Guia de uso
Prompts de vídeo a partir de imagens de referência do Gemini Omni Flash: receitas prontas para copiar e colar para desenvolvedores
Ordenação de múltiplas referências, consistência do sujeito, redação de movimento de câmera, faixas de duração e resolução, e listas negativas — com requisições executáveis
Nesta página
O que o vídeo a partir de imagens de referência realmente muda no design de prompts
Vídeo a partir de texto exige que o modelo crie tudo do zero: sujeito, vestuário, ambiente, iluminação, movimento. O vídeo a partir de imagens de referência inverte esse contrato. O que você entrega ao modelo são imagens que já responderam à maior parte do "o quê", e o escopo do prompt se estreita para o "como" — como o sujeito se move, como a câmera se comporta, quanto tempo o plano dura e o que nunca deve aparecer.
A consequência prática é que os hábitos de prompt de vídeo a partir de texto aqui se voltam contra você. Parágrafos descritivos longos que repetem a aparência do sujeito competem com as imagens de referência, incentivando o modelo a tirar uma média delas em algum resultado genérico medíocre. Adjetivos empilhados para ênfase — "cinematográfico, épico, dramático, arrebatador" — carregam quase nenhum sinal em comparação com uma instrução concreta. E qualquer prompt que descreva em texto o rosto de uma pessoa ou a geometria precisa de um produto introduz deriva, porque texto e pixels se contradizem.
O modelo mental a manter
Trate cada imagem de referência como uma restrição e o seu prompt como uma agenda. As restrições dizem quem e o quê. A agenda diz quando, onde e como se move. Se você se pegar escrevendo frases que redescrevem o que a imagem já mostra, apague-as. Se você se pegar sem nenhuma frase sobre câmera e movimento, isso indica que você está subespecificando a parte que realmente precisa de texto.
Antes de chamar a API, um teste útil: cubra as imagens de referência e leia o seu prompt. Ele ainda faz sentido como uma requisição sobre essas entradas específicas? Se lê como um prompt autônomo de vídeo a partir de texto, você escreveu demais e anotou de menos.
Este guia percorre, em ordem, a ordenação das imagens, a consistência do sujeito, a redação do movimento de câmera, a escolha de níveis e as listas negativas, e termina com requisições executáveis para gemini-omni-flash/reference-to-video na API hiapi.

Organizando várias imagens de referência
Quando você envia mais de uma imagem de referência, a ordem e a rotulagem importam mais que o comprimento do prompt. O modelo precisa saber qual imagem domina qual aspecto da saída, e a forma mais econômica de transmitir isso é atribuir a cada slot um único papel.
Um papel por slot
O padrão confiável é: o sujeito primeiro, depois tudo o que o modifica (vestuário, variantes do produto), depois o ambiente e, por fim, o estilo. Cada imagem deve carregar exatamente uma tarefa. Se uma imagem for esperada para carregar tanto o rosto da personagem quanto o quarto onde ela está, quando os dois entrarem em conflito o modelo só poderá adivinhar qual vence.
Declare os papéis explicitamente no prompt e na ordem em que as imagens são enviadas:
Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Image 3: the room the character stands in.
Image 4: the color and lighting style to apply overall.
Numerar as imagens no prompt e manter essa numeração consistente com a ordem do payload da requisição é o hábito de maior retorno em prompts com múltiplas referências. Quando você reordena o payload, reordene o texto do prompt na mesma edição.
Declare a precedência quando os papéis entrarem em conflito
Conflitos acontecem. Duas imagens podem conter fundo; uma imagem de ambiente pode conter pessoas. Quando isso ocorre, declare a ordem de precedência em uma linha, em vez de esperar que o modelo deduza:
Use the face from Image 1. Ignore any people in Image 3; Image 3 is the room only.
Menos referências, mais limpas, vencem mais referências
Cada imagem de referência adicional é mais uma restrição que o modelo precisa satisfazer ao mesmo tempo. Se uma quarta imagem acrescenta apenas estilo, e o estilo pode ser expresso em uma frase, prefira a frase. Quatro imagens bem rotuladas com papéis distintos geralmente vencem oito imagens sobrepostas, e tornam as falhas mais fáceis de diagnosticar.

