Um bom ângulo do produto
Uma única foto plana e bem iluminada vale mais que cinco cliques casuais. Reflexo, borrão de movimento e uma mão cobrindo metade do rótulo são reconstruídos como invenção.
Caso de uso · Vídeo UGC com IA
Anúncios UGC com IA a partir de duas fotos
Um anúncio UGC é alguém falando para a câmera do celular com o seu produto na mão. Aqui ele não é filmado, é gerado: você traz uma foto do produto e uma da pessoa, o modelo monta o primeiro quadro e depois o anima, com a voz e o som do ambiente na mesma passagem. Um clipe custa de $0.30 a $1.00 no Gemini Omni Flash e até $3.00 no Veo 3.1 com som, o quadro sai por $0.11, e nada disso é assinatura.
01O que é
O que é um vídeo UGC com IA?
Um vídeo UGC com IA é um anúncio curto no formato de conteúdo de usuário — uma pessoa falando para a câmera do celular, segurando um produto, numa cozinha ou sala em vez de um estúdio — só que gerado por um modelo de vídeo em vez de gravado com um criador. A produção são três chamadas: fotos de referência do produto e da pessoa, um quadro estático que trava quem aparece e o que ela segura, e um modelo de vídeo que anima esse quadro com fala sincronizada. Aqui são dois modelos. O Gemini Omni Flash é o barato e o mais novo: o model card do Google coloca a simulação de física real entre as capacidades dele e o movimento complexo entre as fraquezas que restaram, o que bate com o que eu vejo — manuseio comum costuma passar, manuseio elaborado é cara ou coroa. O Veo 3.1 é para quando o plano depende de um objeto se comportar. Um clipe sai por $0.30–$1.00 no Omni Flash, $1.00 no Veo 3.1 Fast e $3.00 no Veo 3.1 completo por oito segundos com som, chegando a $4.40 em 4K. E renderiza em dois minutos, em vez das duas a quatro semanas que um briefing com criador costuma comer.
Quanto custa de fato um clipe?
A conta do clipe acima, sem arredondar: $0.11 pela referência do produto, $0.11 pela pessoa, $0.11 pelo quadro de abertura que junta os dois e $0.80 por oito segundos de Omni Flash — $1.13 no total. A versão vertical de seis segundos mais abaixo custou $0.60. Regravar a voz separadamente sai por $0.01 a cada 200 caracteres de roteiro, mais ou menos um centavo por frase. Contas novas ganham $0.20, o suficiente para uma foto de referência e um primeiro quadro: dá para ver se o personagem funciona antes de pagar por vídeo.
Esse é o preço da primeira take, e primeira take não é planejamento. Alguns clipes saem de primeira; muitos precisam de dois ou três, porque a fala ficou sem graça, a mão fez algo estranho ou o modelo recusou a roupa. E tem a outra coisa que ninguém coloca no preço: um anúncio raramente é um clipe só. Um spot de 20–30 segundos costuma ser três ou quatro takes montadas — gancho, produto na mão, close, encerramento —, então a conta realista de um anúncio pronto é de alguns dólares, não alguns centavos, e sobe rápido se os planos com movimento forem no Veo 3.1 completo a $3.00 cada. Juntar tudo é a parte de graça: o ffmpeg corta, junta e coloca áudio sobre vídeo pela linha de comando, sem editor nenhum.
02O fluxo
Duas fotos na entrada, um anúncio na saída
Traga referências de verdade
Uma foto limpa do produto e uma foto da pessoa. Tudo que entrar borrado, cortado ou mal iluminado volta multiplicado no vídeo.
Monte o quadro de abertura
Gere uma imagem fixa com as duas referências dentro — a pessoa com o produto, enquadrada como o anúncio deve abrir. $0.11 no Nano Banana Pro, e dá para refazer até ficar certo.
Anime esse quadro
Mande o quadro como primeiro frame e descreva o movimento e a fala. O Omni Flash cobra $0.10 por segundo de 720p com áudio; o Veo 3.1 custa mais e é o que vale testar quando uma única take precisa sustentar várias ações seguidas.
03Referências
Tudo o que vem depois vale o que você entrega
Essa é a parte que as pessoas pulam e é a que decide o resultado. Um modelo que recebe uma foto tremida do frasco em três quartos não falha em voz alta: ele inventa em silêncio o lado que não vê, e é esse lado inventado que fica oito segundos na tela. Dê uma foto plana, bem iluminada, com o rótulo de frente para a câmera, e o mesmo frasco sobrevive ao quadro, ao vídeo e à edição depois disso.
