Vídeo feito a partir de uma única foto de produto custou $4,25 em vez de $2,42 por causa de defeitos do Seedance 2.0
Um vendedor de marketplace precisa de um vídeo vertical de 15 segundos, mas só tem uma foto de um frasco e nenhum orçamento para gravação. O autor montou um pipeline: o Gemini desenha um storyboard de seis quadros, um modelo de texto escreve o prompt e o Seedance 2.0 gera o vídeo. O primeiro take custa $2,42, mas traz quatro tipos de defeito, como um slogan com a letra «Е» no lugar de «Э». Três refilmagens somaram $1,83, e o total chegou a $4,25. Por isso, reserve para cada vídeo quase o dobro do orçamento do primeiro take.
Processado por IA de Habr AI; editado por Hamidun News
Vendedores de marketplaces costumam pedir sempre a mesma coisa: eles têm uma única foto do produto, precisam de um vídeo publicitário vertical de 15 segundos e não têm dinheiro para uma gravação com o produto. O autor de uma análise publicada no Habr montou um pipeline que gera esse tipo de vídeo via API e calculou quanto isso custa na prática. O primeiro take, ou seja, a primeira versão gerada, custa $2,42 (imagens, prompt e vídeo do Seedance 2.
0). Mas o vídeo tinha defeitos: no slogan, por exemplo, o modelo desenhou «Е» no lugar da letra «Э». As correções (três refilmagens de planos com problema) custaram mais $1,83, e a conta total ficou em cerca de $4,25.
Se você produz esses vídeos para clientes ou os embute em um serviço para vendedores, considere um custo quase duas vezes maior que o do primeiro take.
Como funciona o pipeline
O esquema tem cinco etapas. Primeiro, a foto do produto e o briefing vão para um gerador de imagens. No teste, a foto de um sérum fictício chamado «СЕВЕР» foi gerada no gemini-3.
1-flash-image. O gerador desenha um storyboard: seis quadros em uma grade de 2 por 3, com a duração indicada abaixo de cada um. Em seguida, o storyboard vai para um modelo de texto, que escreve o prompt do vídeo quadro a quadro, com timecodes.
A terceira etapa é a geração no bytedance/seedance-2.0 via OpenRouter: 15 segundos, formato 9:16, 720p, com áudio. A quarta e a quinta etapas são a revisão quadro a quadro e a refilmagem, um a um, dos planos com problema.
O texto só entra depois, na edição.
O OpenRouter entrega modelos de vídeo de forma assíncrona. Você cria a tarefa via POST /api/v1/videos e depois consulta GET /api/v1/videos/{id} até o status virar completed. A resposta final traz o link do arquivo e o campo usage.cost em dólares, então não é preciso calcular o preço do take por tokens.
O Seedance tem dois modos principais. No modo input_references, as imagens servem de referência: da foto, o modelo tira a embalagem e as cores; do storyboard, a ordem dos planos; os quadros, ele constrói por conta própria. No modo frame_images com first_frame, a imagem vira o primeiro quadro exato.
O primeiro modo serve para o vídeo inteiro; o segundo, para refilmar um único plano. Há ainda uma terceira opção: first_frame mais last_frame, em que o modelo completa o movimento entre dois quadros. Para proteger a embalagem de ser redesenhada, o autor define no início do prompt o papel de cada imagem: a primeira é a única referência do frasco, e o rótulo não deve ser alterado; a segunda mostra apenas a ordem dos planos.
Para a refilmagem, ele extrai com o ffmpeg o último quadro do plano anterior, envia como first_frame e pede que o movimento continue. A emenda fica sem saltos. O áudio é desativado nas inserções: o preço não muda (cerca de $0,15 por segundo, com ou sem áudio), mas uma refilmagem com áudio foi barrada na moderação, que considerou a música gerada parecida com a de outra obra.
Quatro tipos de defeito
À primeira vista, o vídeo do primeiro take parece pronto, mas a revisão quadro a quadro revela quatro problemas.
O primeiro é um erro no texto exibido na tela. O slogan veio do storyboard, o modelo de texto o levou para o prompt, e o modelo de vídeo o desenhou com erro de grafia. Agora, o prompt do vídeo não deve conter nenhum texto novo, exceto a inscrição do rótulo. Ao modelo de texto, o autor escreve de forma direta: «Не добавляй слоганы, титры и любой новый текст» (Não adicione slogans, créditos nem qualquer texto novo).
O segundo é o rótulo «colado». Quando a câmera orbita o produto, o fundo muda, mas o rótulo continua sempre voltado para a lente. A partir de uma só foto, o modelo conhece apenas um lado do frasco. É mais seguro usar um travelling lateral ou uma órbita de no máximo um quarto de círculo. Vários ângulos na entrada provavelmente ajudariam, mas o autor não testou isso.
O terceiro é o salto na emenda. Dois planos vizinhos foram filmados quase do mesmo ponto, e o frasco se desloca alguns centímetros. Planos vizinhos precisam ter diferença clara de enquadramento ou de ângulo.
