Receitas de prompts do OmniHuman-1.5: prompts de vídeo de avatar falante prontos para copiar e colar

Por que a estrutura do prompt importa mais do que as palavras

A maioria das equipes, ao escrever seu primeiro prompt de avatar falante, escreve uma única frase e depois passa horas reescrevendo-a, tentando encontrar a frase mágica. Essa abordagem está fadada ao fracasso, porque o OmniHuman-1.5 não responde à esperteza, mas à especificação. O prompt é a especificação de um vídeo curto: quem aparece, o que diz, como o quadro é composto e como a fala é interpretada. Se qualquer um desses itens estiver ausente ou confuso em relação aos outros, o modelo só pode adivinhar — e adivinhar é a fonte dos problemas de consistência.

Um modelo mental útil é pensar no prompt como quatro módulos empilhados que, juntos, produzem uma saída:

• Assunto — quem aparece e como essa pessoa se parece em um nível estável e descritível.
• Fala — as palavras exatas a serem ditas, escritas literalmente.
• Enquadramento — tamanho do plano, ângulo da câmera, fundo e posição do sujeito no quadro.
• Interpretação — ritmo, energia, tom e microgestos corporais que fazem a fala soar falada, e não decorada.

Depois de separar esses elementos, a iteração se torna controlável. Você pode mudar só a interpretação sem mexer na fala, ou reescrever a descrição do sujeito sem reenquadrar. Se tudo estiver compactado em um único parágrafo fluido, cada edição será global, e você nunca conseguirá atribuir mudanças na saída a uma alteração específica na entrada.

Isso também explica por que dois prompts que parecem muito diferentes na superfície podem produzir resultados semelhantes: eles codificam os mesmos quatro módulos. E dois prompts que parecem quase idênticos podem divergir muito, porque um deles silenciosamente deixou de fora um módulo — geralmente a interpretação, que é a parte que as pessoas mais esquecem de escrever.

As receitas deste guia se baseiam nos mesmos quatro módulos. A intenção é que você copie, adapte e depois desmonte de propósito, para ver o papel que cada módulo desempenha.

Um aviso antes de começar

A forma como o OmniHuman-1.5 processa prompts não é totalmente pública, e botões não documentados mudam. Cada receita abaixo evita parâmetros inventados, sintaxe de pesos e flags específicas de fornecedor. Em vez disso, ela se apoia em descrições simples, explícitas e em linguagem natural do sujeito, da fala, do enquadramento e da interpretação. Assim, as receitas continuam portáveis e você evita construir seu pipeline sobre uma sintaxe que pode não existir.

Quando uma receita precisa restringir algo que o modelo pode não conseguir seguir de forma confiável — momentos exatos, sincronia labial precisa em fonemas incomuns, falas muito longas — o guia aponta isso claramente e recomenda tratar fora do prompt, em vez de esperar que escrever no texto resolva.

Se você quiser executar essas receitas por meio de uma única API unificada, em vez de montar integrações separadas para cada modelo, o endpoint de vídeo do HiAPI.ai é o caminho indicado para tudo o que é descrito aqui.

Anatomia de um prompt pronto para copiar e colar

Antes das receitas, veja o modelo que todas seguem. Leia uma vez e você conseguirá reconstruir qualquer uma delas de memória.

[SUBJECT]
A [age range] [gender presentation] with [hair], [distinguishing feature],
wearing [clothing]. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "<your script here>"

[FRAMING]
[Shot size] shot, [camera angle], [subject position in frame].
Background: [background description]. Lighting: [lighting description].

[DELIVERY]
Speaks at [pace]. Tone: [tone]. [Optional physical behavior cue].
Camera is static.

Algumas observações sobre por que cada campo é escrito assim.

Assunto

Mantenha a descrição estável e específica: faixa etária, apresentação de gênero, cabelo, uma ou duas características marcantes, roupa. Evite empilhar adjetivos — cada descritor extra é mais um ponto em que o modelo pode variar entre execuções. Se você precisar usar a mesma pessoa em vários clipes, congele este módulo literalmente e nunca o edite.