Com a pessoa é igual. A documentação do Veo, do Google, é direta: escolha imagens nítidas e bem iluminadas que mostrem o sujeito no ângulo desejado e mantenha a mesma linguagem de lente e de luz entre os planos. Minha regra depois de algumas dezenas desses clipes: se o retrato de referência e a cena pretendida discordam sobre de onde vem a luz, o rosto escorrega para um meio-termo e deixa de parecer a mesma pessoa.
Mesma pessoa, mesmo visual
Mantenha o mesmo corte de cabelo, a mesma roupa e a mesma maquiagem em todas as referências. Visuais misturados viram uma média que não lembra nenhum deles.
Combine a luz
Um retrato com flash jogado numa cozinha de luz suave se lê como montagem. Escolha na referência a luz que o anúncio vai ter de verdade.
Cuidado com letras miúdas
O Nano Banana Pro segura textos curtos de rótulo; uma lista densa de ingredientes vira textura. Se a tipografia importa, planeje um close com a embalagem real.
O enquadramento vem depois
As referências não precisam estar compostas como anúncio. Composição é trabalho do quadro de abertura — é ali que você discute com o modelo.
Não entregue um recorte
Um recorte de 300 pixels tirado de um anúncio de marketplace quase não dá nada ao modelo. Originais em resolução cheia, sempre.
04Primeiro quadro
Por que o quadro de abertura ganha das referências soltas
Os dois caminhos funcionam: você pode entregar as fotos de referência ao modelo de vídeo e deixá-lo compor a cena, ou gerar primeiro uma imagem fixa e animar essa. Na prática o segundo é melhor, e o motivo é banal — um modelo encarregado de inventar a composição a inventa a cada quadro, enquanto um modelo que recebe uma imagem só precisa continuá-la. No Gemini Omni Flash a diferença é grande o bastante para eu ter parado de usar só referências em planos com produto.
Dois clipes abaixo: mesmo prompt, mesmas referências, seis segundos cada, $0.60 por clipe. A única diferença é se um quadro aprovado entrou ou não. Nada mais mudou e nenhum dos dois foi regerado.
Só referências
A partir de um primeiro quadro aprovado
A versão honesta: só com referências não está quebrado — o rosto se manteve bem, e para uma cena sem produto na mão isso muitas vezes basta. A luz, aliás, ficou mais bonita nessa take: mais suave no rosto, menos contraste de janela, porque o modelo compôs o cômodo que quis em vez de continuar o nosso. Uma ressalva que muda a leitura: nossa criadora é gerada, não é a foto de uma pessoa real, então o modelo teve espaço para reiluminá-la. Um retrato real prende a luz e a pele com muito mais firmeza, e o caminho só com referências tem menos liberdade para favorecer. O que você compra aqui é controle, não qualidade. No Veo 3.1 a escolha já está feita: a API do Google aceita ou um primeiro quadro ou até três imagens de referência, nunca os dois no mesmo pedido, e referências exigem a duração de oito segundos.
05Escolha do modelo
Combine o plano com o modelo
O Omni Flash é muito bom exatamente no formato em que o UGC vive: uma pessoa falando para a lente. Entrevistas, peças estilo podcast, um fundador explicando um produto, alguém segurando um pote e descrevendo. Ele desenha a boca, o micromovimento e o som do ambiente numa passagem só, e é o jeito mais barato de tirar uma voz sincronizada de um modelo de vídeo. É também o mais novo dos dois, e o Google o vende justamente pela física: o anúncio fala de entendimento intuitivo de gravidade, energia cinética e dinâmica de fluidos, e o model card lista simulação de física real como capacidade, ao mesmo tempo em que aponta movimento complexo como fraqueza conhecida. As duas metades se confirmam na prática. Coisas caem, líquidos escorrem, o peso lê certo — até o plano pedir uma cadeia de ações precisas com um objeto.
Ou seja, a divisão não é cabeça falante contra movimento: é quanta coreografia uma única take precisa segurar. O teste abaixo está na ponta difícil dessa escala, e não é veredito sobre nenhum dos dois modelos: mesmo primeiro quadro, mesmo prompt, um clipe por modelo — destampar o frasco, apertar o conta-gotas, duas gotas na palma aberta, tudo em oito segundos.
Gemini Omni Flash · 8 s · $0.80
Veo 3.1 Fast · 8 s com áudio · $1.00
Falar para a câmera → Omni Flash
Movimento dos lábios, som do ambiente e fala chegam juntos, $0.10 por segundo. Para uma resenha, um depoimento ou um diálogo a dois é a escolha óbvia.
Cadeias longas de ação → teste também o Veo
Um movimento o Omni resolve; quatro em sequência é onde as takes começam a perder ações. Nossa comparação usou o Veo 3.1 Fast a $1.00 por oito segundos com áudio; o Veo 3.1 completo custa $3.00. Gere nos dois e fique com a take que funcionar.
