Receitas de prompts de texto para vídeo do Kling 4.0 para desenvolvedores

Por que a estrutura do prompt importa mais do que a formulação

A maioria das equipes começa pela formulação. Elas ajustam adjetivos repetidamente, trocam sinônimos e esperam que a próxima renderização saia melhor. Isso funciona para um clipe isolado, mas assim que entra em um pipeline de API — onde o mesmo prompt precisa produzir resultados consistentes em dezenas ou até centenas de requisições — essa abordagem falha completamente.

A formulação é um detalhe de superfície. A estrutura é o que torna a saída previsível.

Quando você chama kling-4.0/text-to-video, o modelo recebe uma string. Dentro dessa string, o modelo precisa resolver simultaneamente várias decisões independentes: qual é o sujeito, como é o ambiente, como a câmera se move e quanta narrativa a duração solicitada consegue acomodar. Se essas decisões estiverem entrelaçadas em uma frase fluida, você não consegue identificar qual frase causou uma renderização ruim, nem ajustar uma dimensão sem interferir nas outras.

Prompts estruturados separam essas decisões em slots estáveis. Isso traz três benefícios práticos:

• Isolamento. Quando a câmera parece errada, você altera apenas o slot da câmera. A descrição da cena permanece inalterada, então sua comparação faz sentido.
• Reutilização. O mesmo bloco de cena pode ser combinado com diferentes blocos de câmera em um lote, que é exatamente como explorar variantes a baixo custo.
• Diagnosticabilidade. Quando a saída regride após uma mudança de modelo ou parâmetro, você pode comparar versões do prompt em vez de adivinhar.

Há um segundo motivo para a estrutura vencer: a iteração em geração de vídeo é cara. Cada renderização consome tempo e orçamento, e você não consegue ver estados intermediários. Como você só vê o clipe final, o prompt é efetivamente sua única interface de depuração. Um prompt que se lê como uma especificação dá a você algo raciocinável; um que se lê como poesia, não.

Por fim, prompts estruturados sobrevivem à transferência. Uma receita que um colega consegue ler, preencher e versionar é um ativo. Um prompt único e engenhoso vive no arquivo de rascunhos de alguém, e morre ali.

É por isso que as receitas deste guia são organizadas em torno de um esqueleto, e não de uma lista de frases mágicas. As frases importam, mas só funcionam quando encaixadas em uma forma que você controla.

O esqueleto central do prompt

Cada receita deste guia é o preenchimento do mesmo template de quatro partes. Mantenha a ordem estável para que seus diffs sejam legíveis.

[SUBJECT] + [SCENE] + [CAMERA] + [PACING]

Veja o que cada slot deve conter:

Sujeito (Subject)

Sobre quem ou o quê é o clipe, com um ou dois detalhes físicos que precisam ser mantidos em movimento. Seja específico e visual. "Uma mulher de trench coat encharcado pela chuva" é melhor que "uma pessoa misteriosa". Evite rótulos emocionais abstratos aqui; o modelo renderiza corpos e objetos, não intenções.

Cena (Scene)

Ambiente, iluminação e horário. A qualidade cinematográfica mora aqui. Especifique a direção e a textura da luz, não palavras de humor. "Luz solar baixa entrando obliquamente pela esquerda do quadro, sombras duras, poeira no ar" informa muito mais ao modelo do que "iluminação dramática".

Câmera (Camera)

Enquadramento mais movimento, declarado como uma cláusula independente. Como é um slot separado, você pode substituí-lo inteiro. Um plano aberto fixo e um avanço lento compartilham o mesmo sujeito e cena, mas produzem clipes completamente diferentes.

Ritmo (Pacing)

O que deve acontecer no clipe, compatível com a duração que você solicitou. Clipes curtos suportam uma batida; clipes mais longos conseguem acomodar um pequeno arco.

Um exemplo preenchido:

SUBJECT: a lone cyclist in a dark windbreaker, water beading on the helmet
SCENE: empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light
CAMERA: wide shot, slow lateral tracking at walking pace
PACING: single continuous action, cyclist pedals steadily, no cuts

Achatado em uma única string de requisição enviada para kling-4.0/text-to-video:

A lone cyclist in a dark windbreaker, water beading on the helmet, on an empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light. Wide shot, slow lateral tracking at walking pace. Single continuous action, cyclist pedals steadily, no cuts.

Duas convenções fazem esse esqueleto funcionar na prática. Primeiro, use pontos entre os slots, não vírgulas. Isso dá ao prompt um ritmo natural e separa cada decisão. Segundo, nunca deixe um slot vazio por acidente. Se você não se importa com a câmera, ainda assim escreva uma escolha explícita, como "static medium shot", para que o modelo não improvise.

