpt-image-1.5, gpt-image-1-mini e chatgpt-image-latest serão aposentados em 1 de dezembro de 2026. Os exemplos agora utilizam o gpt-image-2.5-sunburst, o modelo mais preciso para edição; o gpt-image-2.5-flare é mais rápido para geração padrão. Ambos suportam também os níveis de qualidade xhigh e max. Os modelos GPT Image devolvem sempre imagens em base64: o parâmetro response_format dos modelos DALL·E mais antigos não é aceite e foi removido do código. Fonte: Geração de imagens (OpenAI).

Marketing: visuais e banners

As equipas de marketing consomem visuais continuamente: banners publicitários, publicações para redes sociais, ilustrações de artigos, cabeçalhos de e-mail. O gargalo quase nunca é a ideia, mas sim a produção. O GPT Image através da API desloca esse gargalo, permitindo-lhe industrializar a produção sem perder qualidade, desde que codifique nos seus prompts o que um diretor de arte exigiria.

Banners publicitários

Um banner não é uma ilustração: é uma mensagem que deve permanecer legível em tamanhos pequenos, num ambiente saturado, numa fração de segundo. O seu prompt deve, portanto, conter o texto exato entre aspas e impor condições de legibilidade — tipografia sans-serif em negrito, alto contraste entre texto e fundo, e uma chamada para a ação clara. A função abaixo fixa estas restrições de uma vez por todas, variando apenas a mensagem e o ambiente gráfico, aqui um gradiente azul-violeta com partículas de luz para uma oferta de teste gratuito.

from openai import OpenAI
import base64

client = OpenAI()

def banniere_pub(message: str, style: str, format_nom: str, output: str):
    """Generate an ad banner with embedded text."""
    prompt = (
        f"Professional ad banner with the text \"{message}\" "
        f"in large, legible letters, {style}, "
        "clean and modern design, clear call to action, "
        "bold sans-serif typography, high text/background contrast"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",  # landscape format for banners
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Banner {format_nom}: {output}")


banniere_pub(
    message="30-day free trial",
    style="blue-violet gradient, light particles, tech mood",
    format_nom="leaderboard",
    output="banniere_essai.png"
)

Visuais para redes sociais

Cada plataforma tem os seus próprios códigos, e publicar o mesmo quadrado em todo o lado nota-se imediatamente. Uma publicação sóbria no LinkedIn, em azuis e cinzentos, não funciona no Instagram, onde os utilizadores esperam cores vibrantes e uma composição centrada; uma história vertical requer texto no topo e o visual na parte inferior, porque o polegar do utilizador mascara a parte inferior do ecrã. A função visuel_social codifica estas diferenças num dicionário de configuração que mapeia cada plataforma para a sua resolução nativa e briefing estilístico, compondo depois o prompt a partir do assunto e do texto que fornecer.

from openai import OpenAI
import base64

client = OpenAI()

def visuel_social(plateforme: str, sujet: str, texte: str, output: str):
    """Generate a visual adapted to a social platform."""
    configs = {
        "instagram_post": {
            "size": "1024x1024",
            "style": "polished aesthetic, vibrant colors, centered composition"
        },
        "instagram_story": {
            "size": "1024x1536",
            "style": "vertical, text at top, impactful visual at bottom"
        },
        "linkedin": {
            "size": "1536x1024",
            "style": "professional and sober, blue and gray tones, corporate"
        },
        "twitter": {
            "size": "1536x1024",
            "style": "eye-catching, strong contrast, legible at small sizes"
        },
    }

    config = configs.get(plateforme, configs["instagram_post"])

    prompt = (
        f"Visual for {plateforme.replace('_', ' ')}, "
        f"subject: {sujet}, "
        f"displayed text: \"{texte}\", "
        f"{config['style']}, "
        "professional design, ready to publish"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size=config["size"],
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Visual {plateforme}: {output}")


visuel_social("instagram_post", "AI product launch", "New: CorsenBot 2.0", "ig_post.png")
visuel_social("linkedin", "developer recruitment", "We're hiring!", "linkedin_post.png")
visuel_social("instagram_story", "summer promotion", "-30% this weekend", "ig_story.png")

Ilustrações para artigos de blogue

A imagem de capa de um artigo segue uma regra contraintuitiva: não deve conter texto. O seu CMS irá sobrepor o título, e uma imagem que já contenha letras transforma-se numa massa ilegível assim que o cabeçalho for aplicado. O prompt afirma isto explicitamente, além de solicitar uma composição panorâmica e cores harmoniosas. A lista de artigos abaixo mostra também como uma única função serve três registos muito diferentes — isométrico 3D azul para um tema de atendimento ao cliente, colagem colorida para tendências de marketing, tecnologia escura com néons verdes para cibersegurança.

from openai import OpenAI
import base64

client = OpenAI()

def illustration_article(titre_article: str, style: str, output: str):
    """Generate a header illustration for a blog article."""
    prompt = (
        f"Conceptual illustration for an article titled \"{titre_article}\", "
        f"{style}, "
        "panoramic composition, no text in the image, "
        "harmonious colors, suitable as a blog cover image"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Illustration: {output}")


articles = [
    ("How AI is transforming customer service", "3D isometric style, blue tones"),
    ("5 marketing trends for 2026", "modern collage, bright colors"),
    ("Cybersecurity guide for SMBs", "dark tech style, green neons"),
]

for i, (titre, style) in enumerate(articles):
    illustration_article(titre, style, f"article_header_{i+1}.png")

