Workflows de Mídia com IA:
Imagem, Áudio e Vídeo como pipeline de trabalho

Como usar esta apostila + mapa de carreira

Cinco minutos aqui economizam horas depois. Entenda a lógica dos níveis, o que estudar primeiro conforme seu objetivo profissional e como praticar sem gastar muito.

0.1 A lógica dos quatro níveis

• Fundamentos (Módulo 1): o mínimo de teoria para você entender por que os truques funcionam — e conseguir aprender qualquer ferramenta nova sozinho.
• Prática por mídia (Módulos 2–7): imagem, áudio e vídeo, cada um em dois módulos: um de base sólida e um avançado.
• Integração e muito avançado (Módulos 8–10): onde as três mídias viram um pipeline só — e depois viram código, automação e escala. É o que diferencia salários.
• Carreira (Módulos 11–12): como transformar a habilidade em trabalho pago: cargos, portfólio, precificação, contrato e ética.

0.2 Trilhas recomendadas por objetivo

0.3 Como praticar gastando pouco

• Planos gratuitos e créditos iniciais: quase toda ferramenta (geradores de imagem, vídeo e voz) oferece créditos de teste. Use-os para os exercícios, não para "brincar".
• Open source local: se você tem GPU (8 GB+ de VRAM), Stable Diffusion/Flux via ComfyUI custa zero por imagem (Módulo 9).
• Agregadores de API (Replicate, fal.ai): pagam-se centavos por geração, sem assinatura — ótimo para testar dezenas de modelos (Módulo 10).
• Regra de ouro: gere pouco, planeje muito. Quem escreve bem o prompt e o brief gera 5 vezes menos e entrega mais rápido. Custo é habilidade profissional.

Fundamentos: como a IA gera mídia (e por que isso importa no trabalho)

Você não precisa de matemática — precisa do modelo mental certo. Quem entende difusão, espaço latente e seed resolve problemas que fazem os outros desistirem.

1.1 Os três motores da mídia generativa

1.2 Conceitos que você vai usar todo dia

• Espaço latente: uma representação comprimida onde o modelo "pensa". Editar no latente (inpainting, img2img) é mais barato e coerente do que gerar do zero.
• Seed: o número que inicializa o ruído. Mesmo prompt + mesma seed + mesmos parâmetros = resultado quase idêntico. É a base da reprodutibilidade — e cliente adora reprodutibilidade.
• CFG / guidance scale: o quanto o modelo obedece ao prompt. Baixo = criativo e solto; alto = literal, mas pode "queimar" cores e distorcer.
• Steps (passos de difusão): mais passos = mais refino, até um platô. Dobrar os steps não dobra a qualidade — só o custo.
• Resolução nativa vs. upscale: cada modelo tem resoluções em que foi treinado. Gerar fora delas causa duplicações e anatomia quebrada; o certo é gerar nativo e ampliar depois.
• Contexto/janela temporal (vídeo): geradores de vídeo mantêm coerência por poucos segundos. Todo workflow profissional de vídeo é feito de clipes curtos costurados, não de um take longo.
• Token (áudio/texto): unidades discretas de informação. Explica por que TTS às vezes erra números e siglas — e por que você deve escrevê-los por extenso.

1.3 Anatomia de um workflow (o vocabulário desta apostila)

Grave esta cadeia. Toda vaga de "criador com IA", "designer generativo" ou "editor de vídeo com IA" é, na prática, dominar uma versão dessa cadeia para uma mídia específica. Os módulos seguintes preenchem cada elo.

Exercícios do módulo

Imagem I — ferramentas e engenharia de prompt

Imagem é a porta de entrada e a fundação de todo o resto: os melhores vídeos com IA começam como imagens bem dirigidas.

2.1 O panorama de ferramentas (e quando usar cada uma)

2.2 A gramática do prompt profissional

Prompt não é frase mágica: é um brief comprimido. A estrutura abaixo funciona em praticamente qualquer gerador:

[sujeito + ação] , [ambiente/cenário] , [luz] , [câmera/enquadramento] ,
[estilo/estética] , [paleta/mood] , [qualidade/técnica]

garrafa de vidro âmbar de azeite premium sobre mesa de madeira rústica,
cozinha mediterrânea desfocada ao fundo, luz natural lateral de fim de tarde,
lente 85mm f/1.8, fotografia editorial de gastronomia, paleta terrosa quente,
alto detalhe, foco nítido no rótulo

astronauta solitário caminhando em deserto de sal infinito, reflexo perfeito
no chão molhado, hora azul, silhueta pequena no quadro, wide shot cinematográfico,
estilo de fotografia fine art minimalista, paleta azul e prata, atmosfera contemplativa

