Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Escrever prompts de vídeo eficazes

Aula 2 de 12 Atualizada a 3 de novembro de 2026 Intermediario
Nesta página
  1. A arte do prompt de vídeo
  2. Os quatro componentes de uma boa descrição
  3. Duas camadas específicas do vídeo: câmara e som
  4. Três prompts, três estilos
  5. Adequar parâmetros ao conteúdo
  6. O que faz um prompt falhar
  7. Pontos-chave

Atualizado a 3 de novembro de 2026. Com base nas páginas Video Overview e Video Generation da xAI e no seu guia de criação de imagens: a xAI solicita que descreva a tomada completa, incluindo movimento de câmara, luz e som. A regra anterior de «máximo duas ou três frases» não consta de nenhuma página da xAI; na verdade, o guia de imagens recomenda quatro a seis frases para uma única imagem. Esta lição abrange também a resolução 1080p para os modelos 1.5, as nove proporções de imagem e a faixa de áudio gerada por predefinição. Fontes: Video Overview · Video Generation · Image Prompting Guide.

A arte do prompt de vídeo

A qualidade do vídeo gerado depende diretamente da precisão do seu prompt, e um prompt de vídeo exige mais do que um prompt de imagem. Onde uma descrição estática basta para produzir uma ilustração, um prompt de vídeo deve também transmitir o movimento, a temporalidade e a dinâmica da cena — e, uma vez que o vídeo é exportado com banda sonora, aquilo que se ouve nele. Um prompt que descreve perfeitamente um cenário sem nunca indicar o que se move riska produzir uma tomada quase congelada, tecnicamente animada mas visualmente sem vida. Esta lição ensina-o a estruturar as suas descrições para extrair o melhor dos modelos Grok Imagine Video.

Os quatro componentes de uma boa descrição

Um prompt de vídeo eficaz articula quatro camadas de informação, trabalhando cada uma separadamente.

A primeira é o sujeito: o elemento ou elementos principais da cena, descritos com precisão suficiente para que o modelo não tenha de inventar. Escrever «um pássaro» deixa o campo demasiado aberto; escrever «um beija-flor com penas iridescentes azuis e verdes» define a aparência e torna as suas gerações mais consistentes de uma tentativa para a outra.

Segue-se a ação, o componente mais decisivo no vídeo. Não basta dizer que algo se move; deve especificar o movimento, a sua direção e intensidade. «Um pássaro a voar» é uma intenção, não uma instrução de encenação. «Um beija-flor a alimentar-se de uma flor de hibisco vermelho, batendo as asas rapidamente» dá ao modelo um gesto, um alvo e um ritmo.

A terceira camada é o ambiente: o local, a luz, o clima e o ambiente. Um simples «num jardim» deixa o modelo escolher a hora e a estação por si. «Num jardim tropical exuberante, com luz dourada do final da tarde a filtrar-se através da folhagem» define a atmosfera e, incidentalmente, a direção da luz sobre o seu sujeito.

Finalmente, o estilo visual, que determina a renderização: cinematográfico, documental, animado. Uma frase como «estilo cinematográfico, pouca profundidade de campo, cores quentes» estabelece um registo publicitário, enquanto «animação 3D estilizada, paleta de cores pastéis» leva-o para um universo completamente diferente com a mesma cena de base.

A ordem importa. O guia de criação de imagens da xAI, escrito para imagens estáticas mas útil aqui, observa que um prompt que começa com o ambiente, grão de filme ou uma lista de proibições produz uma cena polida onde o sujeito é meramente um figurante. Comece, portanto, pelo sujeito e pela sua ação, deixando o estilo para o final.

Duas camadas específicas do vídeo: câmara e som

Para texto-para-vídeo, a xAI resume a sua instrução numa frase: descreva a tomada, incluindo movimento de câmara, luz e som. Dois destes elementos não existem em imagens estáticas.

A câmara controla-se com vocabulário de filmagem: tomada estática, zoom lento, travelling, vista de drone, timelapse. Os exemplos na documentação da xAI utilizam-nos tal qual: um zoom lento num pódio de passarela, uma câmara a deslizar de uma porta ensolarada para uma janela, uma tomada de drone entre picos, um timelapse de uma flor a desabrochar. Se não disser nada, deixa esta escolha ao modelo.

A luz beneficia de ser descrita como faz o guia de imagens da xAI: a sua fonte, direção e dureza, suficientemente forte para que o sujeito permaneça legível. «Sol forte da tarde vindo da esquerda» diz ao modelo o que iluminar; «luz agradável» não lhe diz nada.

O som faz parte do resultado: um vídeo gerado inclui uma faixa de áudio por predefinição, com sincronização labial no grok-imagine-video-1.5 e na sua versão -lite. Descreva, portanto, a paisagem sonora que deseja — chuva no pavimento, murmúrio numa sala, música suave — ou corte a faixa com "generate_audio": false se tencionar colocar a sua própria banda sonora na edição.

Um último detalhe operacional altera a forma como escreve: nos modelos 1.5, o texto-para-vídeo renderiza primeiro uma imagem estática a partir do prompt, animando-a depois. A cena inicial deve, portanto, ler-se como uma imagem nítida — sujeito, cenário, luz — e o movimento como aquilo que acontece a seguir.

