Prompts de texto para vídeo do Ray 3.2: 5 receitas e clipes reais

TL;DR

• O texto para vídeo do Ray 3.2 não recebe frame de entrada, então o prompt precisa construir o plano inteiro: sujeito, composição do primeiro frame, movimento de câmera, ritmo, iluminação e uma lista curta de negativos. É essa a habilidade central que esta página treina.
• Abaixo estão cinco prompts prontos para copiar e colar que escrevemos e executamos em ray-3.2/text-to-video, cada um com o clipe que ele realmente gerou embutido. Cada clipe é uma geração de 5 segundos; quatro em 540p e um em 720p.
• Um prompt confiável para o Ray 3.2 segue sempre a mesma ordem: movimento de câmera → sujeito → ambiente → luz e cor → negativos. Comece pela câmera, não pelo sujeito.
• Validado por testes antes da publicação: duration aceita 5 ou 10, resolution aceita 540p / 720p / 1080p, aspect_ratio aceita seis valores — 16:9, 9:16, 1:1, 4:3, 3:4, 21:9.
• A cobrança é por clipe, não por segundo: um clipe de 5 s/540p custa $0.2145; 5 s/720p custa $0.429 (preços de 2026-10 — consulte a página de preços para a tabela atual).

Por que prompts de texto para vídeo são uma habilidade à parte

Se você já usou imagem para vídeo, a memória muscular daqui vai te enganar. No imagem para vídeo, o primeiro frame já foi entregue ao modelo, então seu prompt só precisa descrever o movimento. O texto para vídeo começa do zero — o modelo inventa o primeiro frame e o movimento apenas com base no seu texto. Um prompt que só diz "câmera avançando lentamente" não tem objeto algum para avançar.

Por isso, em ray-3.2/text-to-video, o prompt carrega dose dupla: ele precisa compor um frame de abertura verossímil e coreografar como esse frame se move. As receitas abaixo se apoiam numa estrutura que torna ambas as tarefas explícitas. Se você já tem uma imagem estática que quer animar, não force o texto para vídeo — use o endpoint de imagem para vídeo do Ray 3.2, que ancora no seu frame e só precisa da metade de movimento do prompt.

O esqueleto de prompt que funciona no Ray 3.2

Em todos os testes, os clipes que mantiveram a coerência visual seguiram a mesma ordem de orações:

1. Movimento de câmera primeiro. "dolly cinematográfico lento", "tomada aérea com deriva lateral", "push handheld". O Ray 3.2 trata a primeira oração como instrução dominante, então coloque o movimento ali.
2. Sujeito + sua ação. Um sujeito claro fazendo uma coisa clara. Dois sujeitos concorrentes é exatamente onde o movimento começa a borrar.
3. Ambiente. Cenário suficiente para preencher o quadro, mas sem exagero — cenas densas sacrificam a estabilidade do movimento.
4. Luz e correção de cor. É aqui que o Ray 3.2 se destaca; ele responde forte à linguagem de luz e sombra ("hora dourada", "neon ciano e magenta", "contraluz"). Diga explicitamente o estilo de correção de cor.
5. Uma lista curta de negativos. Termine com Negative: ... para inibir os modos de falha comuns — texto, logo, membros deformados, cintilação, cortes abruptos.

Mantenha o prompt inteiro em poucas frases. Mais longo não é melhor; orações extras diluem a instrução de câmera.

Receita 1 — comece pela câmera: dolly lento

Ponto de ensino: coloque o movimento de câmera na primeira oração e use 21:9 para um visual widescreen cinematográfico.

Dolly cinematográfico lento em direção a um faroleiro solitário numa varanda de ferro desgastado,
névoa salgada passando pelo quadro. Luz de amanhecer nublado, tons frios de azul-acinzentado, sombras suaves e difusas.
A câmera desliza para frente num ritmo estável e sereno, comprimindo a distância aos poucos, gaivotas cruzando ao fundo. Textura de lente
anarmôrfica, profundidade de campo rasa, grão de filme suave. Negativo: sem texto, sem
logo, sem mãos deformadas, sem cortes abruptos.

