Texto para vídeo com Veo 3: seis erros que arruínam um bom clipe

O Veo 3 raramente falha por acaso. Quando um clipe volta com uma câmera que passa direto pelo assunto, uma mão que derrete dentro do balcão ou uma fala que chega meio segundo depois de a boca parar de se mexer, a causa costuma ser uma lacuna no prompt. O modelo preencheu essa lacuna por você — e preencheu com o próprio palpite.

Os erros abaixo são os que mais desperdiçam renderizações no trabalho de texto para vídeo com Veo 3, mais ou menos na ordem de quanto estragam um clipe. Cada um tem uma correção que custa uma frase em vez de uma nova rodada de renderização, e todos podem ser checados antes de você clicar em gerar.

Erro 1: Pedir que um único clipe curto conte uma cena inteira

Uma única geração é um plano, não uma cena. As próprias amostras do Veo do Google DeepMind descrevem, cada uma, um assunto, um comportamento de câmera e uma base de áudio; os exemplos do Veo 3.1 publicados pela Magic Hour são igualmente uma geração de oito segundos cada, com uma nota de análise de que o resultado é um plano de inserção, não uma sequência completa.

O erro é fácil de escrever sem querer: “Ela entra no café, pede um flat white, senta-se junto à janela e confere o celular.” São quatro ações disputando oito segundos. O que volta geralmente é a ação do meio, executada de forma vaga, com o celular aparecendo antes de a mão chegar ao bolso.

Corrija escolhendo a única ação que sustenta o plano. Deixe a entrada e o celular para gerações separadas e depois monte tudo na edição. Se você não consegue decidir qual ação é a mais importante, o plano ainda não está pronto para virar prompt.

Erro 2: Empilhar movimentos de câmera que brigam entre si

“Pan lento, órbita e push in” soa como cinematografia e se comporta como três instruções conflitantes. A lista de solução de problemas da Magic Hour aponta exatamente isso: a câmera ignora o plano, e a correção é escolher um comportamento de câmera, indicar sua direção e seu ritmo e remover os movimentos que brigam com ele.

Fique atento ao sinal no resultado. Um clipe que completa só pela metade um movimento — avançando mas nunca subindo, ou orbitando um assunto que escorrega para fora do quadro — normalmente é um prompt com dois movimentos dentro, não um modelo incapaz de mover a câmera.

Escreva um movimento, uma direção, um ritmo: “A câmera faz um único push in lento, terminando em um close médio das mãos.” Só acrescente um segundo movimento depois que o primeiro funcionar sozinho.

Erro 3: Descrever um clima em vez de uma ação visível

Palavras como cinematográfico, premium, emocional e dinâmico não se traduzem em pixels. São julgamentos sobre o plano final, e o modelo não tem como renderizar um julgamento. O que ele consegue renderizar é uma superfície, uma direção de luz e um movimento.

A lista de erros da Higgsfield faz o mesmo apontamento pelo outro lado: amarre a emoção a algo que a câmera possa ver, como uma mão hesitante no freio ou um olhar que se demora, em vez de nomear o sentimento. A correção da Magic Hour é um exercício de substituição, em que premium vira metal escovado, superfície fosca e luz de contorno controlada, e cinematográfico vira uma altura de câmera e uma sensação de lente específicas.

Compare “um momento de café premium” com “vapor subindo de uma xícara branca sobre uma mesa de carvalho riscada, luz baixa da manhã vindo da esquerda, câmera fixa, xícara e pires inalterados”. A segunda versão dá ao modelo quatro coisas que ele consegue de fato desenhar e uma coisa que ele não pode mudar.

Erro 4: Escrever exclusões como comandos

A maioria de quem escreve prompts termina com uma linha do tipo “sem texto, sem marca d'água, sem pessoas extras”. O próprio guia de prompts para geração de vídeo do Google pede o formato oposto: evite linguagem instrutiva como “sem paredes” ou “não mostre paredes” e, em vez disso, descreva os elementos indesejados como uma lista, nomeando os objetos que você não quer ver.

Duas consequências práticas vêm daí. Primeiro, mantenha as exclusões no formato que o modelo foi treinado a ler, o que significa nomear objetos em vez de discutir com eles. Segundo, trate qualquer exclusão como um pedido, não como uma garantia. A Magic Hour é direta quanto a isso no caso de legendas: uma instrução para excluir texto continua sendo um pedido, e os quadros finais ainda precisam ser inspecionados em busca de letras perdidas.

Assim, a linha vira “texto, marca d'água, pessoas adicionais”, e a etapa de revisão vira uma checagem dos dois ou três quadros onde texto costuma aparecer: placas, telas, embalagens e qualquer superfície voltada para a câmera.

