Prompts para Gemini Omni 1.2 Flash: 7 regras e 9 comandos testados

👁 118 leituras

O Gemini Omni 1.2 Flash entende instruções com naturalidade e, à primeira vista, não exige nenhuma sintaxe mirabolante. Após gerar 24 clipes no dia de lançamento, percebi que certos hábitos fazem uma diferença brutal: uma frase para evitar cortes indesejados, falas sempre entre aspas e duração calculada para o ritmo do texto. A seguir, reuni as orientações da documentação do Google, minhas observações práticas e nove prompts que funcionaram para você copiar.

Sete regras que funcionam

1. Exija um plano-sequência. O Google avisa abertamente que o modelo tende a inserir cortes por conta própria. A instrução “um único plano contínuo, sem cortes” (ou em inglês, “a single continuous shot”) é a forma mais direta de manter a câmera firme do início ao fim. Sem ela, em uma cena com três pessoas, o sistema alternou a câmera a cada fala; com ela, executou um giro perfeitamente fluido ao redor dos personagens.
2. Descreva o trajeto da câmera como um diretor. De onde sai, pelo que passa e onde termina. “Drone desce entre edifícios residenciais, sobrevoa uma estrutura de lazer e entra por uma porta” rendeu um voo estável e contínuo de 15 segundos.
3. Falas entre aspas, com locutor e idioma definidos. Especifique quem fala e o idioma desejado, como: “O primeiro homem fala em polonês com tom de irritação: …”. Sem explicitar o idioma, o modelo pode assumir o inglês por padrão. Em nossos testes, solicitamos as falas originais em polonês para checar a pronúncia e a sincronia labial.
4. Ajuste o tempo ao tamanho do texto. Calcule cerca de dois segundos para cada frase curta. Em um clipe de 6 segundos, duas frases longas não couberam e a IA cortou a fala pela metade.
5. Coloque restrições no próprio corpo do texto. O Omni não conta com um campo específico para prompts negativos. Você deve escrever diretamente: “sem legendas e sem placas”, “No dialogue” ou “sem efeitos sonoros adicionais”. Funciona na maioria dos casos, embora com exceções: números em camisas esportivas apareceram mesmo com ordem em contrário.
6. Marque o tempo dentro da cena. O Google recomenda orientações como “após 3 segundos…” ou o uso de marcadores como [0-5s]. Isso ajuda muito em clipes de 10 a 15 segundos com múltiplas ações sequenciais.
7. Descreva o ambiente sonoro. A trilha não surge perfeitamente por acaso. Detalhes como “música acústica suave”, “batida marcante de hip-hop” ou “chiado de carne na grelha” entregaram exatamente o clima solicitado.

O que evitar nos prompts

• Crianças em cena. Uma tentativa com crianças jogando futebol foi barrada de imediato pelo filtro de moderação. Ao trocar os personagens por aposentados, a geração foi aprovada.
• Estúdios de TV com apresentadores. Dois pedidos seguidos foram recusados sem explicação detalhada. Uma professora em sala de aula passou sem problemas.
• Marcas reais e logotipos. Testes conduzidos pela plataforma Segmind esbarraram em bloqueios de direitos autorais. Citar nomes de lojas no diálogo funcionou, mas evitei pedir letreiros visíveis.
• Sintaxes antigas de parâmetros. A documentação oficial desaconselha tags no estilo <FIRST_FRAME>. Indique o papel de uma imagem de referência em prosa comum: “o mesmo cenário e as mesmas pessoas presentes na imagem de entrada”.

Nove comandos testados para copiar

Cada um dos comandos a seguir gerou um vídeo consistente em 720p nos meus testes. As durações estão indicadas entre parênteses. Como avaliamos o modelo com cenários e falas originais em polonês, as instruções abaixo são traduções fiéis dos prompts executados.

1. Voo em plano-sequência FPV (15 s)

(Tradução do prompt testado originalmente em polonês)

Um único plano contínuo em FPV com drone, sem cortes: início no alto sobre um conjunto habitacional de blocos de concreto ao pôr do sol, o drone mergulha entre os prédios, voa baixo sobre um batedor de tapetes e um banco com dois aposentados, entra pela porta aberta de um restaurante popular, desliza sobre o balcão com pierogi e para ao lado de um senhor tomando sopa, que levanta os olhos para a câmera. Sons naturais: vento, movimento distante do bairro, tilintar de pratos. Sem legendas e sem placas comerciais.

2. Giro de câmera 360 graus ao redor da personagem (6 s)

(Tradução do prompt testado originalmente em polonês)

A câmera realiza uma volta completa e suave de 360 graus ao redor de uma senhora idosa que vende maçãs em uma banca na praça de mercado de Kleparz, em Cracóvia, durante uma manhã de outubro. A senhora sorri e ajeita o lenço na cabeça. Enquadramento e escala constantes da personagem, sem cortes. Barulho ambiente de feira ao fundo. Sem letreiros.

