Uma ideia, um minuto de filme,
e um orçamento de IA sem exagero.

Uma skill, um modelo e um filme são peças diferentes

O ponto de partida foi esta coleção de skills de vídeo para agentes de programação. Ela cobre muita coisa: vídeos explicativos animados, ferramentas de edição, avatares, motion graphics e cenas geradas. Qualquer um desses caminhos pode resultar em um MP4 que funciona.

Uma skill dá instruções e um processo ao agente. Um modelo de vídeo gera o material. Um provedor de API executa o modelo e cobra pelo uso. MCP oferece ao agente uma forma padronizada de descobrir e chamar ferramentas. Conectar um modelo por MCP ainda deixa o processamento e a cobrança por conta de alguém.

1. 01Ideia e roteiroO que acontece e por quê?
2. 02StoryboardPersonagens, planos, referências
3. 03Gerar e escolherVárias tentativas, material útil
4. 04Edição e somRitmo, continuidade, MP4 final

Remotion e HyperFrames são ferramentas úteis de composição: transformam código, imagens e clipes em vídeo. O material cinematográfico vem de um modelo ou de uma fonte existente. Um sistema de produção coordena essas peças e registra as decisões.

Para um filme de um minuto, eu planejaria uma sequência de planos curtos. Doze planos de cinco segundos são um exemplo simples para montar o orçamento. A edição final pode precisar de mais material para cortes, transições e enquadramentos alternativos. O limite de duração dos clipes de um modelo não limita a duração do filme pronto.

A seleção que valeu examinar

Procurei projetos que cobrissem o caminho da ideia ao arquivo pronto: roteiro, planejamento dos planos, imagens, voz ou som e montagem. Alguns cobrem o processo inteiro; outros fornecem uma peça útil.

OpenMontage foi o projeto que melhor cobriu esse objetivo. Ele reúne planos de produção, ferramentas de geração, edição e composição, além de um processo de storyboard e revisão. Seus backends locais e na nuvem permitem trocar a origem do material sem refazer o processo inteiro. O código é AGPL-3.0; os modelos e serviços conectados têm seus próprios termos. Documentação do projeto.

Para um vídeo educativo com desenhos e narração, eu também consideraria o explainroo. Para um vídeo explicativo com colagens de papel, o Vox Director oferece uma linguagem visual mais específica. O visual desejado importa tanto quanto a lista de integrações.

A tentação das duas 3090

Considerando placas RTX 3090 padrão, meu hardware oferece duas GPUs de 24 GB. Os 48 GB somados são úteis, mas um aplicativo feito para uma única GPU não consegue tratá-los automaticamente como uma placa de 48 GB. O ambiente de execução precisa dividir o modelo ou distribuir o trabalho de forma explícita. Outra opção é usar dois processos independentes, um por GPU; isso aumenta a capacidade de produção, sem prometer exatamente o dobro da velocidade. Comportamento dos dispositivos e da memória CUDA.

Wan 2.2 TI2V-5B é um ponto de partida documentado para hardware de 24 GB com offloading para a CPU. Isso comprova a viabilidade. Não comprova que o modelo atenda ao meu critério de qualidade ou que um filme de um minuto seja rápido de produzir.

A cerca de nove minutos por plano, doze planos exigiriam aproximadamente 108 minutos de GPU na primeira rodada. Essa conta é um cenário de planejamento. Novas tentativas, carregamento e edição acrescentam trabalho; processos paralelos e ambientes otimizados podem mudar o tempo total de espera.

Rodar localmente, por si só, não piora o resultado, assim como rodar na nuvem não o melhora. O checkpoint e as configurações de geração importam. O modelo eficiente de 5B é diferente das variantes A14B maiores do Wan. Eu definiria o visual desejado com alguns testes na nuvem antes de passar dias ajustando uma instalação local. Descrições dos modelos Wan e implementação de referência.

Uma ponte útil para rodar localmente: WanGP

WanGP não está na lista original de skills, mas é relevante para uma máquina como a minha. Ele oferece vários modelos de vídeo, imagem e áudio, offloading de memória e um servidor MCP nativo. Após a instalação pelo guia oficial, este comando inicia a interface e o MCP na GPU escolhida:

python wgp.py --mcp-webui --gpu cuda:0

O endpoint MCP padrão é http://127.0.0.1:8000/mcp. Conectar uma skill de direção a ele ainda exige trabalho de integração. Os próprios adaptadores Wan e ComfyUI do OpenMontage são caminhos mais diretos para começar. Documentação de CLI e MCP do WanGP.

