Technokafe montou um videoensaio com código: 73 segundos por $10 em tokens do Claude Code

O autor do canal de Telegram «Technokafe» fazia, até agora, reels de um minuto. Agora ele testa o videoensaio em formato 16:9, em que um tema é analisado ao longo de capítulos. O primeiro capítulo dura 73 segundos e trata de empresas de uma só pessoa. O processo não usa editor de vídeo: o roteiro, os quadros, a voz e as cenas são descritos em texto, e o Claude Code, com o Opus 5.5, transforma essa descrição no vídeo. Pela estimativa do autor, o trabalho do agente custou cerca de $10 em valores de API, ou seja, aproximadamente 1% do limite semanal da assinatura Max.

O dado em que o capítulo se apoia

O capítulo se baseia no Solo Founders Report, que a Carta publicou em dezembro de 2025. Nos EUA, a fatia de novas startups com um único fundador subiu de 23,7% em 2019 para 36,3% no primeiro semestre de 2025. Isso representa alta de 12,6 pontos percentuais, um crescimento de cerca de uma vez e meia em seis anos. Para um canal sobre vibe coding e agentes de IA, a tese cai bem: o número descreve justamente o público que constrói produtos sozinho, com ajuda de agentes.

O próprio autor aparece em cena. Ele explica como divide o trabalho entre Claude Code, Codex, n8n e Make, mostra o relatório da Carta com o número destacado e detalha um exemplo em um quadro de cortiça. A lógica do formato é simples: o reel se sustenta em uma única ideia, enquanto o ensaio tem espaço para um exemplo, um dado com fonte e uma conclusão.

Do que o vídeo é feito e quanto custou

O autor listou toda a stack com os preços:

• Claude Code (Opus 5.5) — orquestrador. Recebe a descrição em texto do roteiro, dos quadros, da voz e das cenas e monta o vídeo a partir dela. Cerca de $10 via API, aproximadamente 1% do limite semanal do Max.
• ElevenLabs (voz) — clone da voz do autor, $0,25.
• ElevenLabs (música) — a trilha sonora é gerada na mesma plataforma; o preço não foi informado separadamente.
• Veo 3.1 Lite via Vertex — anima a foto do autor e a transforma em apresentador. $0,80, pagos com crédito do Google.
• Volcengine via kie — sincronização labial, apenas nos trechos com rosto. Cerca de $0,50.
• GPT Image via Codex — geração dos quadros. Funciona pela assinatura do ChatGPT, sem cobrança separada pelas imagens.
• HyperFrames — edição por código no lugar do editor tradicional.
• SAM 2.1 — recorta o apresentador do quadro localmente, na placa de vídeo do autor.
• n8n e Make — não fazem parte do pipeline do vídeo; aparecem no próprio capítulo como parte do fluxo de trabalho do autor, junto com Claude Code e Codex.

Somando os itens pagos informados ($10 + $0,25 + $0,80 + $0,50), chega-se a cerca de $11,55 por 73 segundos de vídeo pronto, aproximadamente 16 centavos por segundo. As assinaturas do ChatGPT e do Max não entram nessa soma, e parte dos gastos foi coberta por crédito do Google.

Por que a modularidade importa

A principal ideia de engenharia é que cada capítulo vive de forma independente. Um vídeo longo é feito em partes, e um capítulo pode ser refeito sem mexer nos outros. É a mesma lógica do desenvolvimento de software: módulos pequenos e independentes, fáceis de remontar. O agente trabalha com descrições em texto, então ajustar o vídeo significa alterar o texto, e não remontar a timeline.

A escala, nesse caso, cresce de forma linear. Um ensaio de dez minutos equivale a cerca de oito capítulos de 73 segundos. Com o mesmo custo por capítulo, isso dá algo em torno de $90–95 por vídeo, sem contar as assinaturas. É uma estimativa grosseira, feita com base nos números do autor: o gasto real depende da quantidade de trechos com rosto e do número de refações.

O que dá para aproveitar na prática

Para repetir a abordagem, não é preciso usar a stack completa. O conjunto mínimo é um agente de montagem (Claude Code), um gerador de imagens (GPT Image via Codex) e uma edição orientada a código (HyperFrames). Voz, apresentador e sincronização labial entram conforme a necessidade. As operações mais caras são o trabalho do próprio agente e a geração de vídeo com rosto, por isso vale economizar nelas: dividir o roteiro em capítulos independentes e aplicar lip sync apenas nos trechos em que a pessoa aparece em close. Se as ideias forem testadas em capítulos curtos, o custo de um erro fica na faixa de alguns dólares.

O autor pergunta ao público se os inscritos assistiriam a ensaios assim, de 10 ou 15 minutos, e pede sugestões de tema para o primeiro episódio.