Trate o esqueleto como um contrato. Quando você o alterar, altere de forma consciente e incremente o número da versão do prompt.

Receitas de formulação para cenas cinematográficas

A saída cinematográfica vem de descrições concretas de luz e espaço, não de adjetivos que soam cinematográficos. Os padrões abaixo substituem palavras de humor por fatos físicos.

Receita: Iluminação direcional

SCENE: interior workshop at night, single warm lamp from upper right casting long shadows across a cluttered bench, dust visible in the light beam, dark background falling into black

Observe o que está fazendo efeito: a fonte de luz, a direção, a textura e o que a luz revela. "Warm" e "night" definem a tonalidade; "upper right" fixa a geometria; "dust visible in the beam" adiciona profundidade. Troque a lâmpada por uma janela e o mesmo esqueleto produz uma cena diferente sem alterar o sujeito nem a câmera.

Receita: Profundidade ambiental

SCENE: narrow alley after rain, foreground puddles with reflections, midground fire escape and hanging cables, distant streetlight haze behind, cool blue-grey palette

Dispor explicitamente primeiro plano, plano médio e fundo dá ao modelo um planejamento de profundidade. Também reduz o quadro intermediário confuso que aparece quando o prompt descreve apenas um plano.

Receita: Ação do sujeito com textura

SUBJECT: a chef in a white apron, flour dusting the forearms, hands working dough
PACING: continuous kneading motion, flour puffing with each press, no cuts

Descreva a ação como um ciclo físico que o modelo consegue manter continuamente. Uma ação contínua e repetível é mais coerente ao longo de todo o clipe do que um evento único — um evento único pode ser concluído cedo pelo modelo, que então fica em ponto morto.

Receita: Clima e atmosfera

SCENE: city rooftop at dusk, thin fog moving through the frame, wind pushing loose fabric, distant skyline softened by haze, low contrast, desaturated

A atmosfera deve ser descrita como algo que se move, porque vídeo recompensa pistas de movimento. Névoa, vento, chuva e partículas flutuantes dão textura contínua ao quadro.

Antipadrões a evitar

• Adjetivos empilhados. "Epic, stunning, cinematic, beautiful" não acrescenta nenhuma informação que o modelo consiga renderizar.
• Palavras de câmera dentro da cena. Mantenha "slow dolly" fora do slot de cena para que você possa ajustá-lo separadamente.
• Contradições. "Bright night scene" é interpretado de forma imprevisível. Escolha um esquema de iluminação e mantenha.
• Sujeitos demais. Cada personagem ou objeto adicional disputa a atenção do modelo, aumentando a probabilidade de um deles sair deformado.

Receitas de controle de câmera e enquadramento

A câmera é o slot de maior alavancagem, porque muda a textura do clipe sem alterar o conteúdo. Mantenha-o isolado para poder substituí-lo em lote.

Vocabulário de enquadramento

Toda cláusula de câmera começa com um enquadramento: plano muito aberto, plano aberto, plano médio, close-up, close-up extremo. Essa única palavra determina quanto do quadro o sujeito ocupa e quanto do ambiente fica visível.

CAMERA: medium close-up, static tripod

Receitas de movimento

Cada uma das seguintes é uma cláusula de câmera substituível diretamente:

CAMERA: wide shot, slow push-in toward the subject
CAMERA: medium shot, lateral tracking left at walking pace
CAMERA: close-up, slow handheld drift with slight instability
CAMERA: wide shot, static, subject moves through frame
CAMERA: medium shot, slow tilt up from hands to face

A disciplina fundamental é um único movimento por cláusula. Combinar avanço, inclinação e rolagem na mesma requisição geralmente produz um resultado pastoso, porque o modelo precisa misturar planejamentos de movimento conflitantes.

Modificadores de velocidade

Para a qualidade percebida, a velocidade do movimento importa mais do que a direção. Use modificadores simples: slow, steady, walking pace, gradual. Evite velocidades numéricas, porque elas não se traduzem de forma confiável no planejamento de movimento do modelo.

Handheld e estabilização

Se você quer o realismo documental, escreva explicitamente "handheld, slight instability". Se você quer o refinamento comercial, escreva "stabilized, smooth motion". Não especificar isso é uma das causas mais comuns de um clipe parecer errado sem que você encontre um motivo óbvio.

Substituir a câmera em lote

Como a câmera é um slot separado, você pode manter sujeito, cena e ritmo fixos e gerar comparações controladas. Construa um pequeno array de cláusulas de câmera, percorra-o com tudo o mais fixo:

cameras = [
    "wide shot, static tripod",
    "medium shot, slow push-in",
    "close-up, handheld with slight drift",
]
for cam in cameras:
    prompt = f"{subject}. {scene}. {cam}. {pacing}."
    # send prompt to kling-4.0/text-to-video

O conjunto de saídas mostra qual composição lê melhor para aquele conteúdo, e a comparação é honesta porque apenas uma variável mudou.

