Série animada feita com IA: episódio de 24 segundos foi montado de dez maneiras, e a melhor custou 162 créditos

A equipe que produz a série animada vertical «Rua da Floresta» inteiramente com modelos em nuvem publicou um relatório sobre a produção. Entre 29 e 31 de outubro de 2026, ela remontou um episódio, «Agitação proibida», de cerca de dez maneiras, usando Wan, Kling, Veo, Seedance, GPT Image e Nano Banana Pro. O episódio dura 24 segundos, os personagens são fixos e a fala é em russo.

Os gastos aparecem em créditos do Higgsfield (moeda interna do serviço em que o Kling é rodado) e em bônus do Flow (a unidade que mede o uso do Veo). As unidades não se somam. Ainda não há dados de audiência para nenhum dos métodos, e cada teste foi feito uma única vez, então o relatório não deve ser lido como um ranking de modelos.

Ordem das etapas: primeiro um rascunho barato, depois a animação

O fluxo é este: bíblia de personagens, roteiro segundo a segundo, aprovação humana, fichas de referência dos personagens, quadros no GPT Image, vozes no ElevenLabs, montagem com movimento de câmera, verificação e, por fim, a revisão do rascunho por uma pessoa. Só depois disso a cena vai para o Kling 4.0: um plano contínuo, com 2 a 3 takes. Assim, o dinheiro da animação é gasto apenas em uma história que já foi aprovada.

A principal conclusão dos autores: o ponto fraco eram os prompts vagos, não os modelos em si. O roteiro é detalhado segundo a segundo: quem fala, com que entonação, o que o ouvinte faz, onde fica a pausa, quando o objeto é revelado. No terceiro prompt para o Kling, a equipe incluiu a proibição de eco, os intervalos exatos entre as falas e a marcação «ZINA ONLY». As cinco falas foram reconhecidas sem repetições. Antes da publicação, um assistente de IA "novo", sem contexto prévio, reconta a cena quadro a quadro, sem som. Se o sentido não bater com a ideia original, o episódio não sai.

Dez testes com uma única história

Todos os testes são de 30 de outubro, com a história «Agitação proibida», de cerca de 24 segundos:

• Wan 3.0 Prime + Speak 2.0, por planos: 116 créditos, cerca de 47 minutos.

O pregador já aparece na mão, e as letras foram completadas sozinhas. Descartado por uma pessoa. • Kling 4.

0 + Avatars 2.0, por planos: 61,75 créditos, cerca de 17 minutos. Letras sobrando na camiseta; Zina pisca em vez de semicerrar os olhos.

Descartado. • Veo 3.1 Fast, por planos: 180 bônus, cerca de 29 minutos.

Em vez do pregador, mexeu-se a ficha do personagem. Descartado. • Imagens com câmera («quadrinhos»): sem gasto novo.

Trocas de plano muito visíveis; descartado. • Kling 4.0 de uma vez: 54 créditos, cerca de 6 minutos.

As vatrushkas aparecem antes da hora, o quadro tem pseudotexto e o cômodo muda. Eliminado pela verificação automática. • Seedance 2.

5 de uma vez: 168 créditos, cerca de 8 minutos. Duas Zinas, textos errados, sem som. Eliminado.

• Veo 3.1 Fast, três partes: 80 bônus, cerca de 10 minutos. Os personagens se misturaram, as vatrushkas não foram reveladas, volume de −18,3 LUFS.

Eliminado. • Kling 4.0 com atuação segundo a segundo, 3 takes: 162 créditos, cerca de 16 minutos.

Um plano, cinco falas, vatrushkas reveladas no final. Aprovado. • GPT Image + câmera, 10 quadros: 12 gerações, 373 caracteres de locução.

As poses mudam de forma abrupta, e o texto não tem erros. Aprovado como versão barata. • Nano Banana Pro 2K + câmera (plano ilimitado): as poses mudam de imediato e o pombo está fora do lugar.

Sem avaliação.

Em um teste cego com seis vídeos (162,5 créditos), o Wan 3.0 Prime foi o preferido de quem avaliou. Mas, na cena com falas e emoções, o Kling se saiu melhor, e a escolha não se sustentou. O Seedance foi retirado da produção por causa da qualidade, embora houvesse plano ilimitado para ele. Os modelos de vídeo estragam as letras, então agora todas as fichas e lousas dentro do vídeo ficam limpas, e os textos são desenhados em imagens do GPT Image e do Nano Banana. Os vídeos são gerados em 720p e esticados para 1080×1920. A geração do Kling em 1080p custou 96 créditos, contra 54.

Voz e verificação: o que a automação não ouve

A locução é feita com o ElevenLabs eleven_v4, com marcações de emoção. Para os oito personagens, a equipe fez um casting com 24 candidatos (2 992 créditos). A primeira voz de Zina, Nadia, foi retirada: estava marcada como jovem, e a personagem tem 74 anos. Foi escolhida a Babushka Valya, mas pela descrição, não pelo som. As gravações lentas são aceleradas até ×1,30 sem alterar o tom.

O Kling fala com vozes próprias, por isso a fala é substituída. O Audio Isolation separa a voz, as falas são cortadas em janelas, cada uma passa pelo Voice Changer (eleven_multilingual_sts_v2) e é colocada sobre um fundo baixo. O fluxo de vídeo não muda: o hash SHA-256 antes e depois é idêntico. Pela estimativa do Scribe, o serviço de reconhecimento de fala do ElevenLabs, as fronteiras das palavras se deslocaram no máximo 0,06–0,08 s. Isso não confirma a sincronia labial.

A verificação é separada da montagem. Os quadros são extraídos a cada 0,25 segundo, cerca de 100 por vídeo, e analisados por um assistente de IA. A fala é reconhecida pelo faster-whisper small, rodado localmente. O volume é medido pelo ffmpeg e normalizado para −14 LUFS. A faixa original oscilava: o Kling ficava em torno de −11,7, e o Veo em −18,3, com queda a −23,3 na terceira parte. Nenhum assistente de IA ouve áudio: o envio de um WAV retornou «audio input not supported». O reconhecimento devolve palavras, não sílabas tônicas, então não serve para checar a acentuação. Não foi possível conectar um dicionário de 31 palavras: a chave de API não tinha a permissão pronunciation_dictionaries_write.

O que continua sem solução

Transferir uma boa imagem para o vídeo não é confiável. Em «E o telefone, vai onde?», a caixa cobre a bandeja, a lâmpada se desloca sem ação visível e o telefone sobe antes da pausa.

A ficha do Tyoma parece mais nova que 16 anos, e todos os quadros herdam isso. As versões feitas com imagens duplicam silhuetas nas transições de cinco quadros. Não há confirmação auditiva das vozes.

O principal que os autores não sabem: quanto custa, em rublos e em horas de trabalho humano, obter de forma regular um bom episódio, e não uma única tentativa bem-sucedida. A conclusão prática para quem faz vídeo com IA: detalhe a cena segundo a segundo, teste-a em quadros baratos e não confie no relatório da verificação automática sem usar os próprios ouvidos.