Os sete eixos que você deve saber dirigir

• Sujeito e ação: específico vence genérico. "Mulher de 60 anos rindo enquanto rega samambaias" > "mulher feliz".
• Luz: a alavanca de qualidade mais subestimada. Aprenda o vocabulário: golden hour, luz dura/difusa, contraluz, rim light, luz de janela, neon, chiaroscuro.
• Câmera: distância focal (24mm amplia e distorce; 85mm comprime e lisonjeia rostos), abertura (f/1.8 desfoca fundo), ângulo (plongée, contra-plongée), enquadramento (close, plano médio, wide).
• Estilo: cite linguagens ("fotografia editorial", "ilustração flat", "anime dos anos 90", "3D estilo Pixar-like"), não artistas vivos — por ética e por risco jurídico (Módulo 12).
• Paleta e mood: 2–3 cores + 1 adjetivo emocional guiam a coerência da campanha inteira.
• Prompt negativo (quando a ferramenta suporta): liste o que não quer — texto ilegível, mãos deformadas, marca d'água, excesso de saturação.
• Aspect ratio: decida pelo destino final antes de gerar: 1:1 e 4:5 (feed), 9:16 (Stories/Reels/TikTok), 16:9 (YouTube/apresentação), 2:3 e 3:2 (impressão).

2.3 Iteração com método (não na sorte)

1. Rascunho amplo: gere 4 variações com o prompt base. Não julgue detalhes — julgue composição e direção.
2. Trave o que funcionou: fixe a seed da melhor variação (quando possível) e altere uma variável por vez (luz, ângulo, paleta).
3. Refine localmente: problemas pontuais se resolvem com inpainting (Módulo 3), não com re-geração total.
4. Documente: salve prompt + seed + parâmetros junto do arquivo. Seu "eu" de daqui a 3 semanas (e o cliente que pedir "igual àquela") agradecem.

Exercícios do módulo

Imagem II — controle, edição e consistência

O que separa o amador do contratável: parar de "aceitar o que a IA dá" e passar a dirigir composição, pose, identidade e marca com precisão.

3.1 Edição generativa: o kit essencial

• Inpainting: você mascara uma região e regenera só ali. Usos: corrigir mãos, trocar objeto, ajustar figurino, remover elementos. Regra: máscara um pouco maior que o objeto + prompt descrevendo o resultado desejado da região, não a imagem toda.
• Outpainting / extensão: expande a imagem além das bordas. É como se adapta 1 arte para 5 formatos sem refazer nada.
• Img2img (força/denoise): usa uma imagem como ponto de partida. Denoise baixo (0.2–0.4) = retoque fiel; alto (0.6–0.8) = reinterpretação. É a ponte entre um esboço seu e uma arte final.
• Edição por instrução: modelos que editam via conversa ("troque o fundo por um escritório, mantenha a pessoa idêntica"). Rápido para ajustes de cliente em tempo real; menos preciso que inpainting com máscara.
• Upscaling inteligente: ampliadores com IA (os "creative upscalers" e ferramentas como Magnific/Topaz e upscale do próprio gerador) que inventam detalhe plausível. Workflow padrão: gerar nativo → escolher → upscale 2–4× só do aprovado.
• Remoção de fundo e relight: recorte automático + reiluminação generativa para compor produto em cenário novo com sombra e reflexo coerentes — o coração do e-commerce com IA.

3.2 Controle estrutural: ControlNet e referências

ControlNet (e equivalentes proprietários) condiciona a geração a um "esqueleto" extraído de outra imagem:

3.3 Consistência de personagem e de marca (a habilidade mais pedida)

1. Retrato canônico: gere e aprove UMA imagem definitiva do personagem (frontal, luz neutra, alta resolução). Ela vira o "documento de identidade".
2. Folha de personagem textual: descrição fixa e detalhada (idade, rosto, cabelo, pele, roupa assinatura) copiada idêntica em todo prompt. Nada de sinônimos criativos entre cenas.
3. Referência de personagem/ingredientes: use o retrato canônico como referência nas ferramentas que suportam (character reference, elements, ingredients).
4. Grade de expressões e ângulos: gere de uma vez uma folha com 6–9 variações (feliz, sério, perfil, ¾) para usar como banco da produção.
5. LoRA personalizado (nível ComfyUI, Módulo 9): treine um mini-modelo com 15–30 imagens do personagem/produto. Consistência quase perfeita, reutilizável para sempre — é o padrão de estúdios.

Para marca, o mesmo raciocínio: paleta + tipografia de apoio + referência de estilo fixa + (no topo) LoRA de estilo treinado nas peças aprovadas da marca.

3.4 Controle de qualidade de imagem: o checklist do curador

• Anatomia: mãos, dentes, orelhas, reflexos em espelhos e óculos.
• Texto e logos: sem letras alienígenas nem marcas inventadas.
• Física da luz: sombras coerentes com a fonte de luz? Reflexos batem?
• Continuidade (em série): figurino, penteado, cenário e paleta idênticos entre peças.
• Artefatos de IA: padrões repetidos, texturas "derretidas", fundos impossíveis.
• Resolução e nitidez adequadas ao destino (tela vs. impressão — 300 DPI).

