Nano Banana 2.1 e Hailuo 3.0 em dupla: vídeo a partir de uma única foto

Duas entradas, dois modelos, um resultado. Para gerar vídeo a partir de uma fotografia, a rede neural precisa de um quadro inicial e de uma descrição do movimento. É nesse esquema que se baseia o artigo do Habr: o Nano Banana 2.1 prepara a imagem, e o Hailuo 3.0 (também chamado de MiniMax H3) a coloca em movimento. O anúncio no RSS traz apenas a tese; os prompts e os exemplos estão no texto completo, atrás do corte. Por isso, o que segue trata do que decorre do esquema apresentado e do que será preciso verificar por conta própria.

Por que dividir o trabalho entre dois modelos

Quando gera vídeo diretamente a partir de texto, o modelo resolve três tarefas ao mesmo tempo: inventa a composição, define a aparência do personagem e calcula o movimento. Qualquer erro na primeira ou na segunda tarefa contamina todo o resto. O modo image-to-video elimina parte dessa incerteza. Rosto, roupa, iluminação e fundo ficam fixados antes de a animação começar, e o modelo de vídeo cuida apenas do movimento.

É exatamente assim que o trabalho se divide na dupla analisada. O Nano Banana é conhecido como uma linha de geradores e editores de imagens, e o Hailuo faz parte da família de modelos de vídeo da MiniMax. As versões 2.1 e 3.0 aparecem no título do autor. O material não traz especificações independentes sobre elas, por isso não faço comparações com concorrentes. Para a prática, a lógica em si basta: o quadro pode ser refinado e refeito várias vezes até ficar impecável, e só então se aciona a animação, mais pesada.

Física do movimento: onde esses esquemas falham

O autor destaca a física do movimento, que é o ponto mais fraco de qualquer modelo de vídeo. Os tropeços típicos são conhecidos. Mãos e dedos mudam de forma durante o movimento. Os pés deslizam pela superfície. Tecido e cabelo não reagem ao vento nem à inércia. Objetos surgem do nada ou desaparecem na borda do quadro.

Daí vem a lógica do prompt de movimento. Ele não deve repetir o que já está na foto: o modelo enxerga sozinho o personagem, a roupa e o interior. O prompt precisa descrever apenas a mudança: o que o sujeito faz, como a câmera se move, qual é o ritmo, o que acontece com o fundo. Quanto mais específico o verbo e mais simples a ação, menor a chance de gerar um artefato físico. Um único movimento suave costuma ser mais confiável do que uma cena com cinco eventos.

O anúncio não traz formulações concretas nem comparações de resultados. Elas devem ser buscadas no texto principal do artigo.

O que se sabe sobre o esquema

• Entrada 1: quadro inicial preparado no Nano Banana 2.1.
• Entrada 2: descrição textual do movimento.
• Modelo de vídeo: Hailuo 3.0 (MiniMax H3).
• Foco da análise: física do movimento e estrutura dos prompts.
• Fonte: artigo no Habr, texto completo atrás do corte.
• Não revelado no anúncio: duração do clipe, resolução, custo de geração, termos de licença.

Como repetir o esquema na prática

Comece pelo quadro. Monte uma imagem com composição limpa: personagem de corpo inteiro ou da cintura para cima, sem mãos encobertas e com uma fonte de luz clara. Quanto mais simples a geometria, mais fácil para o modelo de vídeo preservá-la.

Em seguida, escreva o prompt de movimento em frases curtas, na ordem "sujeito, ação, câmera, ritmo". Por exemplo: a pessoa vira lentamente a cabeça em direção à janela, a câmera se aproxima suavemente, o tecido ondula de leve. Não inclua no prompt estilo nem detalhes de aparência, que já estão embutidos no quadro.

Gere várias variações da mesma solicitação e compare-as por critérios concretos: o formato das mãos se mantém, o fundo não "flutua", a inércia combina com o ritmo pretendido. Se o artefato se repetir, simplifique a ação em vez de complicar a descrição.

Antes de qualquer uso comercial, verifique o que o anúncio deixa de lado: limites de duração, resolução de saída, preço por segundo e direitos sobre o material. Esses parâmetros definem se a dupla serve para um fluxo de trabalho profissional ou só para experimentos.