Fala

A frase Say exactly (diga exatamente) faz o trabalho real. Ela indica que o texto a seguir é conteúdo falado, não descrição de cena. Coloque a fala entre aspas para deixar os limites inequívocos e mantenha tudo como prosa pura — sem indicações cênicas, sem observações entre parênteses, sem marcações.

Enquadramento

Tamanho do plano (close-up, plano médio, plano médio-longo), ângulo da câmera (nível dos olhos, levemente baixo) e posição do sujeito (centralizado, levemente à esquerda do quadro) podem ser descritos com palavras comuns e alteram substancialmente a saída. Fundo e iluminação também pertencem a este módulo, porque fazem parte da tomada, não da interpretação.

Interpretação

Este é o módulo que a maioria das pessoas pula. Ritmo, tom e uma dica de comportamento corporal (uma leve concordância com a cabeça, um gesto, uma mudança de postura) contribuem muito mais para a naturalidade percebida do que reescrever repetidamente a descrição do sujeito. Mantenha uma ou duas dicas — acima disso, o modelo precisa escolher.

Restrição final

Terminar com Camera is static (câmera fixa) é uma forma de baixo custo de suprimir movimentos de câmera indesejados, um modo de falha comum e distrativo na geração de avatares falantes. Não é um parâmetro, mas uma instrução comum que faz parte da receita.

O que você não deve colocar no modelo

Não escreva taxa de quadros, resolução, seed e strings de versão do modelo no texto do prompt. Esses são problemas de nível de requisição, não de nível de prompt, e misturá-los torna o prompt mais difícil de comparar e reutilizar. Deixe o prompt cuidar do conteúdo e a chamada de API cuidar da infraestrutura.

Receita: clipe de narração individual

A receita principal. Adequada para narração de documentação, conteúdo de curso, vídeos de anúncio e qualquer situação em que um apresentador leia um roteiro preparado.

[SUBJECT]
A person in their early 30s, gender-neutral presentation, short dark hair,
wearing a plain crew-neck sweater. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "In this walkthrough we'll cover three things. First, how to set up
the project. Second, the configuration options that matter most. And third, how
to verify everything is working before you ship."

[FRAMING]
Medium shot, eye level, subject centered with a small amount of headroom.
Background: softly out-of-focus home office with a bookshelf.
Lighting: soft key light from the left, no harsh shadows.

[DELIVERY]
Speaks at a measured, conversational pace. Tone: friendly and instructional.
Occasional small nod on sentence boundaries. Camera is static.

Por que funciona

A fala é curta o suficiente para manter a coerência — cerca de três frases, com limites claros entre as orações. O enquadramento é deliberadamente sem graça: centralizado, nível dos olhos, fundo suave. Um enquadramento sem graça é uma vantagem aqui, porque torna as diferenças de saída entre execuções fáceis de identificar. Se o fundo começar a mudar, você saberá que o problema é do modelo, e não da sua descrição de tomada.

O módulo de interpretação oferece uma dica corporal (concordâncias leves ocasionais nos limites das frases) que corresponde naturalmente à estrutura da fala. Vale a pena copiar essa correspondência entre dica de interpretação e forma da fala: dicas que combinam com o ritmo da fala soam naturais; dicas que entram em conflito soam aleatórias.

Adapte

• Falas mais longas: mantenha o mesmo enquadramento e interpretação, mas divida a fala em vários clipes nos limites dos parágrafos, em vez de forçar uma única geração longa. A consistência entre clipes é mais fácil de manter quando cada clipe tem estrutura semelhante.
• Público diferente: mude apenas a palavra de tom (“autoritário”, “acolhedor”, “animado”) e execute de novo. Essa é a edição única de maior alavancagem na receita.
• Persona de marca: congele o módulo de assunto e mude apenas a roupa. Isso isola a roupa do rosto e do cabelo, que são os campos mais propensos a variar.

Limitações conhecidas

Falas muito longas — várias seções em uma única geração — tendem a perder consistência de ritmo perto do fim. Planeje algumas frases por clipe e monte no editor. Não tente resolver o problema de comprimento adicionando instruções de ritmo ao prompt; o prompt não é um controlador de tempo.

Receita: gancho curto para redes sociais

Vídeos curtos vivem ou morrem nos dois primeiros segundos. Esta receita troca a neutralidade da receita de narração por energia e é deliberadamente mais curta que as outras.