Exercícios do módulo

Áudio I — voz, transcrição e restauração

Áudio é onde o público perdoa menos: aceita-se imagem estilizada, mas voz robótica ou som sujo derruba qualquer produção. A boa notícia: é a mídia em que a IA mais entrega resultado "pronto para o ar".

4.1 Texto-para-voz (TTS) profissional

O estado da arte (ElevenLabs e concorrentes como os TTS da OpenAI, Google e opções abertas) produz narração praticamente indistinguível de locutor em muitos contextos. O trabalho profissional está na direção, não no botão:

• Escolha e casting de voz: trate como casting real — idade, energia, sotaque, "papel" (narrador institucional ≠ voz de personagem ≠ UGC casual). Gere o mesmo parágrafo-teste com 3–5 vozes e escolha às cegas.
• Escreva para o ouvido: frases curtas, ordem direta, números e siglas por extenso ("vinte e três por cento", "cê-erre-eme"). Texto de blog lido em voz alta soa artificial — reescreva.
• Direção de performance: pontuação controla ritmo (vírgulas e travessões criam respiros; reticências criam suspensão). Muitas ferramentas aceitam marcações de pausa, ênfase e emoção — use com parcimônia.
• Estabilidade × expressividade: o controle clássico do TTS. Estável demais = monótono; expressivo demais = imprevisível entre takes. Para narração longa, fique no meio-termo e gere por blocos de 2–4 parágrafos.
• Consistência entre sessões: salve voz + configurações + versão do modelo. Projetos longos (curso, audiolivro) precisam soar iguais do capítulo 1 ao 20.

4.2 Clonagem de voz — poder e responsabilidade

• Clonagem instantânea (segundos de amostra): boa para protótipos; qualidade limitada.
• Clonagem profissional (30 min+ de áudio limpo e consentido): qualidade broadcast — padrão para dublagem de criadores, marcas com "voz oficial" e localização de conteúdo.
• Regra inegociável: só clone com consentimento documentado por escrito do dono da voz, definindo usos permitidos. Clonar voz de terceiros sem autorização é ilegal em várias jurisdições e destrói reputações. (Aprofundamento jurídico no Módulo 12.)

4.3 Transcrição e legendas (Whisper e derivados)

• Modelos tipo Whisper transcrevem com precisão alta em português, geram timestamps e traduzem. Rodam grátis localmente ou via API por centavos.
• Workflow de legenda profissional: transcrever → revisar nomes próprios e termos técnicos (o erro clássico) → quebrar em linhas de até ~42 caracteres, 2 linhas por bloco → exportar .srt/.vtt → estilizar na edição.
• Diarização (quem falou o quê) transforma entrevistas em texto editável — base de podcasts, documentários e atas.
• Transcrição também é ferramenta de edição: editores como Descript e os recursos de "edição por texto" do Premiere permitem cortar o vídeo apagando palavras do transcript.

4.4 Restauração e limpeza de áudio

1. Denoise/derreverb com IA (Adobe Podcast Enhance, recursos dos editores, plugins dedicados): remove ruído de fundo, eco de sala e "som de celular". Transforma gravação caseira em algo publicável.
2. Dosagem: processamento a 100% cria voz "aquosa" e artefatos. Profissional aplica 60–80% do efeito ou mistura com o original.
3. Ordem correta da cadeia: limpar (denoise) → equalizar (cortar graves abaixo de ~80 Hz, ajustar presença) → comprimir (nivelar volume) → normalizar loudness (alvo do Módulo 5).
4. Isolamento de pistas: separadores de fontes extraem voz, bateria, baixo e instrumentos de um áudio mixado — útil para remover trilha de material bruto ou criar versões instrumentais.

Exercícios do módulo

Áudio II — música, efeitos sonoros e mixagem para vídeo

A trilha certa dobra a percepção de qualidade de um vídeo. Aqui você aprende a gerar música e SFX sob medida — e a entregar a mixagem no padrão que as plataformas exigem.

5.1 Música generativa (Suno, Udio e afins)

• Prompt de música eficaz: gênero + BPM/andamento + instrumentação + emoção + contexto de uso. Ex.: "lo-fi hip hop, 80 BPM, teclas quentes e vinil crepitando, nostálgico, fundo para vlog de culinária".
• Estrutura: peça explicitamente intro curta, build, drop/refrão e outro limpo — vídeo precisa de pontos de corte previsíveis.
• Instrumental primeiro: para trilha de fundo, gere sem vocal; voz cantada disputa atenção com narração.
• Stems: prefira ferramentas que exportam pistas separadas (bateria, baixo, harmonia) — você "abre" e "fecha" a música na edição conforme a cena pede.
• Licença antes do uso: verifique se o SEU plano permite uso comercial e monetização; planos gratuitos geralmente não permitem. Para publicidade de alto risco, bibliotecas licenciadas com busca por IA (Artlist, Epidemic) seguem sendo o caminho juridicamente mais seguro.