Receitas de duração e ritmo

O detalhe do prompt precisa corresponder à duração do clipe. Um prompt que descreve três batidas em um clipe curto produz um resultado apressado e com falhas. Um prompt que escreve apenas uma pequena ação em um clipe longo produz tempo morto.

Clipe curto: uma batida

Para durações mais curtas, descreva uma única ação contínua, sem progressão narrativa.

PACING: one continuous gesture, subject turns head slowly toward the light, nothing else changes

Remova qualquer coisa que sugira sequência. Palavras como "then", "after" e "finally" induzem o modelo a comprimir eventos e perder coerência.

Clipe médio: uma ação mais movimento ambiental

Adicione movimento ambiental, não uma segunda ação do sujeito.

PACING: subject stands still breathing, cloth shifting in the wind, background smoke drifting continuously

O movimento ambiental preenche o tempo sem exigir que o modelo coreografe novos eventos.

Clipe longo: um pequeno arco

Se sua duração permite, você pode descrever o estado inicial e o final. Mantenha duas batidas e faça a transição ser física.

PACING: subject begins facing away, slowly turns to face camera, expression settles into a neutral gaze by the end

Declare o início, o movimento e a posição final. Isso dá ao modelo uma trajetória para interpolar, em vez de um trecho de duração vazio para preencher.

Combinar palavras com segundos

Como regra prática, cada batida descreve uma ação física, e um clipe curto orça aproximadamente uma batida. Se você se pegar escrevendo mais de duas frases na seção de ritmo, ou o clipe é longo o suficiente para um arco, ou você especificou em excesso.

Erros comuns de ritmo

• Corte implícito. "Shot one, then shot two" raramente funciona; uma única geração é um plano contínuo.
• Falar e se mover. Diálogo mais movimento complexo é uma combinação difícil. Prefira um dos dois.
• Mudança de tempo. O pôr do sol dentro do clipe é difícil de controlar; escolha um estado de iluminação e mantenha.
• Coreografia de multidão. Múltiplas figuras se movendo independentemente se degradam rapidamente. Trate a multidão como textura, não como elenco.

Testar receitas no pipeline

Receitas de prompt são código. Elas devem ser versionadas, testadas e registradas como código.

Versionar prompts como ativos

Armazene cada receita em um arquivo, com um identificador de versão e os slots preenchidos. Não as enterre como strings dentro da lógica da aplicação. Quando você altera uma frase, essa é uma nova versão, e a antiga permanece disponível para comparação e reversão.

{
  "id": "cyclist_coastal_v3",
  "subject": "a lone cyclist in a dark windbreaker...",
  "scene": "empty coastal road at dawn...",
  "camera": "wide shot, slow lateral tracking...",
  "pacing": "single continuous action..."
}

Executar pequenos lotes comparativos

Antes de promover uma receita para produção, gere um pequeno lote — algumas variantes, não centenas. Altere um slot por vez. Pontue as saídas nas dimensões que importam para você: fidelidade ao sujeito, estabilidade do movimento, composição e o quanto o clipe preenche a duração. Promova o vencedor e registre a decisão.

Registrar prompt, parâmetros e saída juntos

Cada requisição deve gravar um registro contendo a versão do prompt, os slots preenchidos, os parâmetros da requisição, o identificador da saída e sua pontuação de qualidade. Quando uma regressão aparecer depois, esse log é a diferença entre cinco minutos de diagnóstico e um dia de adivinhação.

log = {
    "prompt_id": recipe["id"],
    "prompt": flattened_prompt,
    "params": {"prompt": flattened_prompt},
    "output": response_id,
    "score": manual_score,
}

Manter um conjunto de regressão

Assim que uma receita entra em produção, mantenha um pequeno conjunto congelado de prompts e suas saídas aceitas. Após qualquer mudança de modelo ou parâmetro, reexecute o conjunto e compare. Isso captura deriva silenciosa antes que os usuários a encontrem.

Um ciclo simples de promoção

Rascunhe a receita a partir do esqueleto, preencha os slots, execute um pequeno lote de alternativas para um slot, pontue e então promova o vencedor como um ativo versionado com log completo. Repita à medida que as necessidades de conteúdo mudarem.

Tratando cada receita como um artefato testável, o pipeline deixa de ser um caça-níqueis. Você pode começar pelo endpoint kling-4.0/text-to-video e construir sua própria biblioteca versionada sobre ele.