Ao gerar vídeos com IA, objetos de cena frequentemente sofrem deformações, mudanças de material ou variações bruscas de tamanho. Para manter o mesmo item estável em diferentes planos, não basta repetir “manter consistência” no prompt; é preciso preparar imagens de referência adequadas na fase inicial. O que desenhar na referência e o nível de precisão necessário dependem do tipo específico de vídeo e das informações que o plano precisa transmitir.
1. Defina os requisitos do objeto conforme o tipo de vídeo
Antes de preparar as imagens de referência, observe se o vídeo é uma apresentação de produto ou uma narrativa ficcional. Cada categoria tem informações prioritárias que precisam ser confirmadas.
Em vídeos de produtos ou comerciais, o próprio item é o foco principal, e o público precisa identificar claramente que se trata do mesmo produto real. Para esse tipo de referência, deve-se priorizar o uso de fotos reais do produto com direitos de uso autorizados, garantindo que todas as imagens correspondam ao mesmo modelo, cor e versão. Evite misturar fotos de lotes diferentes ou com acessórios distintos, para que o modelo não monte por conta própria uma estrutura de produto inexistente. Mudanças na iluminação podem alterar o reflexo da superfície, mas não devem transformar metal escovado em plástico liso, nem modificar a estrutura real apenas para deixar a imagem mais bonita.
Por exemplo, para produzir um vídeo de uma garrafa térmica, as imagens de referência podem ser divididas conforme a tarefa de cada plano:
- Imagem principal do produto real: mostra a curva completa do corpo da garrafa, a proporção da tampa, a posição da alça e o logotipo da marca, evitando obstruções graves ou perspectivas exageradas, servindo para restringir a aparência básica em planos de exposição estática.
- Imagens de detalhes locais e estados: de acordo com as ações do roteiro, complemente com a rosca da tampa, a estrutura do botão ou a abertura interna após ser destampada. Se o plano inclui a ação de abrir a tampa para beber água, mas não há referência do estado aberto, o resultado gerado pode apresentar uma estrutura interna que não condiz com o item real.
- Imagem de escala na mão: mostra a posição da palma da mão segurando o corpo da garrafa e o tamanho do recipiente em relação ao corpo humano, evitando que a garrafa térmica vire de repente um balde ou um copinho em miniatura ao cortar para um plano com o personagem.
Já os objetos de cena em filmes ou minisséries servem principalmente aos personagens, às ações e à trama. O público não precisa necessariamente ver cada parafuso na parte de trás do objeto, mas deve reconhecer a qual personagem ele pertence, como é usado e qual o seu papel na história. No caso de uma arma pessoal, por exemplo, o foco está em ter uma silhueta marcante e garantir que o personagem a empunhe e desembainhe com fluidez; para um cartão de acesso que serve de pista ou uma relíquia antiga, o importante é que o público consiga ver claramente, em um close-up, aquele entalhe, número de série ou rachadura que faz a história avançar.
Nem todo objeto narrativo precisa ser desenhado como uma folha de turnaround em nível de engenharia. Você pode primeiro definir as características que realmente aparecerão na câmera, deixando claros o formato, o material e os pontos-chave de identificação, e depois avaliar pelo resultado gerado se é necessário adicionar mais referências. Se uma minissérie incluir inserção comercial (product placement), o produto anunciado ainda deverá ter suas referências preparadas segundo o padrão de produto real, enquanto os demais objetos de cenário na mesma cena recebem atenção proporcional à sua importância na trama.
2. Aparência geral e detalhes principais
Para objetos principais originais em filmes ou minisséries, pode-se criar primeiro uma folha de conceito contendo a aparência completa e ampliações de partes específicas. A vista geral serve para estabelecer a silhueta do item, a paleta de cores principal e as proporções estruturais; já os detalhes ampliados servem para fixar os materiais e ornamentos que aparecerão em planos próximos ou close-ups. Não é necessário alinhar mecanicamente vistas frontal, lateral e traseira; o ponto principal é que todas as ampliações sejam retiradas exatamente do mesmo item, sem deixar que o modelo desenhe outro padrão de amarração ou outro conjunto de peças ao ampliar.
A folha de conceito de arma em inglês abaixo mostra um sabre original. Na parte superior está a ilustração principal completa em ângulo de três quartos, e na parte inferior estão ampliadas quatro partes: a textura da lâmina, a empunhadura de couro, a guarda e o pomo.
Esta folha de conceito fornece quatro níveis de base visual para o vídeo subsequente:
- Textura da lâmina (BLADE TEXTURE): define a curvatura suave da lâmina, o padrão fluido do aço e uma borda decorativa estreita próxima ao dorso. Esses padrões precisam aderir à superfície metálica, evitando que se transformem em rachaduras ou faixas luminosas nas cenas em movimento.
- Empunhadura de couro (LEATHER GRIP): especifica a granulação do couro marrom-escuro, o enrolamento sobreposto em diagonal e o desgaste nas bordas. Em planos próximos da mão segurando a arma, a lógica de enrolamento da empunhadura denuncia erros com muito mais facilidade do que pequenos ornamentos vistos de longe.
- Detalhe da guarda (GUARD DETAIL): mostra a tonalidade do latão envelhecido, o formato curvo e a estrutura de junção com a lâmina e a empunhadura, garantindo que os materiais de todas as partes pertençam ao mesmo projeto.
- Detalhe do pomo (POMMEL DETAIL): fixa as características da extremidade em latão facetado e da pedra escura incrustada, funcionando bem como âncora visual em close-ups ao desembainhar ou girar o sabre.
Para esse tipo de folha de conceito, você pode usar como referência o prompt em inglês abaixo: primeiro descreva a arma completa e, em seguida, especifique as quatro áreas ampliadas e a composição da página. A descrição do fundo aqui corresponde à versão final adotada, com fundo branco-acinzentado claro:
Create an English weapon concept sheet for an original fictional saber.
Show the complete weapon once as a large three-quarter hero illustration.
Design: a gently curved blade with flowing steel grain and a narrow decorative border near the spine; a dark brown leather-wrapped grip; an aged-brass guard; and a faceted brass pommel with a dark inset stone.
Add four enlarged detail callouts taken from this exact weapon:
1. Blade texture and decorative border.
2. Leather grain, overlapping wrap and worn edges of the grip.
3. Guard shape, surface wear and its visible junction with the grip and blade.
4. Pommel shape and inset stone.
Keep the same shapes, materials and decorative details in the main illustration and every callout. Use fine graphite and sepia ink linework with restrained material shading on a near-white background with a faint neutral light-gray tint. Wide landscape composition with clear spacing.
English title: SABER CONCEPT STUDY
Callout labels: BLADE TEXTURE, LEATHER GRIP, GUARD DETAIL, POMMEL DETAIL.
No front-side-back views, no turnaround sheet, no dimensions, no characters and no action scene.
Confirmar primeiro o design do próprio objeto com uma folha de conceito isolada, antes de gerar cenas com personagens utilizando-o, torna a identificação de problemas muito mais clara. Se você tentar projetar o objeto e a ação do personagem ao mesmo tempo diretamente em uma imagem de cena com movimento complexo, assim que a mão cobrir a guarda ou a luz alterar o material, será difícil encontrar uma referência unificada para os planos seguintes.
3. Exemplo em múltiplos planos de ação real desembainhando o sabre
Com uma folha de conceito isolada bem definida, o próximo passo é testar seu desempenho em um vídeo dinâmico. A primeira versão do vídeo utiliza diretamente a folha de conceito do sabre acima como única imagem de referência de entrada, solicitando a geração de um vídeo em live-action com múltiplos planos que inclui desembainhar a lâmina, examinar o corpo da arma, observar de perto o padrão do aço e a empunhadura, e finalmente retornar ao plano do personagem segurando o sabre.
Este teste utilizou o modelo de código aberto MiniMax H3 (um modelo não-SOTA) hospedado na WaveSpeed, com saída em 768p, duração de aproximadamente 15 segundos e áudio gerado nativamente.
Prompt de vídeo utilizado neste teste
Photorealistic live-action cinema, 16:9. Use <Picture 1> ONLY as the exact physical SABER object design reference: one elegant curved single-edged blade with flowing watered-steel grain and delicate engraved spine border, dark brown leather-wrapped grip, aged brass curved knuckle-bow guard, faceted brass pommel with a dark oval inset. The image is a design sheet, NOT a frame or storyboard. Transform that object into a convincing real metal film prop. Do not reproduce the sheet, illustration style, labels, panel layout, or lettering. No text on screen.
A real adult man in his thirties, wearing a plain charcoal linen shirt, calmly examines this saber in a softly lit pale gray-white studio. Natural skin texture, realistic hands and weight, restrained cinematic lighting, beautiful tactile close-ups. Same man, same clothing, same saber throughout. A simple dark leather scabbard fits the curved blade. He is peacefully admiring craftsmanship, never attacking or swinging.
Create FOUR clearly distinct shots with clean editorial cuts, coherent physical continuity:
[0s-5s] Medium three-quarter shot, waist to head. The man holds the scabbard securely in his left hand, grasps the leather grip in his right, and slowly draws the entire curved blade completely free in one continuous physically plausible motion. Camera gently pushes in. Hands remain on grip and scabbard, not the edge. End with the saber visibly fully unsheathed.
[5s-8s] Cut to a close three-quarter view of his face and the blade. He raises the saber at a comfortable distance, quietly admires the blade, and slowly rotates his wrist a few degrees so a broad soft highlight travels over the watered-steel texture. Natural subtle expression of appreciation.
[8s-12s] Cut to a cinematic macro insert tracking from the flowing steel grain and engraved border near the base of the blade to the aged brass guard and leather wrapping. Preserve the distinctive guard and pommel design from <Picture 1>. Shallow depth of field; realistic metal, leather pores, tiny wear. Only one blade, no duplication or morphing.
[12s-15s] Cut back to a medium close-up from the opposite three-quarter angle, maintaining screen direction. He looks down at the guard and pommel, gently turns the grip to inspect the craftsmanship, then holds the saber still with a quiet appreciative half-smile. Keep blade shape, length, guard, leather and pommel consistent.
Audio: Native synchronized stereo production sound throughout. At 0-5s, clearly audible textured steel sliding out of a leather scabbard, a delicate brass click at release, soft sleeve and leather creaks. At 5-12s, subtle movement of clothing and grip, light natural breathing, quiet indoor room tone. At 12-15s a small leather creak as the grip turns; soft room ambience continues across cuts. Intimate realistic foley, no music, no dialogue, no subtitles. No exaggerated sword swooshes or combat sounds. Real human live action, not animation, not a sketch, no illustration overlays.
Fornecendo apenas uma única folha de conceito da arma isolada, este vídeo já consegue manter bem as principais características visuais do objeto e apresentar as ações de desembainhar e admirar a peça. Analisando plano a plano em sequência, podemos observar tanto o papel quanto as limitações da imagem de referência em diferentes enquadramentos:
No plano médio inicial ao desembainhar e no plano próximo seguinte de contemplação, a curvatura geral do sabre e o padrão fluido na superfície metálica foram preservados, e o vídeo também mostra o movimento da lâmina saindo gradualmente da bainha. Ao cortar para o close-up de detalhe, a textura do revestimento em couro marrom-escuro, o tom da guarda de latão e o padrão da lâmina correspondem ao mesmo conjunto de materiais da folha de conceito. Quando a câmera volta para o personagem segurando o sabre, a posição de empunhadura e o estado do objeto também mantêm a continuidade básica.
Contudo, comparando atentamente com a folha de conceito, as pequenas gravações nos planos próximos, as curvas locais da guarda e os ornamentos do pomo ainda apresentam certo grau de simplificação ou deformação. Neste resultado, a imagem de referência consegue restringir a silhueta geral, os materiais principais e a estrutura central dentro de uma faixa razoável, mas não garante que cada minúsculo detalhe de textura permaneça idêntico durante cortes dinâmicos. Ao revisar o vídeo final, em planos gerais e médios deve-se focar na silhueta, nas cores e na lógica de empunhadura, enquanto os planos de close-up exigem verificar separadamente se as características-chave de identificação foram atendidas.
4. Escala relativa entre personagem e objeto
O fato de o objeto parecer o mesmo sabre não significa que ele mantenha sempre um tamanho plausível nas mãos do personagem. Embora a primeira versão do vídeo tenha estabilizado os materiais e as características, a arma inteira parece um pouco curta demais na mão do homem, ficando mais próxima de uma adaga ou espada curta do que de um sabre longo como esperado. Ao longo de múltiplos cortes de câmera, a espessura da empunhadura e o comprimento da lâmina em relação ao tronco também são dimensões que precisam ser controladas separadamente.
Tentativas anteriores de anotar dimensões e proporções por escrito na imagem de referência não alcançaram o efeito esperado. Uma imagem do item isolado mostra claramente o design da lâmina, mas carece de uma comparação no mesmo quadro com a mão humana, o tronco ou o ambiente. Ao preparar referências, não se deve assumir que o tamanho real está garantido apenas porque números de medidas foram escritos na imagem.
Muitos criadores na comunidade já enfrentaram dificuldades semelhantes. Em uma discussão no Reddit sobre a escala entre personagens e objetos no MiniMax H3 Ref2V, o autor da postagem mencionou que, mesmo especificando a altura relativa no texto, o resultado gerado ainda apresentava desvios de proporção; nos comentários, alguns usuários sugeriram fornecer diretamente imagens de referência do personagem segurando o objeto, colagens montadas em escala ou usar blocagens simples em 3D para indicar o tamanho. Em outra postagem sobre dimensões entre personagens e cenários, algumas pessoas acharam útil escrever medidas exatas em centímetros, enquanto outras relataram que os valores numéricos foram completamente ignorados pelo modelo. Esses relatos refletem experiências pessoais de criadores, mas indicam que representar a relação de tamanho diretamente como uma imagem visual visível costuma ser mais intuitivo do que depender apenas de números.
Se, além das referências de personagem e de objeto, houver uma exigência clara quanto ao tamanho relativo entre ambos, você pode criar uma imagem adicional de storyboard ou folha de conceito com o personagem e o objeto no mesmo quadro, dedicada especificamente a ancorar a escala relativa.
Para manter a aparência do personagem do vídeo original e tentar alongar a lâmina, primeiro capturamos um quadro do personagem na primeira versão do vídeo e geramos uma folha de referência do personagem. Essa imagem preservou os traços faciais, o penteado e a camisa cinza-escura do vídeo original, além de completar a calça e os sapatos que não apareciam antes, formando um corpo inteiro completo e um plano próximo do rosto. Sobre como organizar vistas de corpo inteiro, perfil e close-up facial, consulte Como criar uma folha de turnaround de personagem: da referência básica à gestão de ativos.
Em seguida, combinamos essa referência de personagem com a folha de conceito original do sabre para gerar uma imagem de referência de escala de corpo inteiro com o personagem segurando a arma. Nesta nova imagem, alongamos deliberadamente a lâmina, mantendo a textura do aço, a empunhadura de couro marrom-escuro e o design da guarda de latão. A composição deixa claramente visíveis, ao mesmo tempo, o corpo inteiro do personagem, a relação da palma da mão segurando a empunhadura e o comprimento total do sabre, posicionando a pessoa e a arma em planos de profundidade semelhantes para evitar distorções de perspectiva causadas pela ponta da lâmina apontada diretamente para a lente.
Com essa imagem de ancoragem de escala pronta, geramos a segunda versão do vídeo. Esta versão continuou usando o modelo de código aberto MiniMax H3 hospedado na WaveSpeed (768p, cerca de 15 segundos, com áudio nativo), mantendo integralmente o prompt em inglês, os parâmetros de geração e a seed aleatória da primeira versão (fixar a seed serve principalmente para reduzir variáveis de teste; não é possível garantir consistência visual ou de escala apenas fixando a seed).
Ao inserir as imagens de referência, a folha de personagem de corpo inteiro acima serviu apenas como uma etapa intermediária e não foi enviada separadamente ao modelo de vídeo; o que realmente entrou na geração da segunda versão foram a folha de conceito original da arma isolada (como <Picture 1>) e a nova imagem de escala de corpo inteiro segurando o sabre (como <Picture 2>). No prompt, apenas acrescentamos a seguinte instrução ao texto da primeira versão:
Use <Picture 2> as the reference for the saber's size relative to the person, including the blade length and grip-to-hand proportions.
O resultado gerado foi o seguinte:
Na imagem acima, a coluna da esquerda mostra a primeira versão, e a coluna da direita mostra a segunda versão após a adição da referência de escala; a linha superior foi extraída aos 4,5 segundos de cada vídeo, e a linha inferior aos 6,5 segundos. Os quadros foram extraídos diretamente dos vídeos originais, sem redimensionamento isolado da arma. Como a postura do personagem e a orientação da lâmina diferem entre as duas versões, a comparação serve para observar diferenças visuais, e não como medição exata de dimensões.
Depois de preparar a folha de conceito do objeto e a imagem de escala com o personagem segurando o item, você pode acessar o gerador de vídeo MiniMax H3, adicionar os materiais de referência, especificar no prompt pelo que cada imagem é responsável e testar movimentos de desembainhar, empunhar ou exibir o objeto.
Comparando os dois vídeos finais, a segunda versão também cumpre as etapas de desembainhar, contemplar e mostrar detalhes em close-up, mas a lâmina aparenta ser visualmente mais longa e esguia do que na primeira versão, e a relação entre a empunhadura e a palma da mão continua servindo como ponto importante para verificação plano a plano. Vale ressaltar que, como todos os planos deste vídeo são planos médio-próximos e close-ups, sem apresentar um plano aberto de corpo inteiro segurando o sabre, não é possível provar apenas com este vídeo que a proporção exata entre o comprimento da lâmina e a estatura do personagem ficou totalmente travada. Este resultado fornece um exemplo prático de como complementar com uma referência de personagem e objeto no mesmo quadro, mas ainda são necessários testes em mais planos para avaliar sua estabilidade.
Ao revisar o desempenho de escala nesse tipo de vídeo, não compare diretamente o comprimento em pixels na tela entre um quadro de close-up e um quadro de plano médio — é um fenômeno normal de perspectiva que a lâmina pareça maior na tela quando a câmera se aproxima. Uma abordagem mais segura é selecionar um quadro de cada trecho — desembainhando, erguendo a lâmina, no close-up e no retorno ao personagem — e observar se, dentro de cada quadro, a espessura da empunhadura em relação à palma da mão, a largura da guarda em relação ao dorso da mão e o comprimento da lâmina em relação ao peito e aos ombros mantêm uma continuidade coerente.
5. Como organizar referências desmembradas para múltiplos personagens
Se um vídeo incluir vários personagens e cada um tiver sua própria arma ou objeto nas mãos, tentar colocar todas as informações em uma única imagem geralmente faz com que um aspecto prejudique o outro: em um plano geral com todos juntos é difícil enxergar a textura local de cada objeto, enquanto fornecer apenas imagens isoladas facilita a perda de controle sobre a diferença de altura entre as pessoas e o comprimento relativo das armas no vídeo.
Para cenas complexas como essa, na já mencionada discussão sobre escala no MiniMax H3 no Reddit, membros da comunidade sugeriram gerenciar as proporções combinando “folhas de personagens individuais + um gráfico comparativo de altura com todos os personagens juntos”. Seguindo essa linha de raciocínio, quando a cena envolve simultaneamente várias pessoas e vários objetos, pode-se tentar organizar o material em uma combinação de “referências desmembradas + visão geral de escala no mesmo quadro” (este método de organização para múltiplos personagens é apresentado aqui como uma extensão conceitual para referência e ainda não foi testado nos casos práticos deste artigo):
- Referências desmembradas de cada personagem e seu respectivo objeto: prepare separadamente a aparência e a imagem de empunhadura para cada personagem, ou associe claramente o personagem ao item que ele carrega. Por exemplo, se o personagem A usa um sabre longo e o personagem B segura um relógio de bolso antigo, as imagens desmembradas servem principalmente para definir os traços faciais, as roupas de cada um, bem como a textura e a forma de segurar aquele objeto específico, evitando que o modelo coloque os ornamentos de A na arma de B.
- Visão geral de escala com múltiplos personagens no mesmo quadro: prepare uma imagem adicional de corpo inteiro com todos os personagens lado a lado segurando seus respectivos objetos. Mantenha os pés dos personagens alinhados na mesma linha de base horizontal e em profundidades de campo semelhantes, sem ângulos exagerados de câmera alta ou baixa. Essa imagem não tem como objetivo mostrar entalhes minúsculos nos objetos; sua função específica é informar ao modelo quem é mais alto entre A e B, e qual é o comprimento do sabre de A em relação ao corpo de B.
Ao redigir o prompt de vídeo, indique pelo número de cada imagem qual delas responde pelos detalhes visuais de determinado personagem e objeto, e qual responde pela relação geral de estatura e escala. Preste atenção também à transferência ou ao estado de empunhadura dos objetos entre os personagens em planos adjacentes, evitando que os itens troquem de mão ou desapareçam sem motivo durante os cortes.
Ao preparar imagens de referência de objetos de cena, você pode trabalhar de trás para frente a partir do plano final para definir quais informações são necessárias: primeiro use uma imagem isolada para explicar a aparência geral, depois use ampliações locais para estabelecer detalhes essenciais e, quando houver exigências de tamanho, complemente com uma referência de escala mostrando o personagem e o objeto no mesmo quadro. Após a geração, ainda é indispensável voltar aos planos específicos para avaliar se essas relações foram preservadas e, a partir disso, decidir qual imagem adicionar ou qual movimento ajustar.