Kit de campanha de marketing

Uma campanha nunca funciona com um único visual. Precisa do banner principal do site, do quadrado para redes sociais, da história vertical e do cabeçalho de e-mail, todos com a mesma mensagem e paleta. É exatamente aqui que a API supera o trabalho manual: em vez de reexportar um ficheiro fonte quatro vezes, descreve a campanha uma vez e deixa o ciclo produzir cada variante na sua resolução nativa. O manifesto JSON escrito no final não é apenas decorativo — é o que permite à sua ferramenta de publicação encontrar o ficheiro certo para o local certo.

from openai import OpenAI
import base64
import json

client = OpenAI()

def kit_campagne(
    nom_campagne: str,
    message_principal: str,
    palette: str,
    output_dir: str = "."
):
    """Generate a complete visual kit for a marketing campaign."""
    assets = [
        {
            "nom": "hero_banner",
            "size": "1536x1024",
            "prompt_extra": "large hero banner, centered text, maximum impact"
        },
        {
            "nom": "social_square",
            "size": "1024x1024",
            "prompt_extra": "square social post, centered composition"
        },
        {
            "nom": "story_vertical",
            "size": "1024x1536",
            "prompt_extra": "vertical story format, text at top, visual at bottom"
        },
        {
            "nom": "email_header",
            "size": "1536x1024",
            "prompt_extra": "email marketing header, sober and professional"
        },
    ]

    resultats = []

    for asset in assets:
        prompt = (
            f"Marketing visual for the \"{nom_campagne}\" campaign, "
            f"message: \"{message_principal}\", "
            f"palette: {palette}, "
            f"{asset['prompt_extra']}, "
            "premium design, modern typography"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size=asset["size"],
            quality="high",
        )

        path = f"{output_dir}/{nom_campagne}_{asset['nom']}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)

        resultats.append({"asset": asset["nom"], "path": path})
        print(f"  {asset['nom']} → {path}")

    # Save the manifest
    manifeste_path = f"{output_dir}/{nom_campagne}_manifeste.json"
    with open(manifeste_path, "w") as f:
        json.dump(resultats, f, indent=2, ensure_ascii=False)

    print(f"\nComplete kit: {len(resultats)} visuals generated")
    print(f"Manifest: {manifeste_path}")
    return resultats


kit_campagne(
    nom_campagne="rentree-2026",
    message_principal="Train in AI starting this September",
    palette="deep blue, copper orange, white"
)

Teste antes de decidir

O marketing raramente decide por instinto: decide por números. Mas precisa de múltiplas versões para confrontar entre si, o que costumava custar muito quando tinha de contratar um designer para cada uma. A função de teste A/B gera tantas variantes quantas as configurações que lhe passar, nomeando os ficheiros por letra — A, B, C — para que a correspondência com as estatísticas da sua campanha permaneça óbvia. O exemplo confronta três tratamentos do mesmo anúncio para uma aplicação de meditação: uma abordagem fotográfica de natureza e luz dourada, uma ilustração geométrica minimalista, um gradiente abstrato com partículas flutuantes. O conceito e o texto não se movem; apenas o tratamento visual é testado, o que é a condição para que o resultado do teste signifique alguma coisa.

from openai import OpenAI
import base64

client = OpenAI()

def ab_test_visuels(concept: str, variantes: list[dict], output_prefix: str):
    """Generate A/B variants of the same marketing concept."""
    for i, variante in enumerate(variantes):
        lettre = chr(65 + i)  # A, B, C...
        prompt = (
            f"{concept}, "
            f"style: {variante['style']}, "
            f"dominant color: {variante['couleur']}, "
            "professional design, ready to publish"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{output_prefix}_variante_{lettre}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Variant {lettre} ({variante['style'][:30]}) → {path}")


ab_test_visuels(
    concept="Ad for a meditation app with the text 'Find your calm'",
    variantes=[
        {"style": "photographic, nature and golden light", "couleur": "green and gold"},
        {"style": "minimalist illustration, geometric shapes", "couleur": "pastel blue"},
        {"style": "abstract gradient, floating particles", "couleur": "purple and pink"},
    ],
    output_prefix="meditation_ad"
)

Hábitos que fazem a diferença

Cinco hábitos separam a produção industrializada de uma pilha de visuais desencontrados. A consistência da marca vive no prompt: inclua sistematicamente a sua paleta e estilo, ou cada geração parte de uma estética padrão e o seu feed torna-se um mosaico. A legibilidade do texto impõe uma disciplina de comprimento — o GPT Image lida bem com tipografia, mas uma mensagem de cinco a sete palavras é o limite além do qual um banner se torna um parágrafo ilegível.

Gere sempre na dimensão nativa do suporte em vez de cortar depois, porque o modelo compõe para o enquadramento que lhe dá e o corte desloca o assunto para fora da sua zona de força. Arquive os seus prompts à medida que avança: uma biblioteca de formulações comprovadas por tipo de visual vale muito mais após seis meses do que qualquer ganho de velocidade pontual. Finalmente, submeta cada visual a uma verificação legal básica, mesmo que seja apenas um olhar rápido, para verificar se não evoca uma marca registada existente.

Junte tudo isto num lançamento de produto fictício: um script que gera o banner principal, a publicação no Instagram, a história, o visual do LinkedIn e duas variantes A/B da publicação principal, tudo acompanhado por um manifesto JSON que lista cada ficheiro produzido.