Todo vídeo feito com clone de voz e rosto por IA levanta a mesma dúvida: como aquilo sai do zero até virar um vídeo pronto. Não existe resposta de uma linha. O que existe é um processo com etapas, e cada etapa cumpre uma função específica. São cinco.
Por que isso não é um prompt
Um prompt é uma instrução única que gera uma resposta única. Você escreve, a IA devolve, acabou. Clonar voz e rosto de uma pessoa de forma que pareça natural, com fala sincronizada, sem artefato estranho na imagem e sem soar robótico, não é uma tarefa de uma instrução só. É uma tarefa de produção, com várias decisões em sequência, cada uma dependendo do resultado da anterior.
Se alguém tentar resolver isso com um prompt genérico do tipo "cria um vídeo comigo falando isso aqui", o resultado sai errado de um jeito quase sempre previsível: a fala não bate com o movimento da boca depois de alguns segundos, a voz perde a entonação natural em frases mais longas, e a imagem começa a distorcer quando o roteiro passa de blocos curtos. Não é falta de uma ferramenta melhor. É falta de processo.
As cinco etapas reais
1. Clone de voz autorizado. Antes de qualquer coisa, existe uma etapa de consentimento e gravação de referência. A pessoa grava um áudio de si mesma, autoriza o uso daquela voz, e só depois esse material vira a base do clone. Pular essa etapa não é só um problema ético, é um problema técnico: sem uma referência de voz limpa e suficiente, o clone sai genérico e perde a identidade sonora da pessoa.
2. Roteiro dividido em cenas de 8 a 9 segundos. Este é o ponto que mais gente ignora e que mais quebra o resultado quando é ignorado. Ferramentas de geração de vídeo com IA têm um limite prático de coerência por trecho gerado. Um roteiro de 40 segundos jogado inteiro numa única geração perde sincronia no meio do caminho. Dividir em blocos de 8 a 9 segundos, cada um com uma ideia fechada, é o que garante que a fala e a imagem se mantenham alinhadas do início ao fim.
3. Geração cena a cena. Cada bloco do roteiro é gerado separadamente, um de cada vez. Isso permite revisar o resultado de cada cena antes de seguir para a próxima, em vez de gerar o vídeo inteiro e descobrir o erro só no final. Pular essa etapa, gerando tudo de uma vez, é o erro mais comum de quem tenta imitar o resultado com um prompt único.
4. Conferência de fala. Depois de cada cena gerada, existe uma checagem manual: a fala está sincronizada com o movimento da boca? A entonação soa como a pessoa fala de verdade, ou soou robótica nesse trecho específico? Quando alguém pula essa etapa, o defeito só aparece depois de montado o vídeo inteiro, e aí o custo de corrigir é maior, porque é preciso regerar cenas já montadas.
5. Montagem. Só depois que todas as cenas passaram pela conferência é que elas são unidas, com corte, ritmo e eventual ajuste de áudio entre um bloco e outro. É essa etapa que faz o vídeo parecer um vídeo só, e não um conjunto de pedaços colados.
O que acontece quando se pula uma etapa
Pular o consentimento de voz gera um clone sem identidade real e levanta problema de uso indevido. Pular a divisão em cenas curtas gera dessincronia. Pular a geração cena a cena impede correção pontual e obriga a regerar tudo. Pular a conferência de fala deixa erro passar direto pra montagem final. Pular a montagem cuidadosa entrega um vídeo picado, que qualquer pessoa percebe como artificial em poucos segundos.
Cada etapa existe porque resolve um problema específico que aparece quando ela não é feita. Não é burocracia, é engenharia de resultado.
Onde isso é ensinado
Esse processo completo, com a divisão de roteiro em cenas, o fluxo de geração e a conferência de fala explicados na prática, está numa aula dentro do curso 80/20 Claude. Não é uma aula isolada solta por aí, é parte de um curso que ensina a aplicar IA no dia a dia do negócio com gestão primeiro, sem exigir que você saiba programar.
Se você chegou até aqui e quer ver o processo por dentro, com tela real e exemplo aplicado, o próximo passo natural é dar uma olhada no curso. Sem pressa nenhuma, o material fica te esperando quando fizer sentido pra você.