Outros caminhos locais incluem HunyuanVideo, CogVideoX e LTX. Modelos LTX maiores exigem um processo adequado com quantização e offloading; ter duas placas não elimina essa necessidade. Pesos abertos, software livre e uso comercial sem restrições também são coisas diferentes. Por isso, eu conferiria a licença do modelo escolhido antes de montar um serviço de produção com ele.

OpenMontage permite trocar de serviço

Um gateway como fal ou Atlas oferece vários modelos em uma só conta. A API direta do provedor pode ter outros preços ou recursos. OpenMontage tem os dois tipos de integração, além de execução local e endpoints próprios no Modal.

Este mapa descreve as rotas implementadas na versão do código examinada. Ele não comprova que todas as contas tenham acesso atualmente. Nome do modelo, versão, resolução, suporte a referências e configurações de áudio precisam corresponder ao endpoint real. Os ComfyUI Partner Nodes também chamam serviços pagos na nuvem; colocá-los em um fluxo local não faz com que funcionem offline.

O que “estado da arte” significou nesta pesquisa

Usei rankings independentes, baseados em preferência em avaliações cegas, para reduzir a seleção. Em 15 de outubro de 2026, MiniMax H3 em 768p liderava os rankings de geração audiovisual a partir de imagens do Artificial Analysis e Arena. No Artificial Analysis, Seedance 2.5 e Gemini Omni Flash 1.1 estavam próximos o bastante para que seus intervalos de confiança se sobrepusessem ao do H3.

O ranking de geração de vídeo sem som a partir de imagens do mesmo site colocava H3 em quarto lugar, perto do grupo líder. Isso ajuda a justificar a escolha para além do som nativo. Para geração a partir de texto, Wan 3.0 liderava no Artificial Analysis, enquanto a ordem no Arena era diferente. A tarefa e o teste usado importam. Ranking de geração de vídeo a partir de texto.

Minha conclusão é mais limitada do que “H3 vence em qualquer cena”: H3 é um bom primeiro candidato para gerar material de alta qualidade com um preço de API relativamente baixo. H3 Max e Turbo são variantes distintas. A pontuação de uma não vale para a outra só porque os nomes são parecidos.

Esses rankings avaliam clipes curtos, sem avaliar a continuidade ou a história de um filme completo. Para a escolha final, eu compararia um plano de rosto e atuação, um de ação e um com movimento de câmera usando as mesmas referências. Depois, contaria quantas tentativas eu aproveitaria.

Calcule o custo do material que será preciso gerar

Um minuto de material gerado por US$ 4,80 não equivale a um filme pronto por US$ 4,80. O número que importa é quanto custa encontrar planos aproveitáveis em quantidade suficiente. Eu registraria tanto o dinheiro gasto quanto o tempo de espera, revisão e novas tentativas.

“Três tentativas” significa gerar três opções para cada plano necessário, incluindo a opção aceita: 180 segundos gerados para uma edição de 60 segundos. É um exemplo de planejamento, sem medir a taxa de sucesso. Imagens separadas, referências cobradas, uso do agente, serviços de narração ou música, renderização na nuvem e impostos são custos adicionais. O áudio nativo faz parte da saída gerada por esses modelos.

Compare os provedores com o mesmo cuidado que os modelos

A linha do Seedance usa a estimativa publicada pelo fal, sem afirmar que seja o menor preço global do Seedance. A tabela oficial do Ark, da ByteDance, dá um exemplo sem vídeo de entrada de CNY 7,56 por cinco segundos em 720p: CNY 90,72 por 60 segundos, antes de novas tentativas. Mantenho o valor em yuan para deixar explícito que não fiz conversão cambial. A cobrança de vídeos de referência segue outras regras de tokens. Preços oficiais do Ark.

Atlas anuncia outras opções de preço, mas um valor “a partir de” não basta para comprovar resolução equivalente, franquia de referências ou tarifa permanente. Eu compararia a cotação da requisição exata. A tabela de orçamento usa preços verificáveis dos endpoints, sem afirmar, sem evidência, quem é o vendedor mais barato em qualquer situação.

