Como Escrever Prompts para Imagens e Vídeos com IA (Guia 2026)

Um prompt para gerar imagens ou vídeos com IA não é uma busca no Google nem uma ordem para um assistente: é a descrição do que uma câmera veria. Este guia mostra como montar essa descrição em seis blocos, quantas palavras usar —com uma medição própria de quanto o português “custa” em relação ao inglês— e o que muda quando você pede um vídeo com fala.

Anatomia de um prompt: os seis blocos

O jeito mais seguro de não esquecer nada é pensar o prompt como seis perguntas, nesta ordem: quem, fazendo o quê, onde, com que aparência, com que luz e visto de onde. Não é um modelo inventado: o guia oficial do Google para o Veo divide os prompts nesses mesmos elementos —sujeito, ação, contexto, estilo, câmera e iluminação— e acrescenta o som para vídeo.

• Sujeito. Seja concreto com o que se vê, não com o que se sabe. “Um pescador de uns sessenta anos de boné de lã” funciona; “um pescador muito experiente” não, porque experiência não aparece na foto.
• Ação. Um verbo principal. Na imagem parada a ação define a postura; no vídeo, é o que acontece durante o clipe.
• Cenário. Lugar e momento juntos: “numa baía calma ao amanhecer” resolve de uma vez o fundo e a hora.
• Estilo. O meio —fotografia documental, aquarela, render 3D, ilustração vetorial— pesa mais do que adjetivos como “lindo” ou “incrível”, que não descrevem nada.
• Luz. Direção e qualidade: contraluz, luz lateral de janela, sol a pino, hora azul.
• Câmera. Tipo de plano (geral, médio, close), ângulo (plongée, contra-plongée) e, se quiser, a lente: “lente de 85 mm”, “grande angular”.

Por que essa ordem? Porque o que você escreve primeiro é o que sobrevive. Os modelos com teto de texto, como os que usam o CLIP, cortam pelo final: se o prompt passar do limite, somem a luz e a câmera, não o sujeito.

Quantas palavras deve ter um prompt

Os modelos não leem palavras, leem tokens: pedaços de palavra tirados de um vocabulário fixo. “Lighting” é um token; “iluminação” são cinco (ilu · min · a · ç · ão). Por isso o tamanho razoável de um prompt depende de quem vai lê-lo:

• O CLIP, codificador de texto do Stable Diffusion 1.5, 2.x e SDXL, lê no máximo 77 tokens: 75 úteis mais duas marcas de início e fim. Daí vem a regra do “não passe de 75 tokens” que circula em fóruns e tutoriais.
• O T5, codificador usado pelo Flux, aceita 512 tokens na configuração padrão.
• A API de imagens da OpenAI aceita prompts de até 32.000 caracteres.

Com limites assim, o teto já não é o modelo: é a atenção. Cada adjetivo a mais disputa espaço com os importantes, e um prompt de 200 palavras costuma se contradizer em algum ponto (pede “luz suave” no começo e “sombras marcadas” no fim). Como referência, os exemplos do guia oficial do Veo têm 55 e 62 palavras. Estas são as faixas que recomendamos:

Para saber onde o seu prompt está, cole-o no contador de palavras. Se a ferramenta que você usa limita por caracteres e não por palavras, o contador de caracteres dá o número exato, com espaços.

Em português ou em inglês?

É a dúvida mais comum de quem escreve prompts em português, e a resposta honesta é que depende do modelo. Para ter um dado em vez de uma impressão, medimos 12 prompts paralelos —o mesmo conteúdo em inglês, espanhol e português— com o tokenizador oficial do CLIP, o do repositório da OpenAI, conferido antes com os identificadores que ela publica.

Em inglês cada palavra ocupa 1,19 token em média; em português, 1,97, o valor mais alto dos três idiomas. O mesmo prompt em português gasta 1,75 vez mais tokens, de modo que nos 75 úteis cabem cerca de 63 palavras em inglês e só 38 em português. Não é que o português seja muito mais longo: o corpus tinha só 6% mais palavras em português. É que o vocabulário do CLIP foi montado com texto majoritariamente em inglês e quebra o que não reconhece. O ç e as vogais com til ocupam dois bytes e quase não aparecem nesse vocabulário: em “iluminação”, o ç e o “ão” viram tokens separados.

O desequilíbrio vem dos dados. O LAION-5B, conjunto público usado para treinar muitos modelos abertos, reúne 5,85 bilhões de pares imagem-texto: 2,3 bilhões em inglês e 2,2 bilhões espalhados por mais de cem idiomas. O que fazer com essa informação:

• Com modelos baseados em grandes modelos de linguagem, como o Nano Banana (Google) ou o GPT Image (OpenAI), escreva em português. Eles foram treinados em muitos idiomas, e traduzir faz perder nuances: uma feira livre não é um “street market” qualquer.
• Com Stable Diffusion 1.5 ou SDXL, ou quando um termo não fizer efeito, passe-o para o inglês. Funciona sobretudo com o vocabulário técnico de foto e cinema (“shallow depth of field”, “dolly in”), o mais frequente nas legendas usadas no treino.
• Misturar vale: a cena em português e dois ou três termos técnicos em inglês.

