Vídeo animação leve (Python + Pillow + FFmpeg)
Tudo é executado nesta sandbox. Não precisa de internet, API key ou instalar nada. O fluxo imita o trabalho de um estúdio de motion design, versão leve: pré-produção primeiro (a parte mais demorada), depois animação, e por fim finalização.
Você é o motion designer
Vídeos feitos por IA têm uma característica: todo texto aparece com fade + sobe lentamente com a mesma curva, espaçamento uniforme entre elementos, e depois fica parado.
Esta habilidade rejeita essa prática. Leia LIBRARY.md (na pasta desta habilidade) antes de criar o plano de cena.
- Decida primeiro como este vídeo deve parecer, depois escolha o
tom, acurvae o modo de entrada. Dois vídeos não devem se mover da mesma forma. - Determine o que é o movimento antes de como será a easing: este título aparece instantaneamente, é digitado, quica ou é jogado na tela?
- A tela = uma ilustração em movimento + legendas vivas. Padrão: SEM título grande e SEM barra de progresso; a legenda já carrega a frase, então o título apenas repete. Use
títuloapenas se houver um termo/número que precise ficar visível na tela. - A imagem segue o áudio. O que aparece na tela deve ser o objeto ou evento que ESTÁ SENDO falado. Muda a frase = muda a imagem. Teste: desligue o som; se a imagem sozinha não contar a frase, a imagem está errada. Não reutilize a mesma imagem para frases diferentes.
- Não deixe nenhum objeto parado. Cada ilustração é dividida em camadas, e cada camada entra e se move de forma independente.
- Se usar título, a maioria deve ser
corte. Movimentos especiais (pop,slam,foco,whip,zoom) apenas em pontos de virada da história. - A elasticidade é uma escolha, não um enfeite. Uma transição principal por vídeo; o resto é artesanato que não chama atenção.
- Não adicione características de IA: fade em todo texto, blur-in, bolas de luz, texto cintilante, sublinhado em títulos, pills/labels, padrões de linhas ou grades decorativas. A tela deve conter apenas o que carrega conteúdo: imagem e legenda (título/descrição apenas se necessário).
O que é necessário do usuário
- Roteiro: texto que é lido no VO (colado no chat ou enviado como arquivo).
- Arquivo VO mp3 já FINALIZADO (exemplo: criado no ElevenLabs e enviado ao chat). A API do ElevenLabs não pode ser acessada da sandbox, então o VO deve ser criado e enviado pelo próprio usuário.
- Formato:
9:16(Reels/Shorts/TikTok) ou16:9(YouTube). Se o usuário não especificar, pergunte.
Se o roteiro ou mp3 ainda não existirem, peça primeiro. Não invente o conteúdo do roteiro.
Fase 1 — Pré-produção (a mais importante)
- Concept statement. Escreva 1 frase com a mensagem principal do vídeo e escolha um
tom(personalidade do movimento) de acordo com a emoção desejada:tom emoção movimento seco(padrão)informativo, urgente, educativo entrada rápida, parada suave, pequeno bounce luxuosoelegante, premium, calmo lento, gracioso, quase sem bounce, amplo espaçamento entre elementos tecnologiahigh-tech, precisão muito rápido, justo, afiado alegrelúdico, descontraído quicando, curva ultrapassando 100% Mostre o concept statement + tom para o usuário. Um tom para o vídeo inteiro, não misture. - Áudio primeiro. O VO deve estar finalizado antes do planejamento das cenas. O tempo das cenas é calculado a partir das pausas no mp3, então o VO = a grade de tempo de todo o movimento.
- Design system. Máximo de 3–4 cores (
tema), um tipo de título, um tom. Não adicione cores por cena. - Plano de cena = animatic. Divida o roteiro em cenas: UMA frase (uma ideia) por cena, 3–7 segundos.