As cobranças que passam despercebidas

MiniMax cobra pelo vídeo de referência na entrada, além da saída gerada. Imagens além da franquia incluída também podem acrescentar custos. Um resultado tecnicamente bem-sucedido que eu descarte continua entrando no orçamento criativo; uma falha de API é outra situação. Preços de entrada e saída do MiniMax.

Hospedar um modelo por conta própria em uma GPU na nuvem também tem cobrança. Por exemplo, o custo anunciado de poucos centavos por clipe do ltx2-vidgen-skill mede o processamento com o modelo já carregado; a implantação mantém a GPU ativa por 20 minutos. O Modal cobra pelo carregamento e pelo tempo ocioso. A configuração fornecida, com uma GPU de 96 GB, também é diferente das minhas placas locais. Configurações da implantação e Cobrança do Modal.

Dois detalhes dos adaptadores mudam o caminho mais barato

A API do provedor e a integração não estavam totalmente alinhadas. A API oficial do MiniMax oferece H3 em 768p e 2K, mas o adaptador direto do OpenMontage examinado rejeita qualquer resolução diferente de 2K. Usar a opção mais barata exige, portanto, atualizar o adaptador ou fazer uma chamada direta e importar o resultado. Adaptador H3 na versão examinada.

OpenMontage já tem uma rota para H3 Max. A variante Turbo precisa de uma rota separada; da mesma forma, o adaptador Wan pelo fal existente oferece Wan 3.0, sem incluir o endpoint barato do Wan 2.2 Turbo discutido durante a pesquisa. A estimativa de custo da ferramenta também precisa ser conferida com a cobrança atual do provedor. Rota H3 Max e Rota Wan.

Para uma primeira produção, eu habilitaria a opção oficial de 768p do H3 ou começaria pela integração H3 Max existente. Testaria Turbo separadamente antes de confiar a ele os planos que sustentam o filme.

O primeiro filme que eu faria

Eu começaria com uma produção pequena e bem delimitada, sem instalar todas as ferramentas do catálogo. O objetivo é um minuto pronto, com uma ideia clara e uma direção visual consistente.

1. Escreva a história antes de gastar com movimento. Defina o público, o tom, o final e as falas. Transforme isso em uma lista de planos com durações aproximadas.
2. Aprove as referências. Crie fichas de personagens e locações e, depois, uma imagem estática para cada plano importante. Acerte o visual enquanto as mudanças ainda custam pouco.
3. Teste os três planos difíceis. Compare H3 e a opção mais barata, Turbo, em atuação, ação e controle de câmera. Registre preço, tempo de espera e tentativas aceitas.
4. Gere em lotes pequenos. Defina um limite de gastos e revise cada lote antes de pedir mais. Reutilize as referências com intenção e deixe material suficiente para os cortes.
5. Edite pensando em um filme só. Revise rostos, figurino, iluminação, ritmo e som entre os planos. Monte o corte e depois cuide de títulos, legendas e mixagem final.
6. Confira o arquivo entregue. Assista à exportação, ouça tudo, confira a legibilidade das legendas e guarde os prompts, as tentativas e os comprovantes com o projeto.

Um briefing útil para o agente seria:

Faça um curta cinematográfico de 60 segundos a partir desta ideia. Proponha primeiro o roteiro, a lista de planos e as imagens de referência. Gere vídeo a partir das imagens dos planos aprovados. Mostre o modelo exato, o nível de saída e o custo estimado antes de qualquer geração paga. Registre cada tentativa e despesa, pare no limite de gastos e entregue um MP4 revisado, com som consistente e legendas.

Minhas duas 3090 ainda têm lugar nesse processo: imagens de referência, tarefas auxiliares de áudio, experimentos e, mais adiante, um processo local cuja qualidade eu já conheça. Eu decidiria onde rodar a geração depois de ver o que merece entrar na edição.

O que foi verificado

Esta é uma nota de pesquisa datada, sem afirmar que instalei e testei o desempenho de cada modelo. O trabalho conferiu documentação dos projetos e código de adaptadores, rankings independentes, tabelas oficiais de preços, um teste publicado de GPU e exemplos de mídia disponíveis publicamente. Não fez chamadas pagas de geração nem mediu o desempenho nas minhas placas.

As referências ao código do OpenMontage apontam para o commit e45f5b12bd46. Preços e disponibilidade foram conferidos em 15 de outubro de 2026. Antes de gastar, eu verificaria de novo a cotação do endpoint escolhido e o acesso da conta. Os links ao longo da nota identificam as fontes das comparações.