Modelos de texto para vídeo em anúncios: estado atual da tecnologia

Escreve-se um prompt, aguarda-se, e recebe-se um clip que parece um exercício de escola de cinema: bonito, atmosférico e completamente inutilizável como anúncio de resposta direta. O modelo acertou na iluminação e falhou no briefing. Essa é a tensão central do texto para vídeo neste momento. A qualidade de saída é alta. O controlo é baixo.

No paid social, o controlo é todo o trabalho. Um anúncio de performance tem um hook no primeiro segundo, um produto que se lê com clareza, uma afirmação que o espectador consegue captar e uma chamada à ação. O que faz tropeçar os modelos de texto para vídeo é exatamente essa lista. Antes de construir um pipeline criativo sobre estas ferramentas, vale a pena saber precisamente onde aguentam e onde falham.

O que a geração atual produz de forma fiável

Os modelos cruzaram um limite real em algumas áreas específicas. São estas as que se pode mostrar a um media buyer sem hesitar.

• B-roll atmosférico curto. Planos de três a cinco segundos sem requisitos rígidos: um café a ser servido, tecido a mover-se com o vento, uma rua urbana ao anoitecer, textura abstrata próxima do produto. Quanto mais curto o clip e mais aberto o briefing, melhor o resultado.
• Movimento de câmara. Push-ins lentos, orbits e pans parecem agora intencionais em vez de defeituosos. Só isso substitui muito stock footage.
• Consistência de estilo num único clip. Uma geração mantém geralmente a sua gradação de cor e atmosfera do início ao fim. Isso facilita a montagem de uma sequência onde cada plano parece pertencer ao mesmo anúncio.
• Avatares talking-head com sincronização labial. Avatar mais voice-over é o formato mais pronto para publicidade que a tecnologia produz hoje. Um apresentador sintético a ler um script de 15 segundos, enquadrado até à cintura, é convincente o suficiente para o feed. Funciona porque as exigências são estreitas: um sujeito, um plano, sem física complexa, sem primeiro plano do produto.

Nota-se o padrão. Os outputs fiáveis são aqueles em que não se precisa que o modelo seja preciso sobre algo específico. Atmosfera, movimento e um único rosto a falar são indulgentes. Tudo o que se segue não é.

Onde ainda falha, e porquê

Não são casos extremos que se podem contornar com um prompt melhor. São limites estruturais do modo como os modelos funcionam.

Texto e logótipos

Os modelos não conseguem renderizar texto legível dentro de um fotograma gerado: em testes de benchmark sobre dez sistemas de ponta, a maioria tem dificuldade em gerar texto legível e coerente. O nome do produto sai como glifos ilegíveis, o logótipo deforma-se. Esta é a principal razão pela qual o output bruto de texto para vídeo não é um anúncio acabado; até as fichas de modelos de referência avisam que o modelo não consegue renderizar texto legível. A solução é nunca pedir ao modelo que desenhe texto. Gerar visuais limpos e depois compor as legendas reais, o logótipo real e os overlays de preço por cima numa camada separada, exatamente o que os geradores de anúncios de vídeo com IA fazem nos bastidores.

O produto real

Se vende um SKU físico ou um ecrã específico de uma app, o modelo nunca o viu e vai alucinar uma versão plausível mas errada. Um frasco de soro genérico, um dashboard fictício. Para tudo aquilo que o espectador precisa de reconhecer como o produto real, compõe-se uma fotografia de produto real ou uma gravação de ecrã real na cena gerada, em vez de pedir ao modelo que o invente.

Mãos, contagem e ações motoras finas

Dedos, um produto segurado e rodado, alguém a digitar ou a verter uma quantidade exata — tudo isso continua a ser pouco fiável. Mãos com seis dedos são mais raras do que há um ano, mas o problema das mãos está substancialmente melhorado, não resolvido. Manter os humanos gerados a fazer movimentos simples e amplos e cortar antes de qualquer interação precisa com um objeto.

Continuidade entre planos

A mesma personagem no plano um não será a mesma pessoa no plano quatro. Rostos, roupa e espaços derivam entre gerações. A consistência por imagem de referência, como a que permite manter um fotograma de referência coerente a partir de uma única imagem, faz a diferença aqui. Para um anúncio multi-cena com um apresentador recorrente, uma ferramenta de avatar que bloqueia uma identidade supera o texto para vídeo puro, que não tem memória entre clips, por isso vale a pena saber quando os anúncios com avatar funcionam e quando não.

Duração e física ao longo do tempo

A qualidade degrada-se além de alguns segundos. Os limites de duração aumentaram mas continuam curtos, com o Kling por defeito em 5 segundos e com um máximo de 10 por geração. Clips longos acumulam distorções, morphing e violações físicas: líquido que flui para cima, objetos que se atravessam. Planear em planos curtos e montá-los. Não pedir uma tomada contínua de vinte segundos.

Uma regra de decisão: o que gerar vs. o que compor

Esta é a regra que aplicamos antes de enviar qualquer coisa a um modelo. Elimina a maior parte dos modos de falha acima ao decidir antecipadamente o que o modelo pode tocar.

1. O espectador precisa de o ler? (texto, preço, afirmação, logótipo) — Compor. Nunca gerar.
2. O espectador precisa de o reconhecer como o produto real? — Compor uma fotografia real ou uma gravação de ecrã.
3. Requer mãos a manipular um objeto com precisão? — Compor, ou reenquadrar o plano para evitar isso.
4. A mesma pessoa ou lugar precisa de reaparecer entre planos? — Usar um avatar com identidade bloqueada, não geração livre.
5. É atmosfera, movimento, ambiente ou textura sem requisito exato? — Gerar livremente. Este é o território do modelo.

