Por que os vídeos gerados por IA ainda estão muito longe de ser automaticamente cinema

O salto do clipe para a cena não é um passo gradual

A qualidade de imagem avançou muito, isso é indiscutível. A OpenAI descreve o Sora 2 como um “big leap forward in controllability” capaz de seguir “intricate instructions spanning multiple shots” “while accurately persisting world state” (OpenAI, “Sora 2 is here”). Em seu relatório técnico, a Google DeepMind atribui até ao seu modelo um “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report). Quem vê esses clipes pela primeira vez facilmente fica com a impressão de que a arte de fazer cinema já está em grande parte resolvida.

Mas é justamente essa impressão que induz ao erro. Um filme não é uma sucessão de belas imagens isoladas, mas uma cadeia de decisões controladas que precisam encaixar ao longo de dezenas de planos, cenas e fases de produção. Uma personagem tem de ser a mesma personagem no plano seguinte, o olhar precisa apontar na direção certa para que um plano/contraplano funcione, e um objeto de cena não pode desaparecer entre um plano geral e um close. Essas exigências parecem triviais, mas são o verdadeiro núcleo do ofício – e é exatamente aqui que os modelos generativos esbarram num limiar mais alto do que a mera qualidade de imagem.

É possível distinguir cinco níveis que costumam ser confundidos: o impressionante clipe de demonstração, a cena cinematográfica controlável, o processo de produção repetível, o filme completo e a série narrada a longo prazo. Cada um impõe exigências mais rigorosas de coerência e controle do que o anterior; um modelo que domina o primeiro com brilhantismo não diz quase nada sobre o quinto.

A continuidade é a verdadeira prova, não a resolução

O progresso em coerência é real e merece reconhecimento. A Runway promove o Gen-4 por gerar “consistent characters, locations and objects across scenes” – e ainda “with just a single reference image of your characters” (Runway, “Introducing Runway Gen-4”). O condicionamento por referência e por personagem transformou o campo: pode-se fixar uma personagem e rechamá-la a partir de diferentes perspectivas. O The Verge resume o anúncio com sobriedade: o Gen-4 deveria oferecer “enhanced ‘continuity and control’”, enquanto os vídeos de IA “often face challenges in sustaining coherent storytelling” (The Verge).

A pesquisa, no entanto, mostra quão profundo é o problema. Uma revisão recente sobre controlabilidade observa que “text prompts alone are often insufficient to express complex, multi-modal, and fine-grained user requirements” – por isso se pesquisam sinais adicionais como movimento de câmera, mapas de profundidade e pose corporal (Ma et al., “Controllable Video Generation: A Survey”). Um segundo estudo sobre coerência espaço-temporal nomeia abertamente as classes de erro típicas: “subject swapping”, “object teleportation”, “unnatural jumping”. E para os formatos longos vale: “Existing generation models typically struggle to effectively capture such long-range dependencies, lacking the dynamic modeling and spatiotemporal memory capabilities required for complex and extended-duration relationships” (Survey: Spatiotemporal Consistency in Video Generation).

As exigências tornam-se concretas assim que se olha para os detalhes. A continuidade de figurino e objetos de cena exige que um objeto permaneça exatamente igual entre tomadas – mas o estudo sobre coerência lista “subject swapping” e “object teleportation” entre os erros típicos (Survey: Spatiotemporal Consistency in Video Generation). Quanto ao movimento corporal e à anatomia, segundo o fornecedor o Sora 2 é “more physically accurate” e faz um arremesso errado quicar na tabela em vez de se teletransportar, embora admita ser “far from perfect” (OpenAI, “Sora 2 is here”); a pesquisa exige aqui que a “motion trajectory … conforms to physical laws” (Survey: Spatiotemporal Consistency in Video Generation). Para cenas de diálogo, segundo seus fornecedores, o Sora 2 e o Movie Gen entregam áudio nativo e sincronizado; para o Sora 2, a OpenAI cita expressamente “synchronized dialogue and sound effects”, o que melhora nitidamente a sincronia labial (OpenAI; Meta, “Movie Gen”). Outra coisa é se ênfase, ritmo e coloratura emocional de uma fala podem ser dirigidos com precisão: os relatórios dos modelos documentam a sincronia, não o controle fino do desempenho vocal. O limite mostra-se com mais clareza na sutileza emocional e nas decisões de atuação controláveis: em “Here”, os atores reais sustentaram “every single one of the character performance moments”, e a tentativa com dublês fracassou porque “it wasn't the soul of the actor that was there” (befores & afters, “‘Here’: A test with Tom Hanks”).