Configuração: duration 5, resolution 540p, aspect_ratio 21:9. A abertura "Dolly cinematográfico lento" faz o trabalho pesado — o Ray 3.2 a lê como instrução primária, mantendo o deslize frontal estável em vez de à deriva. "Ritmo sereno" é uma expressão útil que inibe o movimento rápido e ansioso que modelos de texto para vídeo trazem por padrão.

Receita 2 — plano de estabelecimento e ritmo

Ponto de ensino: um movimento aéreo de estabelecimento com uma "revelação" deliberada, e como a linguagem de luz carrega o clima inteiro.

Plano de estabelecimento aéreo, deriva lenta sobre um vale de arrozais em terraços na hora dourada, sol baixo
varrendo obliquamente as águas alagadas que refletem o céu âmbar. Névoa se acumula nos terraços inferiores. A câmera se move lateralmente
num ritmo lento e sereno, revelando aos poucos um agricultor caminhando por uma estreita estrada de terra. Iluminação quente de alta faixa
dinâmica, verdes e dourados intensos, névoa cinematográfica. Negativo: sem texto, sem marca d'água,
sem cintilação, sem geometria distorcida.

Configuração: duration 5, resolution 720p, aspect_ratio 16:9. Duas coisas fazem este clipe funcionar. Primeiro, "revelando aos poucos um agricultor" dá ao movimento lateral um propósito — a câmera tem para onde ir. Segundo, o trecho de luz ("hora dourada", "sol baixo varrendo obliquamente", "alta faixa dinâmica quente") é de onde vem o visual cinematográfico do Ray 3.2; tire isso e você fica com uma tomada de drone sem graça. Este também é o clipe de onde extraímos o frame de capa.

Receita 3 — luz ditando o clima e movimento handheld

Ponto de ensino: usar linguagem de correção de cor para criar clima, e "push handheld" para obter energia sem caos.

Beco molhado pela chuva à noite, letreiros de neon refletidos nas poças, vapor subindo de barracas de comida de rua.
Câmera handheld avançando suavemente pelo beco, reflexos molhados cintilando levemente a cada passo. Luz de neon
ciano e magenta cheia de clima, sombras profundas, névoa de luz volumétrica, letreiros ao fundo formando bokeh cinematográfico.
Negativo: sem texto legível, sem logo, sem pessoas deformadas, sem cintilação.

Configuração: duration 5, resolution 540p, aspect_ratio 16:9. "Câmera handheld avançando suavemente" traz um pouco de tremor orgânico, enquanto "suavemente" impede que vire câmera sacudida. O negativo sem texto legível é deliberado: cenas de neon tentam o modelo a gerar letreiros embaralhados, e pedir sem texto legível é mais confiável do que esperar que ele soletre palavras corretamente.

Receita 4 — acompanhe um sujeito em movimento

Ponto de ensino: um plano de acompanhamento que mantém um único sujeito centralizado, com negativos voltados a falhas anatômicas.

Uma raposa-vermelha saltando sobre neve fresca e fofa numa floresta de bétulas iluminada pelo sol, flocos de neve espalhando suavemente à contraluz.
A câmera acompanha a raposa lateralmente num ritmo estável, mantendo-a no centro do quadro enquanto as árvores passam velozes.
Luz fria de manhã de inverno, branco frio com luz de contorno solar quente, grãos de neve brilhantes. Negativo:
sem membros extras, sem tremor, sem texto, sem mudanças de velocidade não naturais.

Configuração: duration 5, resolution 540p, aspect_ratio 16:9. "Mantendo-a no centro do quadro enquanto as árvores passam velozes" é a expressão-chave — ela diz ao Ray 3.2 que o sujeito é a âncora e que o fundo é o que se move, que é exatamente como um plano de acompanhamento real é lido. Movimento de animais é o que mais expõe defeitos nos membros, então sem membros extras e sem mudanças de velocidade não naturais merecem lugar na lista de negativos.

Receita 5 — formato vertical e tilt macro

Ponto de ensino: mudar para 9:16 para redes sociais e fazer um tilt lento sobre um sujeito macro compacto.