Três prompts, três estilos

Estas camadas combinam-se de forma diferente consoante o destino do clipe. Para uso publicitário, importa o material e a luz, e a ação permanece mínima mas perfeitamente descrita:

A steaming cup of coffee on a rustic wooden table,
steam rising in gentle spirals. Natural side light from
the left, very slow zoom toward the cup, shallow depth of
field, advertising style. Muted coffee shop ambiance.

Para visualização de dados destinada a uma apresentação, o movimento torna-se estrutural — transporta a informação — e o estilo torna-se deliberadamente sóbrio. Este vídeo será reproduzido sob comentário ao vivo: gere-o sem som, com "generate_audio": false.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

Finalmente, na animação criativa, o sujeito pode ser abstrato, desde que a transformação seja descrita com precisão:

Abstract geometric shapes transforming fluidly
into one another, vivid color palette on black background.
Camera slowly orbits the shapes, contemporary motion design
style, synth pads.

Tome um momento para identificar, em cada um destes três blocos, onde estão o sujeito, a ação, o ambiente e o estilo, e depois a câmara e o som. Este exercício de leitura torna a escrita natural posteriormente.

Adequar parâmetros ao conteúdo

O prompt não funciona isoladamente: duração, proporção e resolução devem responder-lhe. A duração varia de 1 a 15 segundos, 8 por predefinição. Uma duração de 1 a 3 segundos adequa-se a uma única ação, uma transição ou uma renderização estilo GIF; de 4 a 7 segundos, obtém uma cena curta com início e fim; entre 8 e 15 segundos, entra numa sequência narrativa com evolução. Quanto mais longo o vídeo, mais tempo de geração consome, e o preço é contado por segundo: comece curto e aumente progressivamente.

Escolha a proporção com base no destino final. A API oferece nove: 16:9 (predefinição) para ecrã panorâmico, web e apresentações, 9:16 para telemóvel, stories e Reels, 1:1 para publicações sociais e miniaturas, 4:3 e 3:4 para apresentações e retratos, 3:2 e 2:3 para uma renderização fotográfica, 21:9 para um formato de cinema ultra-panorâmico, 5:2 para um banner ou cabeçalho de site. Em imagem-para-vídeo, esta escolha desaparece: o resultado segue a proporção da imagem.

Quanto à resolução, mantenha 480p para pré-visualizações e rascunhos — este é o valor predefinido e a renderização é mais rápida — subindo depois para 720p ou 1080p quando o clipe entra em produção. O 1080p existe apenas nos modelos 1.5: nativo no grok-imagine-video-1.5, obtido por upsampling de 720p na sua versão -lite, enquanto o grok-imagine-video para nos 720p. Para vídeos simples, a xAI recomenda o grok-imagine-video-1.5-lite, o mais barato por segundo, reservando o grok-imagine-video-1.5 para imagens de referência, vozes, imagens impostas e 1080p nativo.

O que faz um prompt falhar

Cinco armadilhas recorrem frequentemente. A primeira é o prompt demasiado vago: «uma cena bonita» não contém informação utilizável. A segunda é o prompt que quer contar tudo — múltiplos sujeitos, múltiplos locais, múltiplas cenas em poucos segundos. Para uma história com várias tomadas, siga o exemplo Storyboard to Short Film do cookbook da xAI: divide a narrativa em quatro tomadas, gera cada uma separadamente, com a sua cena e movimento de câmara, montando-as depois na edição. A terceira, já mencionada, é a ausência de movimento descrito, o que resulta numa tomada estática. A quarta reside em conflitos lógicos: pedir «um gato a voar na água» coloca o modelo perante uma contradição, e o resultado será provavelmente incoerente. A quinta é a lista de negativos — «sem carros, sem texto, sem multidão». O guia de imagens da xAI nota que uma longa lista de elementos a evitar é facilmente ignorada e enche o prompt de objetos que acabam por aparecer: descreva antes o que quer ver.

Quanto ao comprimento, a documentação da xAI não dá uma medida ideal para vídeo, nem quantifica o limite além do qual um prompt demasiado longo é recusado (erro invalid_argument). O seu guia de imagens sugere quatro a seis frases para uma única imagem: o sujeito e os seus detalhes, depois o cenário, luz e enquadramento. Para uma tomada de vídeo, parta desta estrutura e adicione ação, câmara e som.

Para praticar, escreva um prompt completo para três destinos diferentes: um vídeo de fundo para o site de um restaurante, um clipe de 3 segundos para um story do Instagram de uma marca de roupa e uma animação abstrata para uma apresentação técnica. Em cada um, verifique se as quatro camadas estão presentes, se a câmara e o som estão descritos — ou a faixa de áudio cortada — e se a duração e a proporção correspondem ao uso pretendido.

Pontos-chave

  • Um bom prompt de vídeo contém sujeito, ação, ambiente e estilo, começando pelo sujeito
  • A xAI pede também para descrever o movimento de câmara, a luz e o som
  • A faixa de áudio é gerada por predefinição; "generate_audio": false produz um vídeo mudo
  • Adapte a duração (1 a 15 s, 8 por predefinição), a proporção (nove formatos) e a resolução (até 1080p nos modelos 1.5) ao uso final
  • Uma história com várias tomadas é gerada tomada a tomada, sendo depois editada
  • Descreva o que quer ver em vez do que não quer