5.2 Efeitos sonoros e foley sintético

• Geradores de SFX por texto criam whooshes, impactos, ambiências e foley sob medida ("passos na neve, ritmo lento, perspectiva próxima").
• Sound design de conteúdo vertical: um SFX sutil por corte/transição + ambiência contínua de fundo aumentam retenção de forma mensurável. É diferencial concreto em portfólio de social media.
• Camadas: som "gordo" profissional = 2–3 camadas (ex.: impacto = punch grave + click agudo + cauda de reverb), não um efeito só mais alto.

5.3 Mixagem para vídeo: o padrão de entrega

1. Hierarquia: voz é protagonista; trilha 18–25 dB abaixo do diálogo; SFX pontuando, não competindo.
2. Ducking automático (DaVinci, Premiere ou sidechain): a música abaixa sozinha quando há fala e volta nos silêncios.
3. Loudness por plataforma: streaming/social ≈ −14 LUFS integrado; broadcast ≈ −23 LUFS (padrão EBU R128); true peak ≤ −1 dBTP. Exportar "no talo" faz a plataforma reprocessar e achatar seu áudio.
4. Teste mono e no celular: grande parte da audiência ouve no alto-falante do telefone. Se a voz não estiver inteligível ali, a mixagem falhou.
5. Entrega: master do vídeo + .wav do mix separado (e stems, se contratado) — cliente corporativo pede versionamento com frequência.

Exercícios do módulo

Vídeo I — geradores e direção de cena

Vídeo é a mídia mais valiosa e mais difícil. O segredo profissional: pensar como diretor (planos, cortes, continuidade), não como quem "pede um vídeo pra IA".

6.1 O panorama dos geradores

6.2 Text-to-video vs. image-to-video: a decisão estrutural

• Text-to-video: rápido para explorar ideias; fraco para controle fino e consistência entre cenas.
• Image-to-video (o padrão profissional): você gera/aprova a imagem-chave da cena (com todo o arsenal dos Módulos 2–3, incluindo personagem consistente) e o gerador anima. Vantagens: cliente aprova o frame antes de gastar créditos de vídeo; consistência herdada da imagem; direção de arte precisa.
• Keyframe inicial → final: algumas ferramentas aceitam primeiro e último frame — controle de onde a cena começa e termina, essencial para continuidade e transições.

6.3 A gramática do prompt de vídeo

[sujeito + ação com verbo específico] , [cenário] , [movimento de câmera] ,
[luz e atmosfera] , [estilo] , [ritmo/velocidade da ação]

barista de avental despeja leite vaporizado desenhando uma rosetta no café,
balcão de madeira de cafeteria minimalista, câmera em slow push-in frontal,
luz de janela lateral suave com vapor visível, estética de comercial premium,
movimento lento e preciso

• Verbos carregam o movimento: "caminha decidido", "gira lentamente", "explode em partículas". Prompt sem verbo forte gera cena parada.
• Vocabulário de câmera: push-in/pull-out, pan, tilt, órbita, tracking/travelling lateral, handheld (orgânico) vs. estabilizado, drone/aéreo, dolly zoom. Um movimento por plano — dois movimentos simultâneos confundem o modelo.
• Uma ação por clipe: "ela entra, senta, abre o laptop e atende o telefone" quebra. Divida em planos.
• Duração-alvo: pense em clipes de 4–10 s. Cenas longas = vários clipes com continuidade planejada (mesmo frame-chave de referência, mesma luz, keyframe final → inicial do próximo).

6.4 Curadoria de takes: o olho que o mercado paga

• Coerência temporal: rosto/objeto mantém identidade do primeiro ao último frame?
• Física: peso, inércia, colisões e líquidos se comportam plausivelmente?
• Mãos e interações com objetos (o ponto fraco clássico).
• Fundo: pessoas/elementos de fundo derretem ou teleportam?
• Loop/corte: o clipe tem frames limpos para cortar sem "soluço"?

Exercícios do módulo

Vídeo II — avatares, lip sync e edição assistida por IA

A camada que transforma clipes em produto final: gente falando em sincronia, cortes inteligentes e acabamento que ninguém percebe que teve IA no meio.

7.1 Avatares digitais e apresentadores sintéticos

• Plataformas de avatar (HeyGen, Synthesia e afins): criam um "apresentador" a partir de gravação sua/do cliente ou de avatares de estúdio. Digite o roteiro em dezenas de idiomas e o avatar apresenta.
• Usos que pagam: treinamento corporativo (atualizar vídeo = editar texto, sem regravar), vídeos de produto em escala, atendimento/onboarding multilíngue.
• Qualidade do avatar de cliente: depende da gravação-fonte — 2–5 min, luz uniforme, olhar na lente, gestos contidos, fundo limpo. Dirija essa captação como um mini-set.
• Consentimento e controle: mesmas regras da clonagem de voz — contrato escrito, usos definidos, fluxo de aprovação (Módulo 12).