A roupa muda o veredito
O filtro de segurança do Omni é bem mais rígido com roupas: uma criadora fitness de top esportivo é recusada ali com muito mais frequência do que no Veo 3.1, com o mesmo prompt e a mesma referência. Planeje o figurino ou planeje o modelo.
Duração e resolução
O Omni Flash é 720p e de 3 a 10 segundos, exatamente os que você pagar. O Veo 3.1 faz 4, 6 ou 8 segundos até 4K, e seus clipes podem ser estendidos além do primeiro corte.
Som: sempre ou opcional
Todo clipe do Omni tem áudio, você tendo pedido ou não. No Veo o áudio é um botão, e renderizações mudas saem mais baratas — o que importa quando a voz vai vir de outro lugar mesmo.
Recusa não custa nada
Uma geração bloqueada é reembolsada automaticamente nos dois modelos. O caro de uma recusa são os quatro minutos, não o dólar.
06Voz e montagem
Quando a voz precisa de um segundo take
O Omni Flash escreve a fala na mesma passagem da imagem e, para inglês coloquial, costuma dar conta. Ele tropeça em nomes: marcas inventadas, palavras estrangeiras, códigos de modelo, qualquer coisa que um nativo precisaria que explicassem. Mas a versão grande desse problema são os idiomas além do inglês, e todo modelo de vídeo tem: quem testou o Seedance 2.5 em russo descreve uma fala que começa aceitável e se desfaz no caminho — vogais átonas reduzidas errado, sílaba tônica no lugar errado e, ao fim de uma cena de quinze segundos, um sotaque mais perto de um híbrido eslavo do que do russo, já que russo, ucraniano e bielorrusso são próximos o bastante para o modelo misturá-los. Algumas palavras saem limpas e a seguinte entrega a take inteira. Se o seu roteiro não é em inglês, ouça tudo antes de aprovar.
A saída é parar de pedir a voz ao modelo de vídeo e gerá-la à parte. O Gemini 3.1 Flash TTS (gemini-3.1-flash-tts-preview) roda no mesmo saldo pelo nosso servidor MCP: $0.01 a cada 200 caracteres de roteiro, 30 vozes, um locutor ou um diálogo entre dois, WAV de 24 kHz na saída. A direção é em linguagem comum — persona, ritmo, sotaque e a grafia fonética de qualquer palavra que precise sair certa. Depois é só colocar a faixa sobre o clipe em qualquer editor. Mantenha a fala reescrita mais ou menos do mesmo tamanho do take original e a boca ainda combina razoavelmente; onde não combinar, corte para o produto.
Locução gerada · $0.01
Montar o anúncio também dispensa editor. O ffmpeg emenda takes, corta o meio segundo em que a mão faz algo estranho, troca o áudio gerado pela sua trilha de TTS, coloca um crossfade e exporta a versão 9:16 — tudo por linha de comando, de graça, em qualquer máquina. A sintaxe é famosa por ser ingrata, e é exatamente por isso que ela combina com um modelo: descreva o corte que você quer para o Claude ou qualquer LLM, receba o comando, execute. Para um spot UGC de três clipes isso é toda a pós-produção — e é o motivo de os números desta página continuarem sendo o custo de geração, sem uma assinatura em cima.
07Preços
Quanto custa aqui um anúncio UGC com IA
| Modelo | Preço | Unidade | Áudio |
|---|---|---|---|
| Nano Banana Proreferências e primeiro quadro | $0.11 | imagem 1K–2K | — |
| Nano Banana 2rascunhos e variações | $0.03–$0.13 | imagem 512px–4K | — |
| Gemini Omni Flash$0.10 por segundo | $0.30–$1.00 | 3–10 s, 720p | sempre ligado |
| Veo 3.1 Fastcom áudio | $0.50–$1.00 | 4–8 s, 720p/1080p | opcional |
| Veo 3.1 Liteo vídeo mais barato | $0.10–$0.36 | 4–8 s, 720p | opcional |
| Gemini 3.1 Flash TTSsó por MCP | $0.01 | a cada 200 caracteres | só voz |
Os preços do Veo valem para 720p e 1080p; 4K custa mais. O Omni Flash cobra $0.10 por cada segundo gerado, então a duração do clipe é o preço. Tabelas completas na página de preços.
As recargas são em cripto, a partir de $1. Depósitos de $50 ou mais somam 5%, de $100 ou mais somam 10%, e um código promocional ativo acrescenta outros 10% do mesmo depósito — então $100 com código chegam como $120 no saldo. A $1.13 o clipe de oito segundos, isso dá cerca de cem takes — uns vinte e cinco a trinta anúncios prontos quando você conta as repetições e as montagens com vários clipes.