Frases longas que mencionam várias coisas devem ser divididas ou cada coisa recebe uma camada com
quando(passo 8). O script marca com!se uma imagem aparece por mais de 8 segundos ou se há uma cena sem imagem: corrija antes de mostrar o plano.falacontém o texto do VO exatamente como é, em ordem. Coloque a palavra/frase MAIS IMPORTANTE entre asteriscos, exemplo:"Esta camada superficial *não é descartada*, mas sim armazenada.": na legenda, essa palavra recebe um quadrado amarelo (no arquivo .srt os asteriscos desaparecem). Máximo de 1 frase (1–3 palavras) por sentença: números, termos ou palavras que invertem o significado. Se tudo estiver destacado, nada é importante. Para cada cena:imagem: ilustração EM CAMADAS que representa a cena (veja o passo 8). Toda cena deve ter uma; este é o conteúdo principal da tela.título(opcional, padrão vazio): 1–5 palavras grandes. Apenas para termos/números que precisam ficar visíveis; não é uma cópia da fala.rótulo(opcional): texto pequeno em maiúsculas acima da imagem/título, exemplo: "1/7".descrição(opcional): 1 linha de suporte.câmera(opcional):aproximar(zoom in lento),afastar(zoom out lento),foco(zoom na imagem, ou no título se houver; para com mola),parado. Deixar vazio = alternar entre aproximar/afastar.focopara frases importantes, aproximadamente 1 a cada 3 cenas.transição(opcional, como a cena ENTRA):corte(padrão),whip(panorâmica com motion blur),zoom(push-through: a câmera atravessa a imagem da cena antiga para a nova). Apenas em mudanças de seção grande, cerca de 1 por minuto.entrada(opcional, como o TÍTULO aparece):corte(aparece instantaneamente; opção para a maioria das cenas),digitar(abre letra por letra: comandos, nomes de arquivos, citações),pop(mola, padrão se vazio; para pontos importantes),slam(jogado de grande; hook/fechamento, máximo 1–2 por vídeo). Veja LIBRARY.md seção 3.sfx(opcional): adicional no início da cena:ding(certo/sucesso),error(erro/problema),thud,pop,tick,clique,sub.
- Verifique o fluxo visual (eye-tracking) antes de mostrar o plano:
- Um foco por cena: a ilustração. Legenda abaixo, sempre no mesmo lugar.
- Em cada ilustração, há UMA parte que é a mais viva (o que está sendo falado); as outras partes se movem menos.
- Whip sempre na mesma direção. Não coloque duas transições grandes consecutivas.
- Informações importantes não devem estar nas bordas ou perto da legenda.
- Execute a lista de verificação da LIBRARY.md seção 6 (quantidade de ferramentas de movimento, variação nos modos de entrada).
- Mostre o concept statement, o tom e a tabela do plano (nº, fala com palavras importantes, conteúdo da imagem + camadas e seus movimentos, câmera, transição, sfx). Aguarde aprovação.
- Escreva
plano.jsonna pasta de trabalho:Todas as chaves, exceto{ "nome": "etapas-mina", "formato": "9:16", "audio": "/mnt/user-data/uploads/vo.mp3", "tom": "seco", "curva": "kit.land", "legenda": true, "sfx": true, "textura": true, "tema": {"fundo": "#1C1C1C", "destaque": "#FF7A00", "destaque2": "#FFD400"}, "cena": [ {"fala": "Quatro, o OB é carregado no *caminhão basculante* e depois descartado no disposal.", "câmera": "aproximar", "imagem": ["a4_terreno.png", {"arquivo": "a4_carroceria.png", "quando": "caminhão basculante", "entrada": "esquerda", "vida": "flutuar"}, {"arquivo": "a4_roda1.png", "quando": "caminhão basculante", "entrada": "esquerda", "vida": "girar"}, {"arquivo": "a4_roda2.png", "quando": "caminhão basculante", "entrada": "esquerda", "vida": "girar"}, {"arquivo": "a4_carga.png", "quando": "descartado", "entrada": "cima", "vida": "flutuar"}]}, {"fala": "O número é *sete etapas*.", "imagem": ["a5_mapa.png"], "título": "7 Etapas", "entrada": "slam", "transição": "whip"} ] }formato,audioecena, são opcionais.legenda,sfx,texturapadrão true.curva= nome da curva de entrada da LIBRARY.md seção 2, substituindo a curva padrão dotom(deixe vazio se estiver em dúvida).marcador= barra de progresso + marcador em movimento:não(padrão, sem barra),ponto,caminhão. Use apenas se o usuário solicitar. - Ilustração em camadas por cena.