A isso soma-se a dimensão da linguagem cinematográfica, raramente levada em conta. Quando o relatório do Veo 3 atribui ao modelo um “bias for generating cinematic footage, with frequent camera cuts and dramatic camera angles” (Veo 3 Technical Report), é justamente esse o ponto: cortes ou ângulos dramáticos frequentes ainda não são uma direção precisa. O plano/contraplano, o raccord de movimento, o eixo de ação, olhares limpos e o ritmo de uma sequência vivem de uma cobertura controlável e de planos repetíveis, não de atraentes cortes aleatórios. Um gerador que escolhe belos ângulos não substitui, portanto, uma direção que mantém o mesmo ângulo de forma consciente e reproduzível ao longo de vários planos.

É exatamente isso que separa entre si as categorias técnicas. O text-to-video gera a partir de uma descrição, o image-to-video anima uma imagem inicial, o video-to-video transforma material existente, os world models carregam estados ao longo do tempo, a shot extension prolonga clipes – e os fluxos clássicos de VFX e composição continuam sendo o quadro no qual os elementos gerados são montados de forma controlada e juridicamente segura. O Generative Extend da Adobe, por exemplo, prolonga uma tomada “up to two seconds for video and ten seconds for audio” e sempre sinaliza as imagens geradas “so you know exactly where the original footage ends and created frames begin” (Adobe, “Generative Extend”). É uma ferramenta de montagem precisa – e, ao mesmo tempo, um lembrete de que aqui falamos de segundos, não de cenas. O Movie Gen da Meta também documenta para seu maior modelo “a generated video of 16 seconds at 16 frames-per-second” em “1080p HD” com “synchronized audio” (Meta, “Movie Gen”). Impressionante – mas um longa-metragem é composto de milhares dessas peças, que precisam encaixar todas entre si.

Um exemplo real mostra: a IA desloca o trabalho, não o substitui

Quem quer acreditar que a IA poupa o trabalho do set deveria estudar a produção de “Here” – expressamente como exemplo híbrido de aprendizado de máquina e VFX clássico para edição de atuação, e não como um filme gerado por text-to-video. Para o filme de Robert Zemeckis, a Metaphysic e o supervisor de VFX Kevin Baillie foram responsáveis por “53-character minutes of full-face replacement” em quatro protagonistas, em parte em planos “up to four minutes” (befores & afters, “‘Here’: A test with Tom Hanks”). A CGI clássica não era opção: “It was obvious that there was no way we could use traditional CGI methods to do this”, segundo Baillie – cara demais, lenta demais, com risco do vale da estranheza.

O ponto decisivo é quanto trabalho manual especializado a IA exigiu. Para cada ator, várias redes neurais foram treinadas em conjuntos de dados curados – Tom Hanks “at 18, at 30, at 45” –, com os engenheiros tendo de combater ativamente o “identity leak” para que não surgisse “Tom's brother or cousin”. Os eixos de olhar também foram um tema constante, pois as redes tendiam a olhar “magnetically” para a lente; casos-limite como um beijo tiveram de ser “backstopped” com truques clássicos. A conclusão de Baillie é clara: “All these limitations of the AI tools, they need traditional visual effects teams who know how to do this stuff to backstop them and help them succeed” (befores & afters).