7.2 Lip sync e tradução de vídeo

• Lip sync generativo: ressincroniza os lábios de um vídeo existente a um novo áudio. Combinado com clonagem de voz + tradução, gera o mesmo vídeo "falado" em outro idioma com a boca correta.
• Workflow de localização: transcrever (Whisper) → traduzir com LLM ajustando para tempo de fala e cultura → TTS com voz clonada do apresentador → lip sync → revisão nativa → mixagem final.
• Onde falha: planos muito laterais, mãos na frente da boca, barba densa e baixa resolução. Preveja isso já na captação.

7.3 Edição assistida por IA (o dia a dia do editor moderno)

7.4 VFX híbrido: filmagem real + IA

• Substituição de fundo sem chroma key: rotoscopia automática por IA recorta a pessoa; o fundo vira imagem/vídeo gerado com luz combinada (relight).
• Extensão de cenário (set extension): filmou num estúdio pequeno? Outpainting de vídeo/imagem projetada amplia o mundo ao redor.
• Elementos gerados sobre filmagem: fumaça, chuva, multidão distante, telas de dispositivos — gerados isolados (fundo neutro/alpha) e compostos na edição.
• Motion transfer / performance: transferir o movimento de um vídeo de referência (você dançando) para um personagem gerado. Base de mascotes animados e conteúdo de personagem em escala.

Exercícios do módulo

Workflows integrados — 4 pipelines completos, do briefing à entrega

Aqui as três mídias viram um único processo. Estes quatro pipelines cobrem a maior parte dos jobs reais do mercado — decore a lógica, adapte os detalhes.

8.1 O esqueleto universal (vale para os quatro)

8.2 Pipeline A — Anúncio de produto 30 s (e-commerce/social)

1. Briefing: 1 produto, 1 promessa, 1 CTA. Formatos: 9:16 e 1:1. Pegue fotos reais do produto com o cliente.
2. Roteiro: estrutura gancho (0–3 s) → problema → produto como solução → prova/detalhe → CTA. Peça ao LLM 3 ganchos alternativos para teste A/B.
3. Assets: remoção de fundo do produto real → recomposição com relight em 3 cenários gerados (Módulo 3). O produto NUNCA é gerado do zero — fidelidade é inegociável.
4. Animação: image-to-video dos cenários (órbita lenta do produto, líquido caindo, tecido ao vento) + takes de "mão pegando o produto" gerados ou filmados no celular.
5. Som: narração TTS energética ou apenas trilha + SFX de impacto nos cortes; legendas dinâmicas (a maioria assiste sem som).
6. Entrega: 2 formatos × 3 ganchos = 6 arquivos nomeados por convenção (cliente_campanha_gancho-a_9x16_v1.mp4).

8.3 Pipeline B — Vídeo narrativo/documental de marca (60–120 s)

1. Roteiro emocional: narração em 1ª pessoa ou storytelling; LLM ajuda, mas a revisão humana define a alma do texto.
2. Voz primeiro: grave/gere a narração ANTES das imagens — a duração e o ritmo da voz ditam a decupagem (técnica de documentário).
3. Decupagem sobre a voz: divida a narração em trechos de 4–8 s; cada trecho = 1 plano com descrição visual.
4. Frames-chave consistentes: folha de personagem/lugar + referência de estilo única para o filme todo (Módulo 3).
5. Animação + respiro: alterne planos com movimento e planos quase estáticos; documentário respira.
6. Som em camadas: narração protagonista, trilha com stems abrindo/fechando, ambiências por cena, mix −14 LUFS.

8.4 Pipeline C — Esteira de conteúdo vertical recorrente (o job de assinatura)

1. Sistema, não vídeo: defina 3–4 formatos fixos (ex.: "mito vs. verdade", "bastidor", "tutorial 60 s") com templates de roteiro, estilo visual e som.
2. Lote semanal: 1 sessão de roteiros (LLM + pauta do cliente) → 1 sessão de geração de assets → 1 sessão de edição em série. Nunca um vídeo por vez.
3. Kit de identidade congelado: voz TTS fixa, paleta, fonte de legenda, vinheta sonora, referência de estilo — mudanças só por decisão, não por acaso.
4. Métricas → iteração: retenção aos 3 s decide qual gancho sobrevive; o pipeline aprende todo mês.

8.5 Pipeline D — Videoclipe / peça autoral (o cartão de visitas do portfólio)

1. Trilha primeiro (gerada ou do artista) → marque na timeline os pontos de virada da música.
2. Conceito visual: 1 mundo, 1 paleta, 1 personagem — restrição gera identidade e viabiliza consistência.
3. Storyboard 100% em imagem: 20–40 frames-chave aprovados antes de qualquer segundo de vídeo.
4. Animação em blocos por seção musical, cortes no beat, transições geradas (keyframe final → inicial).
5. Finalização autoral: grade de cor própria e grain sutil unificam clipes de geradores diferentes num "filme" só.

