Veo 3: como escrever prompts de vídeo com IA (e o áudio nativo que muda tudo)

Durante anos, gerar vídeo com IA foi um truque de feira: clips de quatro segundos, mudos, com mãos que se derretiam e caras que mudavam a meio do plano. Mostravas numa story, agradava, e depois não servia para nada de sério. O salto que mudou a conversa não foi só a imagem ter melhorado. Foi que o vídeo começou a soar sozinho.

Isso é o Veo 3. E por isso, se fazes conteúdo, convém que percebas como funciona e, sobretudo, como se lhe fala.

O que é o Veo 3 e o que o distingue

O Veo 3 é a família de modelos de geração de vídeo da Google DeepMind. Dás-lhe um texto (ou uma imagem de partida) e devolve-te um clip. Até aí, como os restantes. A diferença que o separou do pelotão é uma só palavra: áudio.

A maioria dos modelos de vídeo gera imagem muda. Depois, noutro programa, colas à mão a música, os efeitos e as vozes. O Veo 3 gera o áudio de forma nativa e sincronizada dentro do mesmo plano: diálogos com a boca certinha, passos que soam quando o pé toca o chão, ambiente de café ao fundo, o ranger de uma porta mesmo quando se abre. Não é uma faixa que acrescentas depois; nasce colada ao vídeo.

Isto soa a detalhe técnico, mas para um criador muda tudo. Significa que um único prompt te pode dar uma cena pronta a publicar: imagem, voz e som ao mesmo tempo. O gargalo da montagem reduz-se de repente.

As specs de hoje, sem inventar nada:

• Duração: clips de 4, 6 ou 8 segundos. Para algo mais longo, encadeias gerações (e o custo sobe na proporção).
• Resolução: 720p, 1080p e 4K (o 4K, via API Gemini e Vertex AI, com sobrecusto).
• Formato: 16:9 e 9:16 (horizontal e vertical), exatamente o que precisas para o YouTube ou para reels e TikTok.
• Variantes: Veo 3.1 (qualidade), Veo 3.1 Fast (mais rápida e barata) e Veo 3.1 Lite (a mais leve). Todas com áudio nativo.

Como se acede e quanto custa

O Veo 3 não vive numa só porta. Tens várias entradas conforme o que queres:

• App Gemini — a via mais direta para o experimentar a partir do telemóvel ou do navegador.
• Google Flow — a ferramenta de «cinema com IA» da Google, pensada para encadear planos e montar cenas. É onde o Veo brilha para quem produz a sério.
• API Gemini — para programadores que queiram integrá-lo no seu próprio produto ou fluxo.
• Vertex AI — a versão empresa, com os seus três tiers (3.1, Fast e Lite) e opções de upscaling.

Sobre o preço, sem marketing e com os números que a Google indica:

• Google AI Pro — cerca de 20 $/mês. Inclui uma dotação de créditos de Flow (da ordem dos 1.000 por mês) que dá para umas poucas dezenas de clips, conforme uses Lite, Fast ou qualidade. Por defeito puxa pelo Veo 3.1 Lite e resolve a 720p. É o plano para o experimentar a sério sem te arruinares.
• Google AI Ultra — cerca de 250 $/mês. O salto forte: da ordem dos 25.000 créditos e acesso completo ao Veo 3 em qualidade e Fast, com 1080p por defeito. É o plano de quem produz vídeo diariamente.
• Pela API (Gemini / Vertex) — pagamento por segundo de vídeo gerado, desde cêntimos por segundo em Lite até tarifas mais altas em qualidade e 4K. Ideal se o integrares num produto e quiseres pagar exatamente o que geras.

Como escrever um bom prompt de vídeo

Aqui está o verdadeiro ofício. Um prompt de vídeo não é um prompt de imagem com mais palavras: tens de dirigir movimento, câmara e som ao mesmo tempo. A boa notícia é que há uma estrutura que funciona, e é a que a própria documentação do Veo recomenda.

Pensa em cinco camadas, por esta ordem:

1. Sujeito — quem ou o quê protagoniza. Não «um homem», mas «um homem mais velho de barba branca e casaco de lã gasto». Quanto mais concreto, menos ambiguidade.
2. Ação — o que faz, numa frase com princípio e fim. «Caminha devagar em direção à câmara e para.»
3. Contexto — o ambiente: lugar, hora do dia, luz, clima, objetos, movimento de fundo.
4. Câmara — o plano e o seu movimento: «plano médio», «vista aérea», «travelling lateral», «à altura dos olhos».
5. Áudio — o que se ouve. O diálogo vai entre aspas (é o que ativa a voz sincronizada), e descreves à parte os efeitos e o ambiente.

Três regras que fazem a diferença:

• A ordem importa. O Veo interpreta a estrutura de forma literal: o que mencionas primeiro recebe mais peso. Põe à frente o que deve mesmo protagonizar.
• O comprimento certo. Aponta para 3 a 6 frases ou 100 a 150 palavras. Nem uma linha seca nem um parágrafo infinito: o segundo confunde o modelo.
• O áudio pede-se, não se assume. Se não nomeias o som, o Veo improvisa. Diz explicitamente o que queres ouvir e quando.

Galeria de prompts copy-paste

Cinco prompts prontos a colar. Repara em como cada um respeita as camadas e, sobretudo, em como se pede o áudio.

Plano médio, uma mulher jovem de cabelo encaracolado e casaco de ganga, sentada num café luminoso de manhã, falando diretamente para a câmara com energia. Luz natural suave de janela, fundo desfocado com pessoas a mover-se. Câmara fixa à altura dos olhos. Ela diz: "Isto é o que ninguém te conta sobre começar um negócio". Ambiente: murmúrio de café, chávena a pousar no pires.

Plano detalhe macro, uns ténis brancos minimalistas a girar lentamente sobre uma superfície de betão polido. Iluminação de estúdio limpa com um reflexo suave, fundo cinzento neutro. Câmara a orbitar devagar à volta do produto. Estilo publicitário premium, alta nitidez. Áudio: um subtil zumbido grave de fundo e um ligeiro efeito de ar ao girar.

Plano geral, um detetive de gabardina atravessa uma rua molhada de néon numa cidade noturna, retro anos 80. Chuva fina, poças que refletem letreiros vermelhos e azuis. Travelling lateral lento que o acompanha. Estética de cinema negro, grão de película, cores saturadas. Áudio: chuva constante, passos sobre o asfalto molhado, o rumor distante do trânsito.

Vista aérea vertical, uma costa rochosa onde as ondas rebentam contra falésias ao amanhecer. Nevoeiro baixo sobre a água, luz dourada rasante. Drone a avançar lentamente em direção ao horizonte. Estilo documental natural, cores quentes e realistas. Áudio: ondas a rebentar com força, gaivotas distantes, vento suave sobre o microfone.

Formato vertical 9:16, plano médio curto, um chef jovem de avental a levantar de repente o olhar para a câmara numa cozinha industrial. Luz quente de focos, vapor a subir ao fundo. Zoom rápido de aproximação. Estilo dinâmico de conteúdo para redes. Ele diz, surpreendido: "Estavas a gravar?". Áudio: chiar de frigideira, ruído de cozinha ao fundo.

Os limites, sem maquilhagem

O Veo 3 é o melhor que há na sua parcela, mas não é magia infinita.

• 8 segundos de teto por geração. Para uma peça longa, encadeias clips, e isso multiplica o custo e a dificuldade de manter a coerência entre planos.
• Os créditos voam. No plano Pro, a qualidade máxima come os créditos depressa. Iterar em qualidade alta sai caro; por isso convém afinar em Fast.
• O áudio nem sempre acerta o diálogo. A sincronia labial é ótima, mas em frases longas ou vários personagens ao mesmo tempo ainda patina. Frases curtas funcionam melhor.
• Controlo fino limitado. Não esperes dirigir cada fotograma como num editor. Diriges intenção, não milímetros.
• 4K só pelas vias de pagamento sérias (API Gemini e Vertex AI), com sobrecusto.

Comparação rápida: Veo 3, Kling e Higgsfield

O resumo honesto: se o áudio importa no teu workflow, o Veo 3 é a escolha óbvia. O Kling brilha em duração e controlo de personagem; o Higgsfield é o canivete suíço para não te casares com um só modelo. Não são a mesma coisa que o Veo, são peças diferentes do mesmo tabuleiro.

Para quem é o Veo 3?

Interessa-te se és criador de conteúdo que quer clips prontos a publicar com voz e som num só passo, se fazes b-roll ou anúncios onde o realismo e o áudio integrado poupam horas de montagem, ou se já vives no ecossistema da Google (Gemini, Flow) e queres tudo num só sítio. Também se estás disposto a aprender a dirigir por camadas: quem escreve melhores prompts tira vídeos incomparavelmente melhores com a mesma ferramenta.

Interessa-te menos se precisas de peças longas de uma só geração, se a tua prioridade absoluta é o custo por clip acima da qualidade, ou se queres controlo fotograma a fotograma como num editor profissional. Aí, o Veo vai ficar-te curto ou caro.

A pergunta de fundo não é «será o Veo 3 o melhor modelo de vídeo?», porque em realismo e áudio é-o à data de hoje. A pergunta é «sei escrever o prompt que o desbloqueia?». A ferramenta já está à altura; o gargalo agora és tu a dirigir. E isso, ao contrário de pagar 250 $ por mês, treina-se de graça.