clementsprs/ai-video-director

Diretor de vídeo IA

Este skill transforma uma ideia em um vídeo finalizado cujas cenas parecem ter sido gravadas com uma câmera real, com pessoas que se movem como pessoas. É o método destilado de algumas dezenas de filmes e anúncios produzidos (social pago, hosts UGC, filmes narrativos, filmes de produto, loops de site) e das correções que surgiram da revisão de cada corte.

A crença central: o vídeo de IA falha nas bordas que uma equipe real lida por reflexo. Continuidade, eixos de olhar, objetos que ficam no lugar, um rosto que permanece o mesmo, uma voz que soa como a de uma sala. Os modelos são bons em pixels. Você precisa ser o diretor, o supervisor de continuidade e o editor.

Referências (carregar sob demanda)

Arquivo	Carregar quando
references/storyboard.md	Planejar qualquer filme: gramática de planos, tabela de storyboard, folhas de batida
references/prompting.md	Escrever qualquer prompt de still ou vídeo (vocabulário de realismo, batidas temporizadas, gatilhos de estilo, fixadores de física, eixos de olhar, encadeamento)
references/prompt-library.md	Você quer um prompt comprovado para adaptar, por tipo de plano
references/models-and-costs.md	Escolher um modelo, estimar créditos, pegadinhas de provedores
references/dialogue-and-voice.md	Alguém fala na tela, VO, falas em outros idiomas, sincronia labial
references/review-qa.md	Revisar takes antes da edição e QA do master
references/post-production.md	Edição, composição de UI e texto, legendas, níveis, codificações, plataformas, loops
references/compliance.md	Qualquer pessoa gerada, depoimento, logotipo, empresa real ou dados reais

Scripts auxiliares em scripts/ (bash + ffmpeg, sem outras dependências): folhas de contato, extração do último quadro para encadeamento, masterização para redes sociais, exportação de loop contínuo.

As dez regras

1. Planeje no papel, pague na tela. Nada vai para um modelo de vídeo antes de existir um storyboard take a take com um still por configuração de câmera e a pessoa que é dona do vídeo o ter aprovado. Stills custam centavos, takes de vídeo custam dólares. Um still ruim pego no storyboard economiza cem créditos; um take ruim pego na edição os desperdiça.
2. Nunca pague duas vezes. Antes de qualquer geração, procure o que já existe: tarefas recentes no provedor, clipes no disco, IDs de tarefas no documento do projeto. Cite o total de créditos do plano antes da primeira chamada. Se a correção puder ser feita na edição, ela é feita na edição. Nunca execute duas sessões nos mesmos takes.
3. Baixa resolução por padrão, alta resolução com propósito. Gere em 480p (ou no nível mais baixo não-rascunho do provedor) para b-roll, tiles, PiP e qualquer coisa abaixo de tela cheia. Use 720p/1080p para rostos em tela cheia, filmes narrativos com diálogo e heróis de site, após um take de teste. Modos rascunho/turbo/pré-visualização parecem visivelmente IA: compare prompts com eles, nunca os entregue.
4. Documentário espontâneo, nunca stock. A maior alavanca de realismo. 35mm portátil, luz mista natural, pessoas que não são modelos, cenários ligeiramente bagunçados, ninguém posando, ninguém olhando para a lente a menos que seja um host se dirigindo ao espectador. Proíba os sinais de stock: headsets em agentes de call center sorrindo, ternos em escritórios de vidro, dentes perfeitos, lofts de neon "SONHE GRANDE", enquadramento simétrico de herói.
5. Takes longos vencem muitos clipes. Um take contínuo de 8 a 15 segundos por batida narrativa soa como uma história; quinze clipes de 3 segundos soam como uma montagem de stock. Encadeie takes de modo que o último quadro do take N seja o primeiro quadro do take N+1. Corte onde um editor real cortaria.
6. Mesmo rosto, mesma roupa, mesmo mundo. Um still inicial travado por personagem, reutilizado ou editado para cada take daquela pessoa. Verifique rosto, cabelo, roupa, adereços e cenário entre cada par de takes. Qualquer desvio é um regravação ou um corte, nunca "ninguém vai notar".
7. A física é dirigida, não esperada. Objetos ficam parados a menos que o prompt os faça se mover, e então diga exatamente como. Conte as pessoas e as mãos. Evite movimentos de câmera ambiciosos (órbitas, ponto de vista que se transforma em terceira pessoa, travelling longo por portas): eles produzem fantasmas, pessoas duplicadas e mudanças de roupa.
8. Cada eixo de olhar tem um alvo no quadro. Um orador cujo ouvinte está fora do quadro vira-se para a lente dentro de um segundo. Filme diálogos como planos de dois ou com o ombro do ouvinte no primeiro plano, e fixe a direção da cabeça durante todo o take. Eixos de olhar não podem ser corrigidos posteriormente.
9. Texto, UI e logotipos são compostados, nunca gerados. Telas em uma cena são viradas ou não carregam conteúdo legível; a UI real, legendas, títulos e logotipos são adicionados na edição, rastreados na superfície quando estão sobre ela. A única marca em cena que sobrevive à geração é uma marca d'água grande e simples passada como referência de imagem, em uma parede, caneca ou adesivo.
10. Voz nativa para oradores na tela, voz com som real para todos os outros. Um personagem cuja boca se move mantém a voz que o modelo de vídeo lhe deu; dublar uma boca visível com TTS soa errado imediatamente. TTS é para narradores que nunca aparecem e para idiomas que o modelo pronuncia mal (então sincronize os lábios adequadamente, veja dialogue-and-voice.md). As vozes devem soar como a sala em que estão, não um estúdio de gravação.