Erro 5: Tratar o áudio como legenda em vez de trilha

O Veo 3 gera áudio nativamente, com efeitos sonoros, ruído ambiente e diálogo saindo da mesma passada que a imagem. Essa é a maior vantagem do modelo sobre geradores de vídeo silenciosos, e a forma mais rápida de desperdiçá-la é tratar o som como um detalhe posterior colado a uma descrição visual.

Duas formas de falha dominam. A primeira é uma fala longa demais para o plano: quando a frase termina, a boca já parou de se mexer ou a fala sai cortada. A segunda é um único pedido de áudio indiferenciado, em que música, tom do ambiente, efeitos e fala se amontoam numa só oração, e o modelo escolhe um e descarta o resto.

Separe as camadas e nomeie quem fala. “Tom de ambiente baixo de estúdio, um único toque metálico quando a chave encosta na mesa, sem música” é uma instrução de mixagem. “Ela diz, com voz tranquila, que estas estão prontas para o primeiro jantar” é uma instrução de atuação. Mantenha a fala curta o suficiente para caber na duração que você realmente pediu e conte as palavras em relação aos segundos, não em relação ao roteiro.

Erro 6: Deixar pontos de contato e física em aberto

Tudo o que o prompt deixa em aberto é decidido pelo modelo. A checklist da Higgsfield transforma isso em uma etapa concreta de verificação prévia: nomeie os pontos de contato — mãos, dedos e o que toca o quê —, além de uma fonte de luz nomeada e a direção do movimento.

É por isso que as mãos são a vítima clássica. Um prompt que diz “ela pega a chave” deixa a pegada, o número de dedos e o ângulo sem resolver, e a renderização resolve tudo em algum ponto entre o plausível e o errado. Um prompt que diz “o polegar e o indicador dela prendem a chave pela argola e a levantam da mesa” deixa muito menos espaço.

A física se comporta do mesmo jeito. Tecido, líquido e cabelo são onde o modelo mais improvisa, então diga o que precisa ficar fixo: a jaqueta não se move, o líquido permanece nivelado no copo, o mostrador e a pulseira do relógio não mudam em momento algum. Essas linhas custam pouco e fazem a diferença entre um plano de produto utilizável e uma nova filmagem.

Corrija a instrução, não o prompt inteiro

O instinto depois de um clipe ruim é reescrever tudo, e isso destrói suas evidências. Mude uma instrução a cada tentativa e você descobre qual frase foi a responsável.

Guarde uma geração de referência: um plano travado do mesmo assunto, com o mesmo áudio, que você sabe que funciona. Quando uma nova tentativa falhar, compare as duas e nomeie a diferença. Se a falha muda toda vez que você repete o mesmo texto, é um problema de prompt. Se ela erra exatamente do mesmo jeito em todas as execuções, é um problema de configuração, e mais adjetivos não vão ajudar.

Antes de reescrever, passe o sintoma por esta ordem: especificidade do assunto, quantidade de ações, quantidade de movimentos de câmera, fonte de luz, pontos de contato, camadas de áudio e, por fim, as invariantes. O primeiro item que estiver de fato subespecificado no seu texto é o que deve ser corrigido — e, normalmente, é o único.

Uma verificação que pega a maior parte disso antes de gerar

Leia o prompt uma vez e marque cada item. Onde um item não tiver resposta, o modelo vai fornecer uma.

• Um assunto, descrito com especificidade suficiente para ser reconhecido só pelo texto.
• Uma ação, declarada com um verbo que tem resultado visível.
• Um comportamento de câmera, com uma direção e um ritmo.
• Uma fonte de luz nomeada, com uma direção.
• Todo ponto de contato nomeado: mãos, pés, objetos apoiados em superfícies.
• Áudio dividido em fala, ambiente, efeitos e música, com quem fala nomeado.
• Uma linha de invariantes: o que não pode mudar durante o plano.
• Duração, resolução e proporção definidas na interface, não na frase.

Esse último item importa mais do que parece. Um prompt pedindo enquadramento vertical não muda a tela de saída como uma configuração vertical muda, e uma renderização em paisagem cortada para retrato vai cortar a ação que você se importava em mostrar. Onde a ferramenta expõe o controle, use o controle.

Nada disso torna o Veo 3 previsível como um storyboard é previsível. Torna as falhas legíveis, que é a parte com a qual você pode trabalhar: um clipe que erra uma coisa nomeada pode ser corrigido com uma mudança nomeada, enquanto um clipe que erra tudo geralmente significa que o prompt pediu tudo de uma vez. Se você ainda está decidindo quais planos valem a renderização, os casos de uso do Veo 3 que cabem em clipes curtos cobrem essa escolha, e o gerador de vídeo Veo 3 é onde o prompt corrigido entra.