Prompts de vídeo: movimento, câmera e som

Um prompt de vídeo é um prompt de imagem com tempo. Tudo o que vimos continua valendo, e entram mais três perguntas: o que se move, como a câmera se move e o que se ouve.

• Uma ação principal por clipe. Os modelos atuais geram clipes de 4 a 15 segundos. Nesse tempo cabe um gesto ou um deslocamento, não três ações encadeadas. Se precisar de mais, gere vários clipes e monte depois.
• Movimento de câmera com nome. O guia do Veo usa o vocabulário clássico do cinema: plano fixo, panorâmica, travelling, dolly (a câmera se aproxima ou se afasta fisicamente), grua, câmera na mão, plano em arco ao redor do sujeito. “A câmera avança devagar até ela” é mais preciso que “tomada dinâmica”.
• O som em frases separadas. O Google recomenda descrever o áudio em orações à parte: efeitos (“um telefone tocando”), ambiente (“trânsito ao longe e sirenes”) e diálogo.
• O diálogo depois de dois-pontos. Os exemplos oficiais dizem quem fala e, depois de “diz:”, a frase. Acrescente sotaque e tom quando importarem. O português tem duas grandes variantes, então diga qual quer: “em português do Brasil, com sotaque carioca”, “sotaque paulistano, voz grave”. O próprio guia do Google usa o recurso com “uma narração com um sotaque britânico refinado”.
• Prompt negativo sem “não”. Se o modelo aceita prompt negativo, liste o que você não quer (“parede, moldura”) em vez de escrever “não mostre paredes”.

Quanto diálogo cabe em um clipe

Aqui o contador de palavras volta a ser a ferramenta principal. Uma narração natural vai a 130–150 palavras por minuto, ou seja, entre 2,2 e 2,5 palavras por segundo. Mas um clipe não é só fala: o plano precisa de um tempo para começar e fechar. Deixando um segundo e meio de margem e calculando a 130 palavras por minuto, chegamos a estes números:

Fique na coluna confortável. Se a fala não couber, não peça uma voz mais rápida: corte a frase ou divida o diálogo em dois clipes. Para Reels e TikTok, em que cada clipe costuma ser uma cena, isso também deixa a edição mais fácil.

Texto dentro da imagem: cedilha, til e acentos

Pedir um post, uma capa ou uma thumbnail com texto é onde a qualidade de um modelo mais aparece. Três regras poupam tentativas:

1. O texto exato, entre aspas, e onde ele fica. “Título em letras grossas no topo com o texto ‘PROMOÇÃO DE INVERNO’” deixa menos margem para erro do que “um post de padaria com um slogan”.
2. Curto. Cada palavra a mais é mais uma chance de erro. Em títulos, fique em cinco ou seis palavras; o resto do texto, coloque depois em um editor.
3. Confira o que o inglês não tem. Um modelo treinado sobretudo com texto em inglês não tem por que saber que o ç não é um c com enfeite, que o til muda a palavra (pao não existe, pão sim) nem que, em português, os acentos continuam obrigatórios nas maiúsculas: “PROMOÇÃO”, nunca “PROMOCAO”. Leia letra por letra antes de publicar.

Se depois de três ou quatro tentativas o texto continuar saindo errado, mude de estratégia: gere a imagem sem texto, deixando o espaço vazio, e coloque as letras você mesmo. É mais rápido do que correr atrás do til perfeito.

Teste o mesmo prompt em vários modelos

Quando o resultado não sai como você pediu, a tentação é reescrever o prompt. Antes, vale descartar a outra possibilidade: o prompt está bom e o modelo é que não é o certo. Cada modelo tem seu jeito. Uns seguem à risca descrições longas, outros se destacam com texto dentro da imagem e outros com movimento de câmera, e o mesmo prompt de 40 palavras pode sair perfeito em um e torto em outro.

Essa verificação sai barata quando os modelos estão no mesmo lugar. Um gerador de imagens e vídeos com IA como o Anyscene reúne modelos de imagem como Nano Banana Pro, GPT Image 2.5, Seedream 5.0 e Flux 2 e de vídeo como Kling 3.0, Seedance 2.5 e Veo 3.1 com um único saldo de créditos, então rodar o mesmo texto em três modelos é questão de trocar um menu. Ao criar a conta você recebe créditos grátis para começar. Se a imagem leva texto, inclua na rodada um modelo voltado para tipografia; se é um vídeo com fala, um que gere som.

O método que funciona melhor:

1. Fixe o prompt e rode-o sem mudanças em três modelos.
2. Se os três erram do mesmo jeito, o problema é o prompt: mude um único bloco e repita.
3. Se só um erra, fique com o que acertou e não mexa no texto.
4. Guarde cada versão com a contagem de palavras. Em algumas semanas você vai ver em que faixa os seus prompts funcionam melhor.

Três modelos de prompt para copiar

Cada um segue a ordem dos seis blocos e fica dentro da sua faixa. Troque os detalhes e mantenha a estrutura.

Repare no diálogo do terceiro exemplo: três palavras em um clipe que comporta catorze. Uma fala curta deixa o gesto e o som fazerem o resto e quase sempre soa mais natural do que encher os oito segundos de texto.

Perguntas frequentes

Ferramentas e artigos relacionados

Veja também: quantas palavras são um minuto de áudio · limites de caracteres nas redes sociais · como escrever um conto.