Exercícios do módulo

Muito avançado I — ComfyUI, LoRA e geração local

O andar técnico: montar seus próprios pipelines em grafos de nós, treinar modelos personalizados e rodar tudo na sua GPU — custo marginal zero e controle total.

9.1 Por que "local e aberto" é um degrau de carreira

• Custo: depois do hardware, cada imagem/vídeo custa energia elétrica. Esteiras de volume (e-commerce, editoras) migram para local exatamente por isso.
• Controle: acesso a seed, sampler, CFG, todos os ControlNets, todos os LoRAs — sem filas nem limites de plataforma.
• Privacidade: clientes com material sensível (produto não lançado, dados internos) exigem que nada saia da máquina — argumento comercial forte.
• Diferencial raro: a maioria dos concorrentes para nas ferramentas web. Quem opera a camada aberta disputa outro nível de vaga e preço.

9.2 ComfyUI: o pensamento em grafos

ComfyUI é a interface de nós que virou padrão da comunidade: cada nó é uma operação (carregar modelo, codificar prompt, amostrar, decodificar, salvar) e você conecta a cadeia como um rack de estúdio.

[Load Checkpoint] ──► [CLIP Text Encode (prompt +)] ─┐
                  ──► [CLIP Text Encode (prompt −)] ─┤
[Empty Latent Image  ────────────────────────────────┼─► [KSampler] ─► [VAE Decode] ─► [Save Image]
 (largura × altura)]                                 │    seed · steps · cfg · sampler
                                                     ┘

• Leia o grafo como o pipeline do Módulo 1: entrada (latente vazio + prompts) → geração (KSampler) → saída (decode + save). Tudo que você aprendeu se materializa em nós.
• Expandir é plugar: img2img = trocar o latente vazio por uma imagem codificada; ControlNet = nó entre o prompt e o sampler; LoRA = nó após o checkpoint; upscale = cadeia extra após o decode; vídeo = nós de modelos de vídeo abertos (a lógica não muda).
• Workflows são arquivos: o grafo inteiro salva em .json (e embutido no PNG gerado). Isso significa: biblioteca de pipelines reutilizáveis, versionamento e — importante — workflows são entregáveis vendáveis para outros estúdios.
• Hardware realista: 8 GB de VRAM roda SDXL com paciência; 12–16 GB trabalha confortável com Flux e vídeo curto; 24 GB+ é conforto de produção. Sem GPU? Alugue por hora em nuvens de GPU (RunPod e similares) — o workflow é idêntico.

9.3 Treinamento de LoRA: seu modelo, sua vantagem

LoRA (Low-Rank Adaptation) é um "módulo de especialização" pequeno treinado sobre um modelo base — o jeito prático de ensinar um rosto, um produto, um estilo de marca.

1. Dataset: 15–40 imagens do sujeito, variadas em ângulo, luz e fundo, mas consistentes na identidade. Qualidade > quantidade; imagem ruim ensina o defeito.
2. Legendagem (captions): descreva cada imagem MENOS o que você quer que o LoRA aprenda. O que não é descrito "cola" no token de ativação (ex.: fotoTNS para o tênis do cliente).
3. Treino: ferramentas como kohya_ss ou treinos hospedados (Replicate/fal). Parâmetros que importam: passos totais (algo como 100–200 × nº de imagens como ponto de partida), learning rate e rank (dimensão do LoRA — maior aprende mais, mas "decora" mais).
4. Overfitting — o inimigo: se toda geração repete o MESMO fundo/pose do dataset, treinou demais. Teste checkpoints intermediários e escolha o mais flexível que preserva a identidade.
5. Uso e dosagem: LoRA tem peso (0–1). Identidade de produto: 0.8–1.0. Estilo de marca: 0.5–0.8 combinando com liberdade criativa. LoRAs se combinam (personagem + estilo), disputando espaço — equilibre os pesos.

9.4 Vídeo e mídia local: o horizonte aberto

• Modelos abertos de vídeo (família Wan e sucessores) rodam em ComfyUI com image-to-video, controle de movimento e extensão de clipes — mesmo raciocínio dos módulos 6–7, sem custo por geração.
• TTS e clonagem abertos (XTTS e afins) + Whisper local = pipeline de áudio 100% offline para clientes com restrição de dados.
• Interpolação (RIFE), upscale de vídeo e rotoscopia abertos completam a pós local.

Exercícios do módulo

Muito avançado II — APIs, automação e produção em escala

O último degrau técnico: tirar o humano do meio das tarefas repetitivas. Aqui o workflow vira código — e seu tempo passa a valer por sistema entregue, não por hora clicada.

