Pontos principais
A diferença é quem escolhe o sujeito
No texto para vídeo, o modelo inventa tudo: o rosto, o ambiente, o figurino, a luz e o movimento. No imagem para vídeo, você já fixou o rosto, o ambiente, o figurino e a luz ao fornecer um quadro, e a única coisa que o modelo ainda decide é o que acontece depois. Essa é a distinção inteira, e toda consequência prática decorre dela. Se você se importa com a aparência do sujeito, você está no território de imagem para vídeo, quer tenha percebido ou não.
A maior parte do catálogo é imagem para vídeo, e não é por acaso
Entre as famílias de modelos disponíveis aqui, os endpoints de imagem para vídeo superam os de texto para vídeo numa proporção de cerca de dois para um. O setor convergiu para isso porque a parte difícil do vídeo é a consistência, não o movimento. Com um quadro inicial, o modelo tem uma âncora de identidade, iluminação e enquadramento para todos os quadros seguintes. Só com palavras, ele precisa rederivar tudo do zero, e pequenos desvios se acumulam ao longo do clipe.
Para que serve o seu prompt muda completamente entre os dois
Um prompt de texto para vídeo precisa carregar aparência, cenário, câmera e movimento ao mesmo tempo, e será lido como um todo. Um prompt de imagem para vídeo deve carregar quase só movimento e câmera: descrever o sujeito de novo é, na melhor hipótese, desperdício e, na pior, prejudicial, porque você convida o modelo a reinterpretar algo que ele já enxerga. O erro mais comum em imagem para vídeo é colar um prompt de texto para vídeo e se perguntar por que o rosto mudou.
Como saber qual modo a sua ideia exige
Pergunte se você consegue nomear a pessoa da cena. Se a resposta for “uma mulher de vestido vermelho” — uma descrição, não um indivíduo —, texto para vídeo serve e dá mais variedade por tentativa. Se a resposta for “esta pessoa, desta foto”, imagem para vídeo é o único modo que entrega isso, e nenhum detalhe de prompt fará o texto para vídeo manter uma semelhança específica. Um caminho intermediário útil é gerar uma imagem primeiro, ficar com a que você gostou e animar essa.
Versões e opções
- Decida se o sujeito é descrito ou específico. Descrito significa texto para vídeo; específico significa imagem para vídeo.
- Para imagem para vídeo, escolha a melhor imagem disponível: nítida, bem iluminada, com o sujeito bem separado do fundo. O movimento não salva um quadro de origem desfocado.
- Escreva o prompt para o modo: aparência mais movimento no texto para vídeo, só movimento e câmera no imagem para vídeo.
- Defina a duração antes de qualquer outra coisa. É o parâmetro que mais afeta o resultado e o custo.
- Gere um clipe curto como teste, não um longo. Avalie a qualidade do movimento em 5 segundos antes de pagar por mais.
- Se a identidade se desviar no imagem para vídeo, encurte o clipe em vez de reescrever o prompt: o desvio se acumula com o tempo, não com as palavras.
Evidências e orientação
Onde cada um costuma decepcionar
O texto para vídeo decepciona na repetibilidade: rode o mesmo prompt duas vezes e você obtém duas pessoas diferentes. O imagem para vídeo decepciona na ambição: ele não muda seu sujeito para outro cômodo, não altera a hora do dia nem acrescenta uma segunda pessoa que não está no quadro de origem. Pedir isso costuma gerar um clipe que ignora a instrução em vez de falhar de forma visível, e é por isso que gasta créditos em silêncio.
O terceiro modo: dois quadros em vez de um
Algumas famílias de modelos aceitam um quadro inicial e um quadro final e geram a transição entre eles. Vale saber que isso existe porque resolve um problema que nenhum dos outros dois modos trata bem: fazer o clipe chegar a um estado final específico. Com um único quadro inicial, você pede ao modelo que invente onde o movimento termina, e ele escolhe algo plausível, não algo que você escolheu. Com as duas pontas fixas, o modelo interpola em vez de improvisar, e o resultado é muito mais previsível, ao custo de você precisar produzir uma segunda imagem consistente com a primeira.
O que “movimento” significa para o modelo e como dizê-lo
Instruções de movimento falham mais vezes porque descrevem uma sensação e não um movimento. “Dinâmico”, “cinematográfico” e “animado” não são movimentos; são adjetivos que o modelo precisa traduzir em um, e ele escolhe a média de tudo que já viu. Movimentos têm direção, sujeito e ritmo: a câmera se aproxima devagar, o cabelo se levanta numa brisa leve, a cabeça vira para a esquerda e volta. Algumas famílias de modelos também oferecem um controle explícito de amplitude, que vale usar quando existe: é a diferença entre pedir menos movimento e esperar por ele.
O custo é uma decisão independente do modo
Uma coisa que não muda entre os dois modos é o que determina a conta: primeiro a duração, depois a resolução. É tentador supor que imagem para vídeo é mais barato porque você forneceu metade da informação, mas não é assim que o preço funciona: o modelo renderiza cada quadro de qualquer forma. Escolher um modo é uma decisão criativa; escolher uma duração é uma decisão de orçamento. Tomá-las separadamente, nessa ordem, é o hábito que mantém a iteração acessível.