O quarto é a transição ignorada. Em vez de uma dissolução suave entre o quarto e o quinto plano, saiu um corte seco, e a câmera girou para o lado errado na emenda. A continuação deve ser descrita com movimento visível: «вся сцена уезжает вправо» (a cena inteira se desloca para a direita) funciona melhor que «камера едет влево» (a câmera vai para a esquerda). As transições ficam melhor se feitas na edição.
Quanto custa e quais são as limitações
O storyboard e a foto do produto (2 imagens 1K) custam $0,14, o prompt do gemini-3.5-flash, cerca de $0,01, e o vídeo de 15 segundos com áudio, $2,27. Somados, dão $2,42. Três refilmagens de 4 segundos sem áudio custaram $1,83, totalizando cerca de $4,25. Foram pagos 27 segundos de vídeo, e 15 entraram no resultado final, por isso o coeficiente de consumo é 1,8. Os preços são de 8 de outubro de 2026, sem taxas.
As etapas 1–4 levam cerca de meia hora, dos quais oito minutos são de espera pelo vídeo. Um plano de 4 segundos leva cerca de três minutos para ser gerado. A etapa 5 consome o resto da noite, e não foi possível automatizá-la por completo.
A API também tem limitações. O Seedance 2.5 via OpenRouter recusou imagens fotorrealistas de pessoas com o erro InputImageSensitiveContentDetected.
PrivacyInformation. O autor não testou isso na versão 2.0, mas a linha de modelos e a proteção da ByteDance são as mesmas.
Por isso, não é possível fazer assim um vídeo de «produto na mão do personagem» com o seu personagem; ele precisa ser descrito com palavras. Pedidos recusados não geraram cobrança. A moderação também age depois da geração: nos testes, ela barrou tanto vídeo quanto música.
As cobranças ocorreram apenas nas tentativas bem-sucedidas, mas o tempo de espera foi perdido. Além disso, o modelo mantém a inscrição da foto, mas gosta de alterá-la, então é preciso conferir cada inscrição com o original, letra por letra, em cada plano.
Antes de entregar, o autor verifica seis pontos: as inscrições coincidem com o original; não há texto novo no quadro; na órbita, o rótulo gira junto com o produto; planos vizinhos se diferenciam por enquadramento ou ângulo; o movimento na emenda segue em uma só direção; e não há fala ou canto acidental no áudio. O último ponto é fácil de automatizar: o clipe inteiro vai para o gemini-flash-latest (vídeo inline, até ~18 MB), e o modelo lista toda a fala com timecodes. Os cinco primeiros pontos, por enquanto, só podem ser verificados a olho, em uma folha de quadros.
A principal conclusão: um vídeo a partir de uma única foto fica pronto em cerca de meia hora, mas o primeiro take quase nunca é o final. Reserve para as correções tanto quanto para a primeira geração, mantenha o texto fora da geração e confira o rótulo quadro a quadro.
- 18 de nov. de 2026Alibaba reduz em 67% o custo por tarefa do Qwen4-Max, mas o GPT-6.1 Sol sai mais barato: $3,27 contra $1,27
- 18 de nov. de 2026Meituan abre os pesos de um modelo agêntico de 1,6 trilhão de parâmetros treinado sem Nvidia
- 12 de nov. de 2026Google abre pré-venda de óculos com Gemini a partir de US$ 395 e bloqueia filmagem oculta
- 12 de nov. de 2026Samsung prepara assinatura paga do Galaxy AI: a partir de US$ 4,99 por mês e créditos no lugar do uso ilimitado
Perguntas frequentes sobre a notícia
Como funciona o pipeline?
O esquema tem cinco etapas. Primeiro, a foto do produto e o briefing vão para um gerador de imagens. No teste, a foto de um sérum fictício chamado «СЕВЕР» foi gerada no gemini-3.1-flash-image. O gerador desenha um storyboard: seis quadros em uma grade de 2 por 3, com a duração indicada abaixo de cada um. Em seguida, o storyboard vai para um modelo de texto, que escreve o prompt do vídeo quadro a quadro, com timecodes.
O que se sabe sobre Quatro tipos de defeito?
À primeira vista, o vídeo do primeiro take parece pronto, mas a revisão quadro a quadro revela quatro problemas. O primeiro é um erro no texto exibido na tela. O slogan veio do storyboard, o modelo de texto o levou para o prompt, e o modelo de vídeo o desenhou com erro de grafia. Agora, o prompt do vídeo não deve conter nenhum texto novo, exceto a inscrição do rótulo.
O que se sabe sobre Quanto custa e quais são as limitações?
O storyboard e a foto do produto (2 imagens 1K) custam $0,14, o prompt do gemini-3.5-flash, cerca de $0,01, e o vídeo de 15 segundos com áudio, $2,27. Somados, dão $2,42. Três refilmagens de 4 segundos sem áudio custaram $1,83, totalizando cerca de $4,25. Foram pagos 27 segundos de vídeo, e 15 entraram no resultado final, por isso o coeficiente de consumo é 1,8. Os preços são de 8 de outubro de 2026, sem taxas. As etapas 1–4 levam cerca de meia hora, dos quais oito minutos são de espera pelo vídeo.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.