Fluxo de trabalho

0. Descubra a caixa de ferramentas (2 minutos, todo projeto)

• Qual provedor de geração está conectado (um servidor MCP como Runway, ou uma chave de API para fal / Replicate / um fornecedor de modelo)? Chame sua conta ou endpoint whoami: modelos disponíveis, depreciações, saldo de créditos.
• Qual ferramenta de edição está disponível: Remotion (Node) para qualquer coisa com UI, legendas ou motion design; apenas ffmpeg para cortes diretos. Verifique ffmpeg -version e se ele tem libass (legendas) ou não.
• Qual ferramenta de voz: o áudio nativo do modelo de vídeo, ElevenLabs ou outro TTS, um modelo de sincronia labial.
• Escreva o que encontrou no topo do documento do projeto. Nunca assuma um modelo de memória.

1. Briefing

Escreva brief.md na pasta do projeto antes de gastar qualquer coisa:

• Objetivo e veiculação: anúncio (qual rede), orgânico social, site, ativo de vendas. Público.
• Formato: proporção(ões), duração(ões), idioma(s), som ligado ou silencioso primeiro.
• Folha de batidas: uma linha por batida com sua duração. Gancho nos primeiros 2 segundos. Para anúncios, a marca vista e ouvida até ~3 segundos.
• Quem fala e como: um host se dirigindo ao espectador, personagens em uma cena, um narrador, ninguém. Isso direciona a escolha do modelo e a conformidade.
• Verificação de conformidade de references/compliance.md.

2. Storyboard (o portão)

Siga references/storyboard.md. Uma linha por tela: timecode, propósito, tamanho do plano, ângulo, lente, movimento de câmera, ação segundo a segundo, eixo de olhar, som, elementos compostados, transição, fonte, custo de crédito e um still real mostrando o enquadramento. A variedade de planos é o ponto: uma abertura em plano aberto, depois um close-up, depois um insert. Entregue o storyboard visualmente (página HTML, PDF ou grade de imagens) e aguarde aprovação. Sem exceções para filmes "pequenos".

Orçamento de imagem: um still por configuração de câmera, sem variantes no storyboard. Cards, inserts de UI e cartões finais são renderizados como maquetes HTML, não gerados.

3. Escolha modelos por take

Siga references/models-and-costs.md: mapeie as necessidades de cada take (áudio nativo, diálogo com sincronia labial, identidade entre takes, quadro inicial/final, duração, resolução) para capacidades, prefira o modelo mais novo que o provedor recomenda para aquela necessidade, depois o mais barato por segundo na resolução alvo. Qualquer modelo que você não usou recebe um take de teste barato antes do plano depender dele. Coloque modelo, resolução, segundos e créditos por take no briefing, e o total.

4. Trave os stills

• Gere o still principal de cada personagem primeiro com o vocabulário de realismo de references/prompting.md. Em seguida, construa todas as outras configurações editando aquele still (novo ângulo, novo cenário, novo enquadramento) com o rosto passado como referência, para que a identidade seja herdada, não sorteada novamente.
• Combine o tamanho do still com o vídeo alvo: um still de 720px animado e upscaled nunca se torna nítido. Para qualquer coisa em tela cheia, o still tem pelo menos 1440px de largura.
• Inspecione cada still: bordas falsas de filme ou texto de claquete, bordas de dispositivo ao redor de quadros de "webcam", logotipos de marcas estranhas em copos e laptops, dedos extras, uma pessoa no fundo que não deveria estar lá, eixo de olhar errado. Corrija editando o still. Corrigir custa alguns centavos; animar um still ruim custa um take.