Mas, acima de tudo, a atuação permaneceu humana. A Wired e a Variety documentam o essencial: um sistema em tempo real em dois monitores permitia aos atores conferir e ajustar imediatamente sua atuação rejuvenescida – uma ferramenta para criativos, não um substituto para eles (Wired, “The $50 Million Movie ‘Here’”; Variety). “Here” prova que a IA está chegando à produção – e quanto esforço iterativo e altamente especializado continua sendo necessário para que um resultado se sustente.

Contra-argumentos, limites e riscos

Pode-se objetar com razão que os limites se deslocaram em 2025/2026 – e isso é verdade. Para a série “El Eternauta”, a Netflix empregou pela primeira vez IA generativa numa produção original; segundo o co-CEO Ted Sarandos, a sequência de VFX do desabamento de um prédio foi criada “10 times faster than it could have been completed with traditional VFX tools and workflows” (The Guardian). Esse número é uma afirmação da própria empresa e se refere a uma única sequência. Significativo também é como ela foi obtida: a unidade Eyeline da Netflix, por sua própria descrição, não usou tecnologia de modelo própria, mas “commercially available video diffusion models under enterprise licenses” – integrados a um pipeline clássico de VFX (TheWrap).

A imagem dos festivais também engana com facilidade. O AI Film Festival da Runway cresceu de “merely 300 submissions” em 2024 para “6,000 entries” em 2025, e “Total Pixel Space”, de Jacob Adler, venceu o Grand Prix (The Hollywood Reporter; Runway AIFF Screening Room). Mas os trabalhos exibidos eram “varying in quality”, muitas vezes “dream-like, experimental”, marcados por “constraints on sound and the portrayal of real people” (The Hollywood Reporter).

Restam os limites duros. Controlabilidade não é o mesmo que controle: mesmo um modelo anunciado como “more controllable” não segue as instruções com perfeição, e instruções finas podem desviar-se – a própria OpenAI admite para o Sora 2 que ele é “far from perfect” e comete “plenty of mistakes” (OpenAI, “Sora 2 is here”). O relatório do Veo 3 cita “small hallucinations that mark videos as clearly fake” (Veo 3 Technical Report). Editabilidade, controle de versão e reprodutibilidade – vitais para qualquer produção – mal existem em geradores puros; “Here” só as resolveu com ferramentas Nuke feitas sob medida e “neural animators”. E a utilização jurídica varia muito: a Adobe se gaba de ser “only trained on content where Adobe has permission … never on Adobe users' content” (Adobe), enquanto o modelo anterior da Runway foi criticado por treinar em “scraped YouTube videos and pirated films” (The Verge). O fato de a OpenAI, segundo sua própria página, anunciar que “as of April 26, 2026, the Sora product is no longer available” diz respeito ao produto de consumo (o app Sora) e não necessariamente ao modelo subjacente ou à disponibilidade de sua API; ainda assim, lembra quão pouca segurança de produção um produto de consumo oferece (OpenAI).

Conclusão: o espetáculo é uma habilidade, o controle é outra

O balanço honesto não é nem euforia nem rejeição. Imagens de referência, controle de câmera, trilhas de som nativas e ferramentas de shot extension transformaram curiosidades tremeluzentes em sérios blocos de produção. Elas poupam tempo, abrem orçamentos e ampliam o que pode ser narrado – “El Eternauta” e “Here” mostram isso concretamente. Mas não deslocam o limiar real: um bom filme não nasce onde uma imagem é bela, mas onde mil decisões ao longo de planos, cenas e meses encaixam entre si e permanecem repetíveis. É justamente isso – coerência de personagem, eixos de olhar, raccord, atuação controlável, estados de versão limpos – o limiar mais alto que os modelos generativos ainda não cruzam sozinhos. A pergunta interessante para os próximos anos não é, portanto, se a IA faz vídeos bonitos. Isso ela já faz há tempo. A pergunta é se ela aprende a narrar de forma controlada. Até lá, vale: um clipe impressionante é uma promessa, não um filme.