Mantendo a consistência do sujeito entre planos
A consistência entre vários clipes vem de reutilizar o mesmo conjunto de imagens de referência e manter a mesma rotulagem de papéis, alterando apenas a parte do prompt que descreve o plano. No momento em que você troca as referências, todo prompt a jusante precisa ser recalibrado; mantendo as referências fixas, cada novo plano é um experimento pequeno e independente.
O bloco de identidade estável
Escreva um bloco de cabeçalho curto que é copiado literalmente em cada prompt de um dado sujeito, e então anexe instruções específicas do plano abaixo dele:
Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Esse bloco nunca muda. Tudo o que vem depois — movimento de câmera, ação, duração — é variável. Essa estrutura também permite ver de relance se um problema de deriva vem das referências ou da redação, porque a redação foi mantida fixa.
Descreva mudanças, não aparência
Quando o plano exige que o sujeito faça algo, descreva a ação e a mudança resultante, não as características do sujeito:
The character turns from facing the window to facing the camera; the jacket stays the same.
Frases como "stays the same" ou "unchanged" são âncoras baratas e eficazes. Depois do primeiro plano, evite redescrever rosto ou silhueta do produto em texto; as referências já carregam essa informação, e texto adicional só acrescenta ruído.
Cuidado com a falha de média
Se o sujeito sai um tanto medíocre — traços suavizados, cores misturadas — a causa habitual é referências sobrepostas demais disputando o mesmo papel, ou um prompt que descreve a aparência em detalhe por cima das imagens. A solução é remover referências e apagar frases de descrição de aparência, não adicionar mais adjetivos.
Redação de movimento de câmera que o modelo obedece
O movimento de câmera é onde os prompts mais falham, e o modo de falha é quase sempre o mesmo: nomear vários movimentos em um plano, o que leva o modelo a escolher um, misturá-los ou produzir uma deriva lenta que não satisfaz nenhum.
Um movimento explícito por plano
Escreva um único comportamento de câmera por prompt. Nomeie o movimento primeiro, depois o seu alvo:
Camera: slow push in toward the character.
Camera: static, locked off. The character moves; the camera does not.
Camera: orbit clockwise around the product, roughly a quarter turn.
Camera: pan left, following the character as they walk.
Uma câmera estática merece ser declarada tanto quanto uma em movimento. Se você omitir a linguagem de câmera, o modelo pode adicionar deriva não solicitada; "static, locked off" é uma restrição, não desperdício de texto.
A consequência de empilhar
"Slow push in while orbiting and slightly zooming" lê como três restrições que se cancelam parcialmente. Escolha o movimento que carrega o significado do plano. Se você precisa de um segundo movimento, coloque-o em um segundo clipe e junte-os na edição — isso é mais econômico do que pedir que uma única geração faça duas coisas.
O ritmo acompanha o movimento
Adicionar um qualificador de velocidade é útil — "slow", "steady", "fast" — porque informa ao modelo o quanto avançar ao longo da duração do plano. Mais de um adjetivo de velocidade ou humor em torno do mesmo movimento não acrescenta informação alguma. Mantenha a linguagem de movimento em uma frase e coloque-a em uma posição fixa em cada prompt, geralmente no final, para que você possa varrer um lote de prompts e ver imediatamente o que cada plano faz.

Escolha as faixas de duração e resolução antes de escrever
Duração e resolução não são configurações aplicadas a um prompt finalizado depois do fato; elas mudam o que o prompt precisa dizer. Decida essas duas faixas antes de começar a escrever.
A duração muda a densidade de movimento
Um plano curto acomoda apenas uma batida: um único movimento, ou uma única ação. Um plano longo pode acomodar uma mudança de estado — uma virada, uma revelação, uma entrada. Se você escreve um prompt de plano longo mas renderiza um plano curto, a ação é comprimida até ficar irreconhecível. Se você escreve um prompt de plano curto mas renderiza um plano longo, o modelo preenche com deriva.
