Do clipe ao jogo: US$ 6 por nível jogável e o vídeo como documento de design

Trinta e um jogos. 1.013 chamadas à fal. 202 dólares. É o balanço no fim do README do vídeo-para-jogo, e é o parágrafo mais persuasivo do repositório — não porque os jogos sejam bons, mas porque alguém contou.
O projeto em si é uma skill, não um app. Você instala no Claude Code, no Codex ou no Cursor, entrega um clipe de gameplay de dez a quinze segundos, e ele produz um nível jogável no navegador: um único index.html com Three.js e nada mais. Sem engine, sem template, sem outra biblioteca. Cada um dos trinta e um jogos de demonstração foi reconstruído a partir de um clipe que um modelo de vídeo gerou antes.
Várias pessoas fizeram demos de “IA faz um jogo” neste ano. O que torna este digno de exame é a tese específica por baixo: um agente não consegue projetar a aparência de um jogo, então pare de pedir isso a ele. Deixe o modelo de vídeo fazer essa parte e faça o agente copiá-la.
O vídeo é o documento de design
Leia a reclamação do próprio README e você reconhece na hora, se já tentou isso:
Pediram “um jogo em que um menino plana entre baleias voadoras” e receberam caixas cinzas, um céu padrão e uma câmera que briga com o jogador.
É exatamente o que acontece. Um agente de código encarregado de montar uma cena recorre a primitivas — caixas, planos, uma luz hemisférica — porque primitivas são o que ele consegue expressar em código. Ele não tem opinião sobre composição. Não tem paladar para densidade de névoa. O resultado é tecnicamente uma cena e emocionalmente um nível de teste.
Um modelo de vídeo, com todos os seus outros defeitos, é muito bom justamente na peça que falta: aparência, câmera, clima, um momento memorável. Então o pipeline inverte a ordem de sempre. Vídeo primeiro, depois o código que precisa corresponder.
study_video.py transforma o clipe em frames, uma folha de contato, uma paleta e tempos de corte. O agente então escreve uma especificação a partir de frames nomeados — câmera, herói, a mecânica, o momento-chave, o visual. Não “uma fase de floresta”. Algo como: câmera baixa a dois metros atrás do herói, névoa verde fria a seis metros, uma fonte de luz azul-petróleo vindo da esquerda, a mecânica é planar.
Tudo depois disso é fazer coincidir.
Todo asset vem dos frames do próprio vídeo
Folhas de conceito com Nano Banana Pro. Recortes limpos. Imagem para 3D via Meshy, Tripo ou Hunyuan 3D. Rigging e animação. Efeitos sonoros e música. Tudo registrado por fal_asset.py. A regