Por que gravar a narração antes de montar o vídeo?

Porque a narração define a duração real de cada bloco. Se você monta primeiro e narra depois, precisa espremer ou esticar a fala para caber no corte, e a locução fica artificial. Narrando antes, o corte obedece ao áudio: cada plano dura exatamente o tempo da frase que ele ilustra.

Dá para usar modelos diferentes na mesma peça sem que ela pareça remendada?

Dá, com duas condições. A primeira é escrever prompts que compartilhem a mesma descrição de luz, enquadramento e paleta. A segunda é reprocessar todos os clipes para um padrão único antes de juntar. Sem isso, a diferença de base de tempo e de cor entrega a costura.

Quanto tempo leva para produzir uma peça de 60 segundos?

Na nossa medição, cerca de 40 minutos de ponta a ponta para uma peça de 58 segundos com 8 blocos e três vozes. A maior parte é geração e reprocessamento; roteiro e narração são rápidos. Não é instantâneo, e prometer que seria é o primeiro sinal de que a peça não vai sair montada.

Montar vale mais que gerar: como um vídeo de 58 segundos é construído

Gerar clipe virou commodity. Montar é o que ainda é raro: roteiro em planos, narração antes, corte pelo áudio e normalização. O passo a passo de uma peça real.

O trabalho começa depois da geração

Existe uma confusão útil para quem vende ferramenta e ruim para quem compra: tratar “gerar vídeo” e “fazer um vídeo” como a mesma coisa.

Gerar virou commodity. Há vários modelos capazes de produzir um clipe bonito de alguns segundos a partir de uma descrição. O que continua raro é o que vem depois: transformar oito clipes soltos numa peça que alguém assiste até o fim.

Este é o passo a passo de uma peça real de 58 segundos, dividida em 8 blocos, com três vozes e quatro modelos de vídeo diferentes.

1. Roteiro em planos, não em parágrafos

O roteiro de vídeo com IA não se escreve em texto corrido. Escreve-se em planos, e cada plano precisa caber na janela do modelo — algo em torno de 8 segundos.

Isso muda a redação. Uma frase que leva 14 segundos falados não é um plano: são dois. E o corte entre eles não pode cair no meio da oração, senão a peça soa entrecortada.

Na prática, o roteiro vira uma tabela: para cada bloco, o que se vê, o que se ouve e quanto dura. Se a soma não bate com o alvo, a correção é no texto, antes de gerar qualquer coisa.

2. Narração antes do vídeo

Esta é a inversão que mais muda o resultado.

O instinto é gerar as imagens e depois narrar por cima. O problema é que a narração fica refém do corte: você acelera a fala para caber, ou deixa silêncio sobrando. Nos dois casos o ouvido percebe.

Fazendo o contrário — gravando a locução primeiro — a duração de cada bloco deixa de ser um chute e passa a ser um número. O bloco 3 dura 6,4 segundos porque a frase dele dura 6,4 segundos. O vídeo é gerado para preencher esse tempo, não o contrário.

Na peça, usamos três vozes femininas diferentes para separar os papéis: quem apresenta, quem descreve o produto e quem fecha com a chamada. Trocar de voz é o jeito mais barato de marcar mudança de seção sem precisar de cartela na tela.

3. Prompt que amarra a linha visual

Quando os clipes saem de modelos diferentes, o risco é a peça parecer uma colcha de retalhos.

O que segura a unidade é a parte do prompt que não muda entre os blocos: a mesma descrição de iluminação, o mesmo tipo de lente, a mesma paleta, o mesmo tratamento de fundo. Só o conteúdo da cena varia.

É trabalho de redação, não de configuração. Um prompt bem escrito para o bloco 1 é 70% reaproveitável no bloco 7.

4. Normalizar antes de juntar

Aqui está o erro que custou caro e que vale registrar.

A primeira montagem juntou os oito clipes pelo caminho rápido, sem reprocessar. O resultado deveria ter 55 segundos e saiu com 101,7 segundos — quase o dobro, lento e fora de sincronia com a narração.

Causa: cada modelo entrega o arquivo com uma base de tempo própria. Ao concatenar sem normalizar, os carimbos de tempo de um clipe passam a ser lidos na escala do anterior, e a duração infla.

A correção foi reprocessar tudo antes de juntar, num único padrão: mesma resolução vertical, mesma taxa de quadros, mesmo formato de cor e o áudio num codec só. Mais lento de processar, e correto.

5. Corte pelo áudio

Com a narração pronta e os clipes normalizados, o corte deixa de ser estético e vira aritmética: cada plano entra e sai no ponto onde a frase dele começa e termina.

O efeito é o que faz uma peça parecer profissional sem nenhum truque: a imagem muda quando o assunto muda. Não antes, não depois.

6. Formato de destino

Uma peça para stories não é a mesma peça para YouTube. Vertical, com o essencial fora das bordas onde a interface do aplicativo cobre, e legenda embutida — porque a maior parte das visualizações acontece sem som.

Isso é decidido no roteiro, não na exportação. Texto que só existe na narração desaparece para quem assiste mudo.

O que dá para levar disso

O gargalo do vídeo com IA não está mais na geração. Está na montagem — e montagem é uma sequência de decisões chatas que ninguém automatiza por acidente: dividir o roteiro pela janela do modelo, narrar antes, escrever prompt que amarra a linha visual, normalizar antes de concatenar, cortar pelo áudio e fechar no formato certo.

Quem entrega clipe entrega matéria-prima. A peça montada é outro produto.