[SUBJECT]
A person in their late 20s, wearing a casual button-up shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Stop scrolling. If you've ever shipped a feature that broke in
production, this is the one setting you probably missed."

[FRAMING]
Close-up shot, slightly below eye level, subject centered and filling most of
the frame. Background: simple solid-color wall. Lighting: bright, even, frontal.

[DELIVERY]
Speaks quickly with confident energy. Tone: direct and conspiratorial.
Leans in slightly on the first sentence. Camera is static.

Escolhas de design que vale a pena tomar emprestadas

Close-up com ângulo ligeiramente baixo cria intimidade e um toque de urgência. Essa é a gramática visual de vídeos curtos, e pode ser expressa inteiramente com linguagem comum de enquadramento — sem sintaxe especial.

Fundo de cor sólida elimina o ruído visual que compete com a edição de ritmo acelerado. Em vídeos curtos, o fundo nunca deve ser a parte interessante do quadro.

No máximo duas frases. Um gancho é uma unidade de atenção, não um parágrafo. Se sua ideia precisa de três frases, ela pertence a outra receita.

Uma dica corporal que corresponde à primeira frase. “Inclinar-se levemente para frente na primeira frase” funciona porque a primeira frase é o gancho. Combine a dica com a batida à qual ela pertence.

Adapte

Execute três falas de gancho diferentes com o mesmo assunto e enquadramento, depois escolha entre as saídas. Como tudo, exceto o módulo de fala, está congelado, as diferenças entre clipes podem ser atribuídas à escrita — que é exatamente o que você quer ao fazer testes A/B de ganchos.

Limitações conhecidas

Uma interpretação muito rápida pode reduzir a clareza em terminologia técnica densa. Se o seu gancho contém nomes de produtos, siglas ou números que precisam ser ditos, mude a palavra de ritmo de “rapidamente” para “com presteza” e compare. Este é o único ponto em que o módulo de interpretação pode precisar de uma segunda rodada de ajustes mesmo depois de a fala estar travada.

Receita: narração de demonstração de produto

Esta receita serve para narração sobre uma interface de produto ou uma sequência de etapas, quando clareza importa mais que personalidade e o ritmo precisa deixar espaço para os olhos do espectador acompanharem.

[SUBJECT]
A person in their mid 30s, wearing a neutral blazer over a plain shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Open the settings panel from the left navigation. Choose the
integration you want to connect. Paste your key into the credential field.
Then save, and run a test call from the same screen to confirm the connection."

[FRAMING]
Medium close-up, eye level, subject positioned slightly left of center to leave
room on the right of frame. Background: clean, uncluttered neutral wall.
Lighting: soft, even, no rim light.

[DELIVERY]
Speaks slowly and evenly, with a brief pause at each step boundary.
Tone: calm and precise. Minimal movement. Camera is static.

A dica de enquadramento mais importante

“Levemente à esquerda do centro, para deixar espaço no lado direito do quadro” é a linha mais importante desta receita. Demonstrações costumam ser compostas com gravações de tela ou sobreposições de UI, e um enquadramento fora do centro deixa espaço para o editor posicioná-las. Isso não custa nada no prompt e economiza uma nova renderização.

Ritmo como instrução estrutural

“Breve pausa em cada limite de etapa” é uma instrução sobre estrutura, não um parâmetro de tempo. Ela diz ao modelo que a fala tem um ritmo de quatro unidades. Você não está especificando milissegundos — está dizendo onde estão as batidas. Mantenha o número de etapas na fala pequeno e a correspondência clara; se a fala tiver seis etapas e a interpretação mencionar pausas nos limites, isso ainda é uma instrução, e ainda é legível.

Adapte

• Vários segmentos: renderize cada etapa como seu próprio clipe, usando os mesmos módulos de assunto e enquadramento, e depois emende. Isso dá pontos de corte limpos e mantém a aparência consistente ao longo da sequência.
• Edição orientada por sobreposição: se uma etapa precisar de mais tempo visual do que sua fala oral, adicione um clipe final silencioso, em vez de alongar as instruções de interpretação. Silêncio é um problema de pós-produção.

