Blogue

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

Nov 17, 2026
Arte de capa editorial: grandes prismas divididos em planos lisos de sálvia e verde-nevoeiro sobre um fundo verde-pinheiro profundo, composição geométrica nítida.
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.

Vídeo a partir de texto alimenta uma entrada na imagem; vídeo a partir de imagens de referência converge várias referências de imagem mais um prompt em uma única saída — um modelo mental diferente, para o qual é preciso projetar.

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.

Cada slot de referência mapeia para um papel no quadro final — a ordem e o peso determinam o que o modelo prioriza.

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.

Cada plano ganha um único movimento limpo — push, órbita ou pan — desenhado como um caminho não empilhado em torno de um sujeito fixo.

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 →

Comece a criar com artefactos de IA persistentes

Obtenha a sua chave de API e chame modelos de imagem, vídeo e áudio através de uma única API baseada em tasks.

Ler a documentação da API