10.1 A camada de API: os mesmos modelos, sem interface

• APIs oficiais (dos próprios laboratórios) e agregadores (Replicate, fal.ai) expõem geração de imagem, vídeo, voz e música por chamada HTTP, pagando por uso.
• Agregadores são o canivete do freelancer técnico: centenas de modelos sob uma única conta e um único padrão de código — trocar de modelo é trocar uma string.
• Assíncrono é a norma: vídeo demora minutos; o padrão é enviar o job, receber um ID e consultar/receber webhook quando pronto. Todo código de produção nasce assíncrono.

import replicate, csv

MODELO = "black-forest-labs/flux-1.1-pro"
ESTILO = ", fotografia editorial, luz natural suave, paleta terrosa"  # congelado

with open("pauta.csv") as f:            # colunas: id, descricao
    for linha in csv.DictReader(f):
        saida = replicate.run(MODELO, input={
            "prompt": linha["descricao"] + ESTILO,
            "aspect_ratio": "4:5",
        })
        with open(f"saida/{linha['id']}.jpg", "wb") as img:
            img.write(saida.read())
        print("ok:", linha["id"])

Doze linhas e uma planilha viram uma esteira: a pauta do mês inteiro gerada, nomeada e salva enquanto você faz outra coisa. Este é o salto de produtividade que justifica aprender um mínimo de Python.

10.2 Orquestração sem código: n8n, Make e a esteira de eventos

• Ideia central: gatilho → passos → destino. Ex.: nova linha na planilha de pauta → LLM escreve o roteiro → API gera narração e imagens → tudo cai numa pasta do Drive nomeado por convenção → aviso no grupo do cliente.
• Onde brilha: integrações (formulários, planilhas, Drive, WhatsApp/Slack, agendadores) e aprovações humanas no meio do fluxo ("aguardar OK do cliente antes de gerar vídeo").
• Regra do humano no circuito: automatize a produção da matéria-prima, mantenha curadoria e publicação com gente. Automação que publica sozinha sem revisão é como estagiário sem supervisão com acesso à conta da marca.

10.3 Engenharia de custo (a planilha que te torna sênior)

1. Custo por asset: some gerações descartadas! Se você gera 4 takes para aprovar 1, o custo do plano aprovado é 4× o preço unitário.
2. Taxa de aproveitamento: monitore % de gerações aprovadas por etapa. Melhorar prompt/frame-chave que sobe o aproveitamento de 25% para 50% corta o custo pela metade — sem negociar nada com fornecedor.
3. Rotas por criticidade: modelo caro/top para os planos-herói; modelo médio para b-roll; local (Módulo 9) para volume. Roteie por necessidade, não por hábito.
4. Margem de segurança no orçamento: cote para o cliente com 30–40% de folga de créditos sobre a estimativa — retrabalho de direção existe e não pode sair da sua margem.

10.4 Higiene de produção em escala

• Nomenclatura padronizada: cliente_projeto_cena03_take02_v1.mp4 — inegociável em equipe.
• Manifesto por projeto: arquivo (planilha/JSON) registrando prompt, modelo, seed e parâmetros de cada asset aprovado.
• Versionamento de prompts e workflows (Git ou, no mínimo, pasta datada) — "voltar para o que funcionava" precisa ser possível.
• Chaves de API em variáveis de ambiente/cofre, nunca no código nem em planilha compartilhada.
• Limites de gasto e alertas configurados em toda conta de API.
• Backup do bruto aprovado + fontes de edição; o que é regenerável (descartes) não precisa de backup.

Exercícios do módulo

Mercado de trabalho — cargos, portfólio, precificação e cliente

Habilidade sem posicionamento não paga boleto. Este módulo transforma o que você aprendeu em vaga, freela ou negócio próprio.

11.1 O mapa de cargos e posicionamentos

11.2 Portfólio que contrata (não galeria bonita)

1. 3 a 5 estudos de caso > 50 imagens soltas. Cada caso: problema fictício ou real → processo (mostre frames-chave, decupagem, antes/depois) → resultado final → o que você mediria.
2. Prove as habilidades caras: um caso de consistência (mesmo personagem/produto em 10+ cenas), um pipeline completo (Módulo 8, o D é perfeito) e um "resgate" (material ruim de cliente → entrega profissional).
3. Mostre o processo de propósito. É o que diferencia você de "qualquer um com acesso à ferramenta": o cliente compra seu critério e seu método, e só o processo os torna visíveis.
4. Nichos pagam mais que generalismo: "vídeo com IA para clínicas", "e-commerce de moda", "mercado imobiliário", "educação". Vocabulário do nicho no portfólio = conversão.
5. Distribuição: o próprio conteúdo é o marketing — publique os bastidores dos seus pipelines; quem contrata esteira assiste esteira.