Regra de ouro: um plano curto, uma batida; um plano longo, uma mudança de estado. Quando uma receita precisa de duas batidas, divida em duas gerações em vez de esticar um único prompt.
A resolução muda a tolerância de composição
Faixas de resolução mais altas exigem composições limpas e simples, com sujeitos claros e fundos não poluídos. Detalhes finos — joias, texto pequeno em um produto, textura de tecido — só são legíveis nas faixas superiores; pedi-los em faixas baixas só produz borrão. Por outro lado, se o seu plano é um grande plano geral com um sujeito pequeno, uma faixa baixa perde o sujeito por completo.
Combine a faixa com o detalhe do qual o plano depende: closes de produto e planos frontais de personagem devem usar faixas altas, enquanto fundos amplos de ambiente podem usar faixas mais baixas. É também aqui que a qualidade da imagem de referência define o teto — a saída nunca terá mais resolução do que a referência.
Grave as faixas no seu arquivo de prompt
No seu código, guarde duração e resolução como campos ao lado do texto do prompt, em vez de espalhados em comentários. Nas receitas abaixo, o corpo da requisição os carrega explicitamente, deixando o prompt em si focado em conteúdo e movimento.
Listas negativas que corrigem defeitos sem brigar com o prompt
Uma lista negativa é um pequeno conjunto de coisas que nunca devem aparecer. Seu propósito é suprimir defeitos recorrentes, não catalogar tudo o que te incomoda em geração de vídeo.
Curta e específica
Quatro a seis itens é a faixa útil. Cada item deve nomear uma falha concreta e visível que você realmente viu nas suas próprias saídas:
Negative: extra fingers, warped face, text overlays, watermark, flickering lighting, duplicate subject.
Essa lista ataca modos de falha reais — defeitos nas mãos, deriva de identidade, legendas indesejadas e instabilidade temporal — sem introduzir novos conceitos que o modelo precise reconciliar.
Por que listas longas saem pela culatra
Listas negativas longas tendem a nomear coisas que compartilham vocabulário com o prompt positivo. Escrever "no dark, moody lighting" quando o prompt positivo pede uma cena noturna força o modelo a uma contradição que ele resolve de maneiras imprevisíveis. De modo parecido, listar muitos objetos que não devem aparecer vaza esses objetos para a cena. Cada termo negativo é um conceito que o modelo tem de processar ativamente; uma lista de vinte itens são vinte oportunidades de estragar as coisas.
Mantenha-a estável ao longo de um lote
Assim que uma lista negativa funciona para um sujeito, congele-a. Alterar o prompt positivo e a lista negativa na mesma iteração torna impossível atribuir uma correção ou uma regressão. Itere uma variável de cada vez, começando pelo prompt positivo.
Receitas prontas para copiar e colar com requisições executáveis
Cada receita é um prompt mais um corpo de requisição para gemini-omni-flash/reference-to-video. Substitua os caminhos dos arquivos de referência pelas suas próprias imagens. Duração e resolução são carregadas como campos na requisição; consulte a página do modelo para as faixas atualmente disponíveis.
Receita 1: personagem, identidade estável, movimento único
Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting.
curl -X POST https://api.hiapi.ai/v1/video/generations \
-H "Authorization: Bearer $HIAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-omni-flash/reference-to-video",
"prompt": "Image 1: the character (face and hair).\nImage 2: the jacket the character wears.\n\nSubject: the character from Image 1, wearing the jacket from Image 2.\nKeep face shape, hair length, and jacket color identical to the references.\nAction: stands still, looking slightly off-camera.\nCamera: slow push in toward the character.\nNegative: extra fingers, warped face, text overlays, flickering lighting.",
"references": ["character.png", "jacket.png"],
"duration": "short",
"resolution": "high"
}'
import requests, os
prompt = """Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting."""
r = requests.post(
"https://api.hiapi.ai/v1/video/generations",
headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
json={
"model": "gemini-omni-flash/reference-to-video",
"prompt": prompt,
"references": ["character.png", "jacket.png"],
"duration": "short",
"resolution": "high",
},
)
print(r.json())
Receita 2: órbita de produto
Image 1: the product, front view. Image 2: the product, side view.