imagem= lista de camadas, de trás para frente. Cada camada é um PNG transparente.- Desenhe você mesmo com Pillow (ou use uma foto/screenshot do usuário como uma camada estática:
"imagem": "foto.png"). - Todas as camadas de uma cena são desenhadas em uma tela do mesmo tamanho (2000x2000, depois
resize((1000, 1000), Image.LANCZOS)), cada uma contendo apenas sua parte na posição final. O script empilha e corta as bordas vazias. - Divida os objetos de acordo com as partes que, no mundo real, se movem sozinhas: rodas, carga, tela, braço, fumaça, seta, agulha. 3–6 camadas por cena.
- Cada camada:
{"arquivo": "...", "quando": ..., "entrada": ..., "vida": ...}. Apenas o nome do arquivo = camada estática (chão, mesa). quando= palavra ou frase dafaladaquela cena. Uma nova camada chega exatamente quando essa palavra é falada, então a imagem se constrói seguindo o áudio:"...escavado pela escavadeira, carregado no caminhão basculante, e depois descartado no disposal"→ monte"quando": "escavado", caminhão"quando": "caminhão basculante", carga"quando": "descartado". Escreva exatamente como na fala (sem asteriscos). Semquando, a camada chega no início da cena. Cada objeto mencionado na frase deve ter sua própria camada comquando; apenas o fundo (chão, mesa) fica semquando.entrada(como chega)vida(movimento contínuo)adequado para corte(padrão)aparece instantaneamente parado(padrão)chão, mesa, fundo baixocimaesquerdadireitadesliza dessa direção flutuarsobe e desce lentamente: carroceria de veículo, carga, nuvem popcresce com mola balançarbalança para a esquerda e direita: capacete, placa, folha respiraraumenta e diminui suavemente: tela acesa, lâmpada, botão girargira continuamente: roda, ventilador, engrenagem (adicione marca/raios para que a rotação seja visível) deslizarvai e volta horizontalmente: nuvem, onda, seta - As camadas chegam em sequência com intervalos irregulares (a ordem da lista = ordem de chegada), e a
vidade cada camada tem fase diferente. Escolha uma direção deentradaque faça sentido (caminhão do lado, carga de cima), não todas iguais. - Desenhe o OBJETO ou EVENTO mencionado na fala daquela cena, não um ícone genérico (lâmpada, foguete, engrenagem, check).
- Formas planas e grossas com
polygon,rectangle,ellipse,pieslice; 2–3 cores dotema+ branco + cinza escuro. Sem gradiente, glow, sombra e sem texto. Mesmo estilo em todas as cenas.from PIL import Image, ImageDraw def camada(nome, desenho): # uma parte = um PNG na mesma tela img = Image.new("RGBA", (2000, 2000), (0, 0, 0, 0)); desenho(ImageDraw.Draw(img)) img.resize((1000, 1000), Image.LANCZOS).save(nome) camada("a4_terreno.png", lambda d: d.rectangle([100, 1660, 1900, 1720], fill="#3A3A3A")) camada("a4_carroceria.png", lambda d: (d.polygon([(280, 900), (1340, 900), (1240, 1380), (380, 1380)], fill="#FF7A00"), d.rectangle([1380, 960, 1800, 1380], fill="#FF7A00"))) camada("a4_roda1.png", lambda d: (d.ellipse([390, 1290, 770, 1670], fill="#111111"), d.rectangle([560, 1300, 600, 1400], fill="#FFD400"))) # marca para que a rotação seja visível - Se o script parar com "espaço insuficiente para a imagem", encurte ou remova o
título/descriçãodaquela cena.