Plano macro vertical de um café expresso sendo extraído, crema escura girando numa xícara de vidro quente
sobre uma bancada de mármore sob luz suave da janela pela manhã. A câmera sobe lentamente do grupo de extração
gotejante até a xícara pronta. Profundidade de campo rasa, tons quentes de caramelo, vapor subindo suavemente, aspecto comercial premium.
Negativo: sem mãos trêmulas, sem derramamento, sem sobreposição de texto, sem banding de cor.

Configuração: duration 5, resolution 540p, aspect_ratio 9:16. Mudar para 9:16 não custa nada a mais — o Ray 3.2 cobra por duração e resolução, não por proporção, então você pode produzir clipes verticais para redes sociais pelo mesmo preço do widescreen. O tilt lento ("do ... subindo lentamente até ...") dá movimento a um sujeito macro compacto sem que a cena inteira precise se mover.

Tabela rápida de configurações e custos

Parâmetro	Valores aceitos
duration	5, 10 (inteiros)
resolution	540p, 720p, 1080p
aspect_ratio	16:9, 9:16, 1:1, 4:3, 3:4, 21:9

A cobrança é um valor fixo por clipe (em 2026-10):

Clipe	Preço
5 s · 540p	$0.2145
5 s · 720p	$0.429
5 s · 1080p	$1.7145
10 s · 540p	$0.643
10 s · 720p	$1.286
10 s · 1080p	$5.143

Um fluxo de trabalho sensato é iterar o prompt em 5 s/540p (cerca de 21 centavos por tentativa) e, quando a composição e o movimento parecerem certos, reexecutar o prompt que você manteve em resolução mais alta. A tabela de preços completa e atualizada fica na página de preços do HiAPI.

Pistas comuns de falha e como corrigir na redação

• Movimento rápido demais. Acrescente "ritmo lento e sereno" à oração de câmera.
• Letreiros ou legendas embaralhados. Coloque sem texto legível / sem sobreposição de texto nos negativos, em vez de tentar soletrar palavras.
• Sujeito borrado ou com imagem fantasma. Reduza a um único sujeito e nomeie-o como âncora ("mantendo-a no centro do quadro").
• Cintilação e flicker em cenas de neon ou alto contraste. Acrescente sem cintilação, sem flicker.
• Defeitos nos membros de pessoas e animais. Acrescente sem membros extras, sem mãos deformadas.

FAQ

Quanto tempo podem ter os clipes de texto para vídeo do Ray 3.2? Dois comprimentos: 5 ou 10 segundos. O campo duration aceita apenas os inteiros 5 e 10.

Quais resoluções e proporções são suportadas? As resoluções são 540p, 720p e 1080p. As proporções são 16:9, 9:16, 1:1, 4:3, 3:4 e 21:9 — seis no total, cobrindo widescreen, vertical, quadrado e anamórfico.

Renderizar clipes verticais (9:16) custa mais caro? Não. O preço depende só da duração e da resolução, então na mesma duração e resolução um clipe vertical 9:16 custa o mesmo que um 16:9.

Posso dar uma imagem inicial ao Ray 3.2 em vez de um prompt de texto? Pode, mas esse é outro endpoint — o imagem para vídeo do Ray 3.2 aceita um primeiro frame (e opcionalmente um último frame). O texto para vídeo é para quando você parte de uma descrição, não de uma imagem.

Estes prompts exatos vão reproduzir estes clipes exatos? Modelos de vídeo não são determinísticos, então você obterá o mesmo estilo e composição, mas não um clipe idêntico pixel a pixel. Trate estes prompts como pontos de partida confiáveis e ajuste as orações de câmera e luz ao seu gosto.

Quer testar estes prompts?

Copie qualquer receita acima e execute-a na página do modelo de texto para vídeo Ray 3.2 — o mesmo endpoint /v1/tasks, uma única API key para todos os modelos. Se você está comparando modelos de vídeo, o mesmo tratamento de "pronto para copiar e colar + clipes reais" está nas nossas receitas de prompts do Seedance 2.5 e nos prompts de texto para vídeo do Veo 3.1 Lite, para que você veja a mesma estrutura de prompt funcionando em outra engine antes de se comprometer.