Veo 3 Prompt: Guia Completo de Estrutura, Câmera e Áudio

Estrutura Básica do Prompt do Veo 3

Um prompt de alta qualidade para o Veo 3 é, essencialmente, um "roteiro de diretor" comprimido em texto que o modelo entende. Diferente das ferramentas iniciais de texto-para-vídeo, o Veo 3 interpreta melhor detalhes da cena, movimentos de câmera e áudio; portanto, quanto mais estruturado o prompt, mais consistente o resultado. Recomenda-se a estrutura em cinco partes:

1. Assunto: quem ou o que, incluindo aparência, roupa, detalhes de material
2. Ação: o que o assunto está fazendo; verbos devem ser específicos
3. Ambiente: hora, local, luz, clima, atmosfera
4. Câmera: enquadramento, ângulo, tipo de movimento, duração da tomada
5. Áudio: som ambiente, efeitos sonoros, falas, tom de voz

Exemplo: "Uma mulher de cabelo curto com trench coat bege (assunto), atravessa rapidamente uma rua de Tóquio ao amanhecer e olha para a câmera (ação), chão molhado reflete a luz, postes ainda acesos (ambiente), médio acompanhando, profundidade de campo rasa, lenta aproximação (câmera), passos em poças, ruído urbano distante (áudio)". Com os cinco eixos preenchidos, o espaço de "livre interpretação" do modelo é reduzido e a consistência entre o imaginado e o gerado aumenta muito.

Linguagem de Câmera: Variável Decisiva para a Textura

Muitos escrevem prompts para o Veo 3 descrevendo apenas o "conteúdo" e esquecem o "como filmar". A linguagem de câmera é a divisão de águas entre vídeo de IA com cara de cinema e imagem de câmera de segurança. Os termos abaixo respondem bem no Veo 3 e podem ser inseridos diretamente no prompt:

Dica prática: defina apenas um movimento principal de câmera por prompt. Pedir zoom, panorâmica, travelling e crane ao mesmo tempo faz o modelo trocar de ângulo freneticamente em 8 segundos, gerando caos. Para efeito multi-câmera, gere takes separados e edite depois.

Áudio e Falas: Diferencial Exclusivo do Veo 3

O Veo 3 gera áudio sincronizado nativamente — seu grande diferencial frente à maioria dos concorrentes — e, paradoxalmente, a parte do prompt mais desperdiçada. Sem descrição de áudio, o modelo "inventa" sons de fundo com resultados imprevisíveis. Recomenda-se explicitar três tipos de som:

• Som ambiente: crackling fireplace, distant traffic, birds chirping
• Efeitos sonoros: glass shattering, footsteps on gravel, whoosh
• Falas: envolva o diálogo em aspas e indique tom e sotaque

Exemplo de fala: The man looks at the camera and says in a low, gravelly voice: "We shouldn't have come here.". Três cuidados: falas curtas (a sincronia labial degrada após duas frases); descrição do tom é antes da fala; para sincronia labial em português, escreva a fala em português e adicione "speaking in Portuguese", embora inglês ainda seja o mais estável.

Regra de ouro: a descrição visual define "bonito ou feio", a descrição de áudio define "parece real ou não". Um prompt do Veo 3 sem design sonoro usa apenas metade da capacidade do modelo.

Erros Comuns e Como Corrigir

Com base em testes extensivos, quatro problemas aparecem com mais frequência:

1. Ação complexa demais: exigir que em 8 segundos o personagem "levante, vire, pegue a xícara, caminhe até a janela, olhe o horizonte" causa quadros pulados ou membros distorcidos. Correção: uma ação principal + um detalhe secundário por prompt.
2. Contradição física: ex. "neve contra-luz com rosto do personagem nítido e iluminado". O modelo escolhe aleatoriamente qual metade obedecer. Correção: verifique se luz, gravidade e orientação são coerentes entre si.
3. Acúmulo de adjetivos abstratos: "epico, impactante, qualidade de blockbuster" não são executáveis. Correção: troque por descrições filmáveis, como "slow motion, dramatic backlighting, dust particles in the air".
4. Ignorar restrições negativas: elementos indesejados devem ser explicitados, ex. "no text overlays, no camera shake, no extra limbs", reduzindo drasticamente a taxa de takes inutilizáveis.

Modelos de Prompt Reutilizáveis

Os modelos abaixo foram validados; basta substituir o conteúdo entre colchetes:

Modelo Narrativo Cinematográfico: [Enquadramento] of [Assunto+detalhes visuais], [Ação única], in [Ambiente+luz], [Movimento de câmera], [Textura filme/lente]. Audio: [Som ambiente], [Efeito sonoro]. [Fala (opcional)]

Modelo Vitrine de Produto: Slow orbit shot around [Produto] on [Material da superfície], studio lighting with soft shadows, [Detalhe de reflexo do material], background fades from dark grey to black. Audio: subtle ambient hum.

Modelo Peça-to-Câmera (Talking Head): Medium close-up, [Descrição do assunto] facing the camera in [Ambiente], speaking in [Tom]: "[Fala de até 15 palavras]". Audio: room tone, clear voice. No background music.

Fluxo de Trabalho Iterativo: Do Lixo ao Take Final

Vídeo de IA é geração probabilística; acertar de primeira é evento de baixa probabilidade. O fluxo de trabalho importa mais que um único prompt. Recomenda-se o método de cinco iterações:

1. Trave o conteúdo: gere 4 takes com prompt mínimo; confirme se assunto e cena batem; se não, ajuste a descrição e regere.
2. Adicione câmera: com conteúdo correto, insira enquadramento e movimento; descarte takes com movimento quebrado.
3. Adicione áudio por último: imagem estável → complete áudio e falas; evita que ajustes de som atrapalhem a depuração visual.
4. Feche com restrições negativas: para defeitos recorrentes (marcas d’água, gente extra, membros a mais) adicione negative prompts.
5. Gere em lote + edite: mesmo prompt → vários takes → escolha os melhores trechos → monte no editor; não busque o take único perfeito.

A lógica central é isolamento de variáveis: mude um eixo por vez para saber o que funcionou. Mudar cinco coisas junto — se der ruim, não se sabe o culpado.

Considerações Finais

Dominar prompts do Veo 3 não é decorar fórmulas, mas aprender a pensar como diretor: assunto, ação, ambiente, câmera, som — cinco eixos, nenhum dispensável. A estrutura de cinco partes resolve "o quê filmar", a linguagem de câmera resolve "como filmar", o áudio resolve "parece real", o fluxo iterativo resolve "consistência". Com esse framework, você sai da "roleta mística" para um processo de produção replicável e depurável. Hoje mesmo, pegue sua demanda de vídeo mais frequente, encaixe no modelo e rode três ciclos de iteração; o salto de qualidade será nítido.