11.3 Precificação: as três balanças

• Nunca por hora em produção com IA — sua eficiência viraria desconto. Precifique por entregável e por valor.
• Fórmula de piso: (horas estimadas × sua taxa-alvo) + custos de geração com folga de 30–40% + licenças. Abaixo do piso, é hobby.
• Job avulso (Pipeline A): preço fechado por pacote (ex.: 1 anúncio em 2 formatos + 3 ganchos). Inclua 2 rodadas de revisão; a partir da 3ª, tabela adicional — por escrito.
• Projeto (Pipeline B): 30–50% de entrada, marcos de aprovação (roteiro → storyboard → corte) com pagamento por marco.
• Assinatura (Pipeline C): a joia da estabilidade. Precifique por volume e cadência (ex.: 20 verticais/mês), com escopo de formatos fechado e fila de prioridades.
• Sistema/consultoria (Módulos 9–10): setup (montagem da esteira + treinamento + documentação) + mensalidade de manutenção/evolução. Ancore no que a esteira economiza, não no seu tempo.

11.4 Conversa com cliente: objeções clássicas e respostas

Exercícios do módulo

Direitos, ética e checklist profissional de entrega

O que protege seu contrato, sua reputação e seu cliente. Em trabalho corporativo, este módulo não é apêndice — é critério de contratação.

12.1 Direitos autorais e licenças: o mapa prático

• Titularidade da saída: em várias jurisdições (incluindo o entendimento dominante nos EUA), obra gerada puramente por IA sem autoria humana criativa tem proteção autoral limitada ou nula. Tradução prática: quanto mais direção, edição e composição humanas documentadas, mais defensável a titularidade — mais um motivo para o manifesto de assets.
• Licença de uso ≠ titularidade: o que o cliente precisa, na prática, é da licença comercial da ferramenta cobrindo o uso. Leia os termos DO SEU PLANO (gratuito raramente permite uso comercial) e guarde um PDF/print datado dos termos vigentes no projeto.
• Estilo e artistas: não use nome de artistas vivos em prompts comerciais, nem imite identidades visuais protegidas (personagens, logos, trade dress). Além do risco jurídico, é a linha ética que o mercado sério já adotou.
• Voz e imagem de pessoas: direitos de personalidade — consentimento escrito, escopo de uso, prazo e possibilidade de revogação. Vale para voz clonada, avatar e rosto em imagem gerada.
• Música: confirme monetização e uso em anúncio no plano da ferramenta; para publicidade de grande exposição, biblioteca licenciada segue sendo o porto seguro.
• Cláusula contratual mínima: declare no contrato que o material envolve IA generativa, quais ferramentas/licenças cobrem o uso, quem responde pelo quê, e entregue o manifesto. Transparência contratual é blindagem mútua.

12.2 Ética operacional: as linhas que não se cruzam

• Nunca: deepfake de pessoa real sem consentimento, conteúdo enganoso apresentado como registro real (depoimento falso, "prova" fabricada), voz/rosto de terceiros sem autorização, imitação deliberada de artista para substituir contratação.
• Divulgação (disclosure): plataformas e leis caminham para exigir rotulagem de conteúdo sintético — muitas já marcam automaticamente (metadados C2PA/credenciais de conteúdo). Adote como padrão: identifique conteúdo sintético quando houver risco de o público tomá-lo por registro real.
• Pessoas no processo: IA substitui tarefas, e o mercado valoriza quem a usa para elevar o trabalho humano (dublar o criador com a voz dele, multiplicar o alcance do fotógrafo) — não para falsificá-lo.
• Vieses: geradores reproduzem estereótipos dos dados de treino. Em trabalho de marca, direcione diversidade explicitamente no prompt e na curadoria — é qualidade, não detalhe.

12.3 O checklist mestre de entrega (imprima este bloco)

Antes de gerar

• Briefing assinado: objetivo, público, formatos, prazo, nº de revisões incluídas.
• Licenças do plano de cada ferramenta conferidas e arquivadas (print datado).
• Consentimentos de voz/imagem coletados, quando aplicável.
• Identidade congelada: paleta, estilo, voz, folha de personagem, referências.

Durante a produção

• Aprovações nos pontos baratos: roteiro e frames-chave, por escrito.
• Manifesto de assets alimentado (prompt, modelo, seed, parâmetros por peça aprovada).
• Curadoria com checklist técnico (anatomia, física, continuidade, artefatos, texto).
• Nomenclatura padronizada desde o primeiro arquivo.

Antes de entregar

• QC final em tela grande E no celular; áudio testado em mono e no alto-falante do telefone.
• Loudness no alvo (−14 LUFS social; −23 broadcast), true peak ≤ −1 dBTP.
• Legendas revisadas (nomes próprios e termos técnicos!).
• Formatos e codecs conforme o destino (H.264/H.265 para social; ProRes/DNx se pós externa; 300 DPI se impressão).
• Pacote de entrega: finais + fontes de edição + manifesto + termos de licença + nota de conteúdo sintético quando aplicável.
• Backup do aprovado em duas mídias/locais.

Exercícios do módulo

Glossário técnico essencial

↑ Voltar ao sumário