Image 3: the surface it sits on.
Subject: the product from Images 1 and 2, resting on the surface from Image 3.
Keep shape, color, and proportions identical to the references.
Action: the product is motionless.
Camera: orbit clockwise around the product, roughly a quarter turn.
Negative: duplicate product, warped edges, text overlays, flickering lighting.
Envie a mesma estrutura de corpo da Receita 1, com três entradas em references, e use a faixa de alta resolução, pois o plano depende de detalhes de borda.
Receita 3: ambiente, câmera fixa
Image 1: the room.
Image 2: the lighting and color style.
Scene: the room from Image 1, lit and graded as in Image 2.
Camera: static, locked off. Nothing in frame moves except a faint drift of dust in the light.
Negative: people, text overlays, watermark, flickering lighting.
Um fundo de ambiente fixo é o clipe útil mais barato de gerar e o mais fácil de verificar — qualquer defeito na forma do sujeito na saída indica imediatamente que a lista negativa precisa ser mais rigorosa.
Ajustando as receitas
Mantenha esses rótulos de seção em todos os seus próprios prompts (Subject:, Action:, Camera:, Negative:). Os rótulos não são palavras mágicas para o modelo, mas impõem a disciplina que você descreve: um papel por imagem de referência, um movimento por plano e uma lista negativa curta e direcionada.
Verificando a saída e iterando rápido
Revise cada clipe gerado com duas perguntas, em ordem fixa. Primeira: o sujeito corresponde às imagens de referência? Segunda: o movimento corresponde ao movimento único que você pediu? Essas duas verificações pegam a maioria das falhas, e a ordem importa porque problemas de identidade geralmente precisam ser corrigidos antes que os de movimento fiquem visíveis.
Atribua a falha antes de mudar qualquer coisa
Quando o sujeito deriva, a causa é quase sempre as imagens de referência ou a rotulagem de papéis — papéis sobrepostos, uma imagem a mais, ou frases de descrição de aparência competindo com os pixels. Quando o movimento está errado, a causa é quase sempre a linha de câmera do prompt, ou uma faixa de duração que não bate com o número de batidas. Quando a composição sai turva mas o sujeito e o movimento estão certos, a faixa de resolução é a suspeita.
Mudar ao mesmo tempo o prompt, as referências e a faixa na mesma iteração destrói a atribuição e deixa você apenas adivinhando. Mude uma coisa de cada vez, re-renderize e compare.
Registre cada iteração
Mantenha um registro simples por receita: a lista ordenada de imagens de referência, o texto do prompt, as faixas de duração e resolução, e um resumo de uma linha. Isso mantém as falhas diagnosticáveis uma semana depois e transforma sua biblioteca de prompts em um conjunto de pontos de partida conhecidos e bons, em vez de um monte de experimentos descartáveis. Quando uma receita se estabiliza, congele-a e ramifique novos planos a partir dela em vez de editá-la no lugar.
Com o corpo da requisição já parametrizado, o ciclo inteiro — receita de prompt, requisição, clipe renderizado, veredito, mudança de uma variável — fica rápido. Comece com as receitas acima, troque pelas suas próprias referências e deixe o ciclo de verificação fazer o ajuste fino.
Artigos relacionados
Ver todos os artigos →-
Guia de uso
Guia de introdução ao gpt-6.2-sol: limites de capacidade, integração via API e noções de precificação por token
Decisões de integração e pontos práticos para equipes de engenharia
-
Guia de uso
Guia de introdução ao gpt-6.2-astra: limites de capacidade do modelo de texto, pontos de integração e controle de custos
-
Guia de uso
Guia de introdução ao Tripo H3.1: três modos de entrada, parâmetros e como escolher o preço
Decisão de integração e controle de custos na geração 3D para desenvolvedores