- Desenhe você mesmo com Pillow (ou use uma foto/screenshot do usuário como uma camada estática:
- Styleframe.
python <pasta_da_habilidade>/criar_video.py plano.json --preview→ uma imagem de grade, um frame por cena (capturado perto do final da cena, quando todas as camadas já chegaram). Compare cada frame com sua frase antes de enviar. Envie para o usuário, peça aprovação antes de renderizar. Revisões nesta fase são muito mais baratas do que após a renderização.
Fase 2 — Animação (automática pelo script)
O que já é feito pelo script, não precisa ser ajustado manualmente:
- Curva de velocidade extrema: câmera Easy Ease influence ±80–85%; entrada de elementos com ease-out forte de acordo com o
tomoucurva. - Texto de suporte aparece instantaneamente (corte), sem fade.
- Inércia: zoom
focoe pop do título usam mola (começa parado, passa um pouco, estabiliza). - Ilustração viva: cada camada chega individualmente (quando a palavra é falada, ou sequencialmente no início da cena) e continua se movendo com fase diferente.
- Legenda viva: as palavras aparecem uma a uma acompanhando a fala, cada palavra entra com mola; palavras marcadas com
*...*recebem um quadrado amarelo.
Fase 3 — Finalização e áudio (automática)
- Textura (
textura): grão fino em movimento, vinheta, aberração cromática de 1 px, grade de cor (curva S + levemente quente), para remover a sensação de vetor muito limpo. Desative com"textura": falsepara uma aparência plana/limpa. - SFX em 3 camadas (sintético, livre de licenças, mixado suavemente abaixo do VO):
- sub-bass (
sub): peso quando o título/câmera pousa, - mid whoosh: ar quando a câmera ou a transição se move,
- high (
pop,clique): pequenos detalhes quando um elemento aparece.
- sub-bass (
- Renderize:
python <pasta_da_habilidade>/criar_video.py plano.json→<nome>.mp4(H.264, AAC 48 kHz, aproximadamente -14 LUFS) e<nome>.srtem/mnt/user-data/outputs/. Cerca de 3–4 minutos de renderização por 1 minuto de vídeo (pode variar na sandbox). - Forneça os arquivos mp4 e srt para o usuário, além da tabela de divisão de tempo das cenas impressa pelo script.
Limitações (seja honesto se o usuário solicitar)
Esta versão leve é apenas 2D: camadas de imagem que deslizam, giram e aumentam/diminuem (a forma em si não muda). Não há: 3D (Cinema 4D/Blender), rigging de personagens, animação frame a frame, match cut automático entre formas, depth of field, distorção de lente ou arquivos LUT. Para isso, é necessário After Effects/Remotion em um computador.
Se houver problemas
- A imagem parece "sempre a mesma" ou não se conecta com o som: a cena é muito longa ou as camadas estão sem
quando. Divida a cena por frase, redesenhe de acordo com o conteúdo da frase e atribuaquandoa cada objeto mencionado. - Legenda ou cena fora do sincronismo com o som: mova as frases entre as cenas ou divida a cena longa, e renderize novamente. O tempo é calculado a partir das pausas no mp3, não do reconhecimento de fala.
- Texto saindo da tela: encurte o
títulooudescrição. O zoomfocoé automaticamente limitado para que o título ainda caiba. - O movimento parece exagerado: mude
entradaparacorte,tomparaluxuoso,câmeraparaparado,transiçãoparacorteou"sfx": false. - O movimento parece monótono/igual: adicione UM
slamno hook e umfocono ponto mais importante, em vez de espalhar movimentos especiais.
…
[truncado para tradução]