Todos os modelos e resoluções estão na página de preços completa, e a página do Gemini Omni Flash explica o que esse modelo faz e o que não faz.
08Saiba mais
Guias do blog
IA de imagem para vídeo: Dê vida a qualquer foto
Como funciona a animação a partir do primeiro quadro, o que escrever no prompt de movimento e onde tudo desanda.
Ler o guiaFotografia de Produto no Nano Banana Pro: O Estúdio de $0.11
Como fazer um produto sobreviver da foto de referência ao quadro final, com prompts reais.
Ler o guiaAnálise da API do Gemini Omni Flash: O que a versão prévia realmente oferece
Mão na massa com a API em preview: o que ela aceita, o que recusa e quanto cada clipe custa de verdade.
Ler o guia09FAQ
Perguntas que as pessoas realmente fazem
Preciso de uma pessoa real para fazer um vídeo UGC com IA?
Não. O criador também pode ser gerado — todas as pessoas que você vê nesta página saíram de um prompt de texto e nunca existiram. Se você usar o rosto de alguém real, precisa da autorização dessa pessoa: as regras de imagem valem para vídeo gerado do mesmo jeito que para uma filmagem, e as políticas das plataformas sobre sósias sintéticos são mais rígidas do que a maioria imagina.
O mesmo rosto volta no próximo anúncio?
Sim, desde que você guarde as mesmas fotos de referência e reutilize o mesmo quadro de abertura. Regerar o quadro com as mesmas referências chega perto, mas não é idêntico pixel a pixel — o hábito mais seguro é guardar cada primeiro quadro aprovado e animá-lo de novo em vez de reconstruí-lo.
Preciso avisar que o anúncio foi gerado por IA?
No TikTok, sim: a política de publicidade sobre mídia editada e conteúdo gerado por IA exige o rótulo AIGC do Ads Manager ou um aviso visível seu no criativo. A Meta aplica o próprio rótulo de IA automaticamente aos anúncios que detecta como gerados. As duas políticas mudaram ao longo de 2026, então confira a versão vigente antes de uma campanha grande, em vez de confiar num post de blog — inclusive neste.
Qual modelo usar para um anúncio UGC de pessoa falando?
Comece pelo Gemini Omni Flash, a $0.10 por segundo com áudio incluído: para uma pessoa falando para a câmera ele é o mais barato e o menos implicante, além de ser o modelo mais novo, com uma física que o Google anuncia explicitamente. Não leia isso como «o Omni não faz movimento»: ele derrama, ele derruba, ele transmite peso. O que escapa dele são as cadeias longas de manuseio preciso em uma única take — no nosso teste do conta-gotas, com quatro ações, ele perdeu o frasco enquanto o Veo 3.1 Fast segurou. Então, para um gancho ou um depoimento, Omni. Para um plano construído sobre coreografia, gere nos dois e fique com a take que der certo; a que falhou custa centavos.
Posso usar material que eu mesmo filmei?
Sim, até 10 segundos. Envie seu clipe e o Omni Flash o edita como vídeo para vídeo — mudar a luz, o fundo, o que a pessoa segura — preservando o take. Fontes mais longas são cortadas no limite do modelo antes da geração.
O que acontece se uma geração for recusada?
O saldo é devolvido automaticamente, tanto no Omni Flash quanto no Veo. As recusas se concentram em roupas, menores de idade e pessoas reais reconhecíveis; a regra de figurino da seção sobre escolha de modelo é a que mais evita repetições.
Dá para rodar isso a partir do Claude, do Cursor ou de um script meu?
Dá — os mesmos modelos estão expostos no nosso servidor MCP, incluindo o de voz, que não tem interface web nenhuma. Imagens de referência e primeiros quadros podem ser passados como job ID, URLs públicas ou base64 inline, então um lote inteiro de UGC pode ser roteirizado por um agente.
Quanto custa um anúncio inteiro de 30 segundos, e não um clipe?
Conte takes, não clipes. Um spot de 20–30 segundos normalmente são três ou quatro clipes montados, e cada um leva umas duas tentativas até ficar usável: leitura sem graça, mão estranha, recusa. A $0.80 os oito segundos de Omni Flash, um anúncio pronto fica na casa de poucos dólares; gravar os planos com mais movimento no Veo 3.1 completo a $3.00 cada leva para as dezenas. A edição não soma nada: o ffmpeg junta as takes, apara e coloca a locução por cima pela linha de comando, e um LLM escreve esses comandos para você.
Duas fotos e alguns dólares
Cadastro grátis com $0.20 no saldo, recarga em cripto a partir de $1. Primeiro quadro em cerca de um minuto, primeiro clipe em cinco.