3. Diálogo entre duas pessoas (8 s)

(Tradução do prompt testado originalmente em polonês com falas em polonês; em testes de 6 s o final foi cortado)

Dois vizinhos na faixa dos cinquenta anos em um quintal comunitário ao lado de uma churrasqueira. O primeiro, de boina, fala em tom de cobrança (tradução do original em polonês: "Eu te avisei que a linguiça era para ser do Biedronka, não do Lidl!"). O segundo, de óculos, responde calmamente (tradução do original em polonês: "Você vai comer e não vai reclamar"). Sincronia labial nítida, vozes naturais, chiado da grelha.

4. Três pessoas à mesa (10 s)

(Tradução do prompt testado originalmente em polonês com falas em polonês)

Ceia de Natal tradicional em um apartamento, mesa servida com sopa de beterraba e pastéis uszka, árvore de Natal iluminada ao fundo. Três pessoas conversam em polonês, cada uma com timbre vocal distinto. A avó pergunta (tradução do original em polonês: "Quem comeu o último pastelzinho?"). O neto adolescente, de boca cheia (tradução do original em polonês: "Eu não, juro!"). A mãe ri e comenta (tradução do original em polonês: "Tem pedaço de massa no seu queixo"). Movimento labial preciso de cada personagem, a câmera direciona o foco suavemente para quem está falando.

5. Uma pessoa falando diretamente para a câmera (8 s)

(Tradução do prompt testado originalmente em polonês com falas em polonês)

Professora de história, mulher por volta dos 40 anos vestindo suéter e óculos, posicionada diante do quadro-negro em uma sala de aula sem alunos visíveis no enquadramento. Ela olha fixamente para a lente e diz claramente, em tradução do teste original em polonês: "Grunwald, ano de mil quatrocentos e dez. Anotem isso, porque na sexta-feira haverá prova surpresa." [Grunwald, ano de mil quatrocentos e dez (tradução do original em polonês: "mil quatrocentos e dez"). Anotem isso, porque na sexta teremos prova surpresa]. Sincronia labial exata, entonação natural, tomada contínua com aproximação suave da câmera.

6. Enquadramento de produto comercial (8 s)

(Tradução do prompt testado originalmente em polonês)

Comercial publicitário de produto: pote de conservas artesanais de pepino com endro e alho sobre mesa rústica de madeira em cozinha campestre, iluminada pela luz matinal que entra pela janela. A câmera circula lentamente ao redor do pote, a mão de uma avó desrosqueia a tampa, vapor e gotas de salmoura sobem em câmera lenta, um pepino é retirado com garfo. Paleta de cores quentes, profundidade de campo rasa, fundo com música acústica calma. Sem rótulos com marcas e sem palavras gravadas.

7. Estilo anime cinematográfico (8 s)

(Tradução do prompt testado originalmente em polonês)

Anime com traço desenhado à mão no estilo de longas-metragens de animação: um bonde elétrico noturno trafega por uma metrópole sob chuva, no interior uma estudante de fones de ouvido observa as luzes urbanas através do vidro embaçado, reflexos de néons sem letreiros legíveis sobre o asfalto molhado. A câmera se desloca do exterior do veículo para o interior através da janela. Ruído delicado de chuva e som metálico dos trilhos.

8. Formato vertical para redes sociais (8 s, 9:16)

(Tradução do prompt testado originalmente em polonês)

Vídeo vertical na proporção 9:16: jovem dançarina com calça cargo larga e moletom dança hip-hop no topo de um terraço de edifício ao entardecer, câmera na mão circulando dinamicamente ao redor dela, vento agitando os cabelos, finalizando com ela parada encarando a lente. Batida firme de hip-hop, sem textos sobre a tela.

9. Tomada esportiva em ação rápida (6 s)

(Tradução do prompt testado originalmente em polonês)

Partida de vôlei em ginásio coberto, equipe com uniformes bicolores em vermelho e branco sem números e sem logotipos. Atleta salta junto à rede para atacar, corte potente, a bola rebate no bloqueio e toca a quadra, torcida comemora euforicamente. Câmera ágil na lateral da quadra, som do impacto seco na bola e gritos dos torcedores.

A movimentação atlética ficou bastante convincente, mas a exigência de “sem números” foi completamente ignorada pela IA.

Configurações recomendadas para começar

• Rascunho de teste: 360p, entre 5 e 8 segundos, mantendo a mesma semente (seed). Custa por volta de 0,02 USD por segundo na API.
• Versão final para publicação: 720p nativo. Oferece nitidez suficiente para a grande maioria das plataformas digitais.
• 1080p e 4K dependem de upscaling: alterar apenas o seletor de resolução em intermediários costuma forçar a renderização de uma cena totalmente nova em vez de aprimorar a anterior. Escolha primeiro a tomada ideal e só então aplique o aumento de escala por ferramenta dedicada.

Você pode conferir as tabelas de custo no guia de preços do Gemini Omni 1.2, ver a análise aprofundada no teste de 24 clipes com Gemini Omni e explorar o panorama completo no hub do Gemini Omni Flash.

// continue lendoQual IA usar para estudar biologia? Teste com GeminiGeralGemini 4 Argon no Modo IA: o que muda para o SEOGeralIA para dever de casa: ChatGPT, Gemini e modo de estudoGeral