5. Anime

• Padrão: imagem-para-vídeo a partir do still travado. Texto-para-vídeo apenas para b-roll genérico sem identidade a manter.
• Escreva o prompt com o esqueleto e as batidas temporizadas de references/prompting.md. Cubra cada segundo. Fixe cada objeto. Dê a cada eixo de olhar um alvo.
• B-roll silencioso para a edição: áudio desligado. Takes de fala ou narrativos: áudio nativo ligado, som descrito no prompt. O áudio recomeça do silêncio em cada take, portanto qualquer acúmulo deve viver dentro de um único take.
• Loops contínuos: quadro inicial = quadro final = o mesmo still, "retorna exatamente à pose inicial", câmera fixa.
• Gerações são assíncronas. Poll a cada 60 a 120 segundos. Filas podem levar horas; nunca reenvie uma tarefa lenta (você paga duas vezes).

6. Revise cada take

Siga references/review-qa.md: folha de contato a 1 fps, escrutínio de rosto a 4 fps em takes com fala, ouça cada linha, transcreva-a. Rejeite por desvio de identidade, pessoas ou dedos extras, objetos se movendo, mudanças de cenário, olhares para a lente, marcas distorcidas, palavras mal pronunciadas, mudanças de voz entre takes do mesmo personagem. Registre veredito + ID da tarefa para cada take para que ninguém regenere um take que já foi julgado.

7. Edite, sonorize, masterize

Siga references/post-production.md. Remotion quando há UI, legendas ou motion design; ffmpeg para um corte simples. Compose todo o texto e UI. Legendas queimadas para plataformas silenciosas primeiro. Masterize cada entregável (tags de cor, loudness, faststart). Renders brutos mudam de cor em plataformas sociais e soam baixos em um feed.

8. Entregue e registre

• Revise o corte primeiro (1080p ou inferior, um link que o dono possa assistir em um telefone). Masters finais apenas após aprovação.
• Cole cada caminho de saída. Registre no documento do projeto: IDs de tarefa usados, créditos gastos, versões, cada correção que o revisor fez.
• Cada correção se torna uma regra: adicione-a a este skill (ou às notas de gosto do seu fork) no mesmo dia, para que o próximo filme não a repita.

Formatos e suas receitas

Formato	Proporção	Escolhas chave
Anúncio UGC / host de rua, 9:16, 15-25s	1-2 takes de diálogo nativo de um host falando para a câmera, cortados com ffmpeg, legendas queimadas	Host se dirige ao espectador, nunca um depoimento falso de cliente. ≤3 palavras/s. Ambiente de rua como base
Filme narrativo, 30-60s	4-6 takes encadeados de 8-15s, planos de dois para diálogo, no máximo um corte intencional para preto	720/1080p, áudio nativo, storyboard aprovado, bloco de continuidade textual em cada take
Anúncio de recurso / produto, 15s	Pessoa em tela cheia no gancho e fechamento, UI do produto compostada no meio, zooms de aproximação, legendas com palavras estouradas	480p tiles de pessoas (upscale para YouTube), UI reconstruída do produto real
Filme de produto narrado	Sem pessoas geradas ou alguns tiles de b-roll; UI real animada; narrador TTS	Fala de VO ≤2/3 do seu slot de batida, música de fundo a -18 dB relativo
Clipe de podcast / conversa	Dois oradores, multi-plano dentro de uma geração ou planos de dois	Nomeie a estética do podcast, panorâmicas rápidas, zoom em punchlines
Loop de herói de site, 5-8s	Um take fixo, início = quadro final	Still ≥1440px, take 720p, WebM + MP4 abaixo de ~400 KB, poster = quadro 0
Retargeting / filme de cliente	Logotipo real do cliente pintado à mão em uma parede via referência de imagem, cenas espontâneas de equipe	Aprovação por escrito do cliente antes do lançamento

O que "parece real" se resume a (lista de verificação rápida)

• Câmera tem um corpo: balanço portátil, uma lente (24/35/50/85mm), um sensor (filme 35mm, telefone, webcam)
• Luz tem uma fonte: janela, luminária prática, rua nublada, sol através de folhas
• Pele tem textura: poros, tom irregular, fios soltos, visual sem maquiagem
• Guarda-roupa é comum e específico: "moletom marinho sob uma jaqueta de lona bege aberta"
• Cenário é vivido: copos, cabos, post-its, uma planta, pessoas passando fora de foco
• A ação é contínua e motivada, com uma pose de início e uma de fim
• Eixo de olhar vai para algum lugar na cena
• Objetos se comportam: parados a menos que instruídos, nunca rastejando, deslizando ou se transformando
• Som tem um ambiente: tom da sala, trânsito, murmúrio, caráter do microfone
• Nada legível foi gerado: telas viradas, texto adicionado na edição