A IA finalmente aprendeu a soletrar: por que o avanço na renderização de texto importa

Durante a maior parte da era das imagens de IA, havia uma forma confiável de identificar uma imagem gerada. Olhe para qualquer texto no enquadramento. Uma placa de rua dizia “PHARNACY”. Uma fachada de loja dizia “CLSOED”. Uma capa de revista estava coberta de letras que pareciam inglês à distância e se dissolviam em algo sem sentido de perto.

Essa era está acabando. Ao longo de 2026, os principais modelos de imagem corrigiram a renderização de texto, e a reação da comunidade foi mais ruidosa do que qualquer resultado de benchmark.

O que mudou

O texto dentro das imagens é difícil por um motivo específico. Um modelo de difusão não “sabe” o que as letras significam. Ele aprende padrões visuais, e uma palavra é apenas um padrão de traços. Por muito tempo, os modelos conseguiam aproximar a forma de uma palavra sem entender a sequência dos caracteres, e era por isso que você obtinha lixo de aparência convincente.

Os novos modelos abordam isso de forma diferente. O GPT Image 2, o Nano Banana Pro do Google e os modelos de código aberto mais recentes tratam o texto como algo a ser raciocinado, não apenas aproximado. O resultado é que um modelo agora pode renderizar um título, um rótulo, uma placa ou uma captura de tela de interface completa com as letras na ordem certa e a ortografia correta.

A melhoria apareceu rapidamente. Quando @PlayingGodAGI publicou duas imagens de teste em 2026, a comunidade reagiu com força. Uma era um diagrama anatômico em que cada rótulo de músculo, osso e nervo estava preciso como no livro didático. A outra era uma captura de tela da página inicial do YouTube em que os elementos da interface, as miniaturas dos vídeos e o texto do título foram renderizados sem distorção. O resumo dele: “Isso elimina a última falha das imagens geradas por IA.”

O que isso desbloqueia

As consequências práticas são maiores do que “as imagens agora parecem melhores”.

O primeiro é sinalização e branding. Um modelo que soletra corretamente pode produzir um mockup de fachada de loja, um rótulo de produto ou uma imagem de marketing com o nome da marca. Isso costumava exigir que um designer corrigisse o texto manualmente. Agora faz parte da geração.

O segundo é o design de interfaces. Renderizar uma UI verossímil, com rótulos e layout corretos, é uma capacidade genuinamente útil para prototipagem. O teste da captura de tela do YouTube é importante porque mostra que um modelo pode reconstruir uma interface real e com muito texto sem distorcê-la.

O terceiro é o trabalho multilíngue. Quando o blogueiro japonês @masahirochaen testou o GPT Image 2 com texto em japonês e descobriu que os kana e kanji foram renderizados corretamente, isso mudou o que “renderização de texto” significa. Não se trata apenas de ortografia em inglês. É tipografia multilíngue, o que abre mercados onde os modelos anteriores eram essencialmente inúteis.

O Reddit notou especificamente o ponto multilíngue. Um comentarista apontou que “o Kanji e o Katakana são ambos válidos”, uma frase que teria sido absurda dois anos atrás.

Como os modelos conseguiram isso

Vale a pena entender por que o texto era difícil, porque isso explica por que a correção aconteceu de uma vez.

Um modelo de difusão gera pixels a partir de ruído, guiado por um prompt de texto. Por muito tempo, ele não tinha uma representação real de “letras” como unidades discretas. Ele aprendia que certos padrões de traço pareciam palavras e reproduzia a forma sem acompanhar a sequência. É por isso que o texto antigo gerado por IA parecia certo do outro lado da sala e errado de perto.

A mudança veio de duas direções. Os modelos melhoraram em tratar o texto como um conceito de primeira classe, em vez de uma textura, e foram treinados com muito mais exemplos de texto do mundo real em contexto. Placas, rótulos, capturas de tela, capas de livros. Quando os dados de treinamento incluíram o suficiente da coisa real, os modelos pararam de adivinhar e começaram a soletrar.

O resultado não é um avanço isolado, mas um limiar ultrapassado. O texto passou de “não resolvido” para “praticamente resolvido” ao longo de cerca de um ano, e a comunidade percebeu exatamente quando isso aconteceu.

O problema da detecção fica mais difícil

Há um lado negativo que não recebe atenção suficiente. O avanço no texto torna as imagens de IA mais difíceis de identificar, e isso tem consequências reais.

Durante anos, a maneira mais simples de detectar uma falsificação era ler o texto nela. Um documento falsificado, uma captura de tela montada, um rótulo de produto falsificado: as letras denunciavam. Esse atalho agora desapareceu nos modelos de ponta, o que significa que a detecção precisa se voltar para sinais mais sutis, inconsistências de iluminação, impossibilidades físicas ou os metadados e a marca d'água incorporados pelas plataformas.

Os próprios modelos ainda falham na lógica física. O reflexo de um cubo de Rubik, a trajetória balística de um canhão de TNT, um mapa que não se resolve quando você amplia. Esses são os novos indícios, e são mais difíceis de perceber para um observador casual do que uma palavra escrita errada.

É também por isso que a marca d'água e a proveniência importam mais do que nunca. Se você não consegue identificar uma imagem gerada lendo-a, precisa que a plataforma diga que ela foi gerada. O SynthID do Google e sistemas semelhantes são a salvaguarda, e o avanço no texto os torna mais importantes, não menos.

O que ainda não está resolvido

Algumas ressalvas honestas.

O texto curto está quase resolvido, mas o texto denso ainda é a fronteira. Em um teste de setembro de 2026, todos os oito principais modelos soletraram corretamente um rótulo de produto de duas palavras e um título de promoção. As diferenças agora estão no layout e em sequências longas. Um menu ou um infográfico com um parágrafo de texto ainda é onde os erros aparecem, e a recomendação de revisar todo material publicado ainda vale.

O Midjourney, em particular, ainda é fraco em sequências longas de texto. Palavras estilizadas isoladas funcionam bem. Um título com várias palavras começa a se desfazer. Se o seu trabalho depende muito de tipografia, o Midjourney não é a ferramenta.

E há um problema de segunda ordem sobre o qual as pessoas estão começando a falar: texto bom demais. Um modelo que consegue renderizar uma UI realista ou um gráfico de notícias convincente também facilita a fabricação de algo que pareça ter autoridade. O avanço no texto é uma faca de dois gumes e cai no meio de uma discussão em andamento sobre detecção, marca d'água e proveniência.

O essencial

O atalho “IA não consegue fazer mãos, IA não consegue fazer texto” está morto. As mãos foram corrigidas primeiro. O texto era o problema mais difícil e agora está praticamente resolvido para os casos cotidianos que costumavam constranger as pessoas.

Isso não significa que toda imagem gerada seja confiável. Significa que os indícios se moveram para algo mais sutil, e as pessoas que dependiam de “olhar a ortografia” como truque de detecção precisam de um novo método. Para todos os outros, significa apenas que as imagens melhoraram e muito trabalho manual de limpeza desapareceu silenciosamente.