Passar cada plano do storyboard pelas cinco perguntas. O que chega a "gerar livremente" é a parte que o texto para vídeo faz bem. Tudo o resto recebe um asset real por cima. Este único hábito é a diferença entre um output que parece uma demo tecnológica e um que performa no leilão.

O que isto significa para a estrutura do anúncio

As plataformas recompensam a mesma estrutura independentemente de como o material foi produzido. Os visuais gerados por IA não mudam o playbook; apenas reduzem o custo de o preencher.

Uma estrutura curta fiável para TikTok, Reels e Shorts:

• 0–1s — Hook. Um movimento ou uma afirmação que para o scroll. O b-roll gerado é excelente aqui porque só é necessário um segundo impactante.
• 1–5s — Problema ou interrupção de padrão. Nomear a dor ou mostrar o contraste. Um talking-head com avatar funciona bem.
• 5–12s — Payoff. Mostrar o produto real a resolver. Este é o asset real composto, não gerado.
• 12–15s — CTA. Legenda gravada mais um próximo passo claro.

Para paid social, as legendas não são opcionais. A maioria dos feeds reproduz sem som, portanto uma grande parte dos espectadores nunca ouve o voice-over. As legendas gravadas são o guião real para a maior parte da audiência. Se o pipeline não as produz automaticamente, está a produzir metade de um anúncio.

O formato importa tanto quanto o conteúdo. Um clip 16:9 esticado para um placement 9:16 fica em letterbox e perde a zona de hook. Renderizar nativo em cada placement: 9:16 para TikTok, Reels e Shorts; 1:1 ou 4:5 para o feed do Meta; 16:9 ou 1:1 para o LinkedIn. A geração barata só compensa se também se puder reenquadrar a baixo custo, porque a alternativa é um master cut que não se adapta bem a nenhum sítio.

Por que o volume é a verdadeira alavanca, não a qualidade de um clip único

O instinto é perseguir um vídeo hero perfeito. É a perspetiva errada para paid social. A performance vem de testar muitos ângulos e deixar o leilão escolher o vencedor. Raramente se adivinha de antemão o melhor hook.

É aqui que o vídeo IA muda mesmo a economia. Produzir dez variantes de um hook implicava antes uma rodagem, um editor e uma semana. Agora o custo marginal da variante onze é próximo de zero, e é por isso que a velocidade de iteração se acumula. A restrição passa da capacidade de produção para a geração de ideias e o julgamento sobre o que testar.

O movimento do operador não é "fazer um vídeo melhor". É "fazer doze vídeos com direções fundamentalmente diferentes, publicá-los, eliminar os dez que perdem, escalar os dois que ganham e usar o que se aprendeu para escrever os doze seguintes". O texto para vídeo é suficientemente bom para alimentar esse ciclo hoje, desde que se respeite a regra gerar-vs-compor para que os vencedores sejam de facto utilizáveis.

Perguntas frequentes

Posso fazer um anúncio acabado apenas a partir de um prompt de texto?

Não um de resposta direta. A geração bruta fornece b-roll e atmosfera utilizáveis, mas não consegue renderizar texto legível, o produto real ou um apresentador consistente entre planos. Um anúncio acabado precisa de uma camada de legendas reais, um logótipo real e geralmente uma fotografia de produto real composta por cima. Um pipeline que faz a geração e o compositing juntos é o que leva a um ficheiro pronto a publicar.

Os anúncios de vídeo IA são suficientemente bons para veicular no TikTok e no Meta?

Sim, quando bem construídos. As plataformas não penalizam material sintético; recompensam hooks fortes, payoffs claros e legendas. Os anúncios IA que falham geralmente falham na estrutura ou nos problemas de texto/produto acima — não porque o algoritmo os tenha detetado, e há formas concretas de evitar que um anúncio IA se leia como gerado por IA.

Qual é a diferença entre um anúncio com avatar e b-roll gerado?

Um avatar é um apresentador sintético com identidade bloqueada que sincroniza os lábios com o voice-over, de modo que o mesmo rosto aparece em todo o clip. O b-roll gerado é ambiente e movimento sem sujeito recorrente. Os avatares são os melhores para anúncios talking-head guiados por script; o b-roll é o melhor para hooks, montagens e atmosfera. A maioria dos bons anúncios usa ambos.

Fontes

1. Google DeepMind - Veo (native audio generation and real-world physics)
2. Runway Research - Introducing Runway Gen-4: Consistent Characters from a Single Reference Image
3. arXiv - T2VTextBench: A Human Evaluation Benchmark for Textual Control in Video Generation Models
4. Stability AI - Stable Video Diffusion Model Card (limitations: cannot render legible text)
5. Atlas Cloud - Kling AI Video Length Limit: Max Duration by Plan
6. Vertu - Why AI Still Struggles With Hands and Fingers in 2025

Aitachyon é construído exatamente em torno desta divisão do trabalho. Cola-se um URL de site e ele extrai a marca, escreve três variantes de script, gera o voice-over e um avatar ou cenas geradas, depois grava as legendas reais e exporta em 9:16, 16:9 ou 1:1 para TikTok, Reels, Shorts, Meta e LinkedIn — um MP4 acabado em cerca de dois minutos, para que o ciclo de variantes acima seja algo que se pode realmente executar. Os planos começam em $29/mês com uma garantia de devolução de dinheiro de 14 dias se não se adaptar ao fluxo de trabalho.