Limitações conhecidas

Pausas são pedidos, não garantias. Se a posição exata da pausa for crítica para sincronizar com ações na tela, planeje ajustar no editor e trate o clipe gerado como a fonte da verdade audiovisual para tudo, exceto o timing de edição.

Teste e itere as receitas

Uma receita é uma hipótese. Valide-a antes de escalar.

Passo 1: escreva uma fala de teste

Prepare uma fala curta — duas a três frases — que cubra os pontos difíceis do seu conteúdo real: as palavras mais longas, os nomes próprios mais incomuns, os números que você realmente dirá. A fala de teste deve ser adversarial, não bajuladora. Uma frase de teste que o modelo lida facilmente não lhe diz nada.

Passo 2: gere uma linha de base

Execute a receita uma vez, sem modificações, com a fala de teste. Salve a saída e o texto exato do prompt que a produziu. Essa linha de base é o ponto de referência para todas as comparações posteriores.

Passo 3: mude apenas uma variável por execução

Essa é toda a disciplina. Escolha uma coisa e mude só ela:

• Comprimento da fala — mesmo prompt, mais uma frase.
• Enquadramento — de plano médio para plano médio-fechado, nada mais muda.
• Tom da interpretação — substitua uma palavra (“amigável” por “animado”).

Se você mudar tanto o enquadramento quanto o tom na mesma execução e a saída melhorar, você só aprendeu que alguma coisa funcionou, sem saber qual. Essa foi uma execução desperdiçada.

Passo 4: mantenha um log de diffs

Para cada execução, registre a variante do prompt, aquela única mudança e uma linha de conclusão. Variantes rejeitadas são tão valiosas quanto as aceitas, porque mostram onde estão os limites. Um simples arquivo de texto com carimbos de data/hora e diffs é suficiente; você não precisa de ferramentas especiais.

Passo 5: promova ou descarte

Quando uma variante superar claramente a linha de base, promova-a a nova linha de base e teste-a novamente com a fala de teste completa antes de defini-la como receita de produção. Uma mudança que ajuda em uma frase pode prejudicar outra.

O que não iterar

Não itere sobre o que o prompt não controla. Se o seu problema é resolução, proporção ou determinismo de seed, você está na camada errada — olhe os parâmetros da requisição, não o prompt. Passar execuções reescrevendo o prompt para consertar problemas de infraestrutura é a forma mais comum de as equipes desperdiçarem orçamento de geração.

Nota sobre tamanho de amostra

A geração de avatares falantes tem variação inerente entre execuções. Gerar apenas uma amostra por variante pode enganar. Antes de tirar conclusões, gere duas ou três amostras por variante com a fala de teste e compare entre amostras, em vez de escolher a melhor.

Modos de falha comuns e como evitá-los via prompt

Estes são os problemas mais frequentes, com os ajustes para resolvê-los do lado do prompt. Nenhum deles exige inventar parâmetros.

O sujeito varia entre clipes

Sintoma: cabelo, roupa ou idade parecem diferentes entre segmentos. Correção: congele o módulo de assunto literalmente em todos os prompts, sem mudar nada nele — nem sinônimos, nem ordem das palavras. A variação geralmente vem de reescritas bem-intencionadas entre clipes.

A interpretação soa decorada, não falada

Sintoma: expressão sem vida, sem microgestos, imobilidade estranha. Correção: adicione uma dica de comportamento corporal ao módulo de interpretação e garanta que ela corresponda a uma batida da fala. Verifique também se a fala está escrita em registro oral — contrações, orações curtas, fragmentos de frase. Prosa formal soa como interpretação formal, não importa quais palavras de tom você adicione.

Movimento de câmera indesejado

Sintoma: zoom lento, deriva ou panorâmica que você não pediu. Correção: acrescente uma instrução explícita de câmera fixa ao final do módulo de interpretação. Se o movimento persistir, remova palavras em outras partes do prompt que sugiram movimento (“dinâmico”, “composição cheia de energia”, “câmera em movimento”).

O fundo compete com o sujeito pela atenção

Sintoma: o modelo concentra a atenção em detalhes do fundo em vez do rosto. Correção: reduza a descrição do fundo a uma frase e adicione iluminação que separe o sujeito da parede (luz principal suave vinda de um lado). Menos palavras de fundo, não mais.

O ritmo de falas longas desmorona

Sintoma: a interpretação começa bem e fica apressada ou sem vida perto do fim. Correção: encurte a fala. Essa é a correção confiável, e nenhuma formulação de prompt compensa. Divida em vários clipes nos limites naturais.

A clareza cai em terminologia densa

Sintoma: nomes de produtos, siglas ou números não saem claros. Correção: mude a palavra de ritmo de rápido para pausado; se um termo específico continuar errado, considere reescrevê-lo foneticamente na fala — reconhecendo ao mesmo tempo que isso torna a fala mais difícil de ler e deve ser usado como último recurso.

A saída ignora parte do prompt

Sintoma: um módulo inteiro parece não ter efeito. Correção: verifique conflitos entre módulos. Se o módulo de assunto diz “vestindo terno formal” e o de enquadramento diz “café casual”, o modelo precisa reconciliar a contradição e pode descartar algo. Antes de presumir que o modelo está errado, faça os quatro módulos serem coerentes entre si.

Resultados inconsistentes entre execuções idênticas

Sintoma: mesmo prompt, saídas diferentes. Correção: isso é variação esperada, não um bug de prompt. Estabeleça critérios de aceitação para cada variante em duas ou três amostras e pare de ajustar quando entrar na faixa aceitável. Perseguir determinismo perfeito por meio da redação do prompt não é produtivo.

Trate os prompts como ativos versionados

Um prompt que vive na janela de chat não é um ativo reproduzível. Assim que você tiver duas receitas e algumas variantes de cada uma, você tem código-fonte — e ele deve ser gerenciado como código-fonte.

Armazene os prompts junto ao código que os usa

Mantenha um diretório prompts/ no repositório onde estão os scripts de geração. Um arquivo por receita, em texto puro ou markdown, com os quatro módulos completos e legíveis. O texto do prompt deve poder ser carregado como string, e não colado dentro do corpo de uma função.

Nomes que permitem prever a saída

Um esquema de nomes que codifica a intenção vale mais do que esperteza:

prompts/
  explainer-single-speaker-v3.txt
  social-hook-closeup-v2.txt
  walkthrough-voiceover-v1.txt

O sufixo de versão não é decoração. Incremente-o quando uma mudança em um módulo afetar a saída; não o incremente por um erro de digitação em um comentário.

Compare prompts com diff, não apenas binários

Quando a qualidade da saída mudar, você precisa responder “o que mudou na entrada?”. Um git diff em prompts de texto puro responde isso com um comando. Prompts embutidos em um blob JSON misturado com parâmetros de requisição não respondem. Mantenha o texto do prompt separado da configuração da requisição, para que o diff continue legível.

Fixe o prompt junto aos ativos gerados

Quando você salvar um clipe gerado, registre qual versão do prompt o produziu — no nome do arquivo, em um arquivo de metadados anexo ou em um banco de dados de ativos. Seis semanas depois, quando alguém perguntar por que um clipe de uma série parece diferente, a resposta deve ser encontrada em uma única consulta, não por adivinhação.

Revise mudanças de prompt como revisa mudanças de código

Uma edição de prompt que muda o enquadramento ou o assunto é uma mudança visual. Trate-a como uma mudança de UI: abra um pull request com exemplos de saída antes e depois, para que outra pessoa veja. Essa é a forma mais barata de capturar variações acidentais em módulos que deveriam estar congelados.

Mantenha um índice de receitas

Um breve README no diretório prompts, listando cada receita, seu propósito e a versão atual, evita que cada novo colaborador precise reconstruir sua intenção. Também é o lugar para registrar limitações conhecidas, como o limite de comprimento de fala na receita de narração, para que as restrições fiquem documentadas, em vez de redescobertas.

Comece pela plataforma, depois especialize

Se você for conectar essas receitas a um pipeline, o endpoint de vídeo OmniHuman-1.5 do HiAPI.ai oferece uma única interface de chamada, para que o layout do repositório e o esquema de versionamento permaneçam estáveis à medida que você adiciona receitas. Copie uma receita, execute-a com uma fala de teste curta, mude uma variável por vez e faça commit das versões que superarem sua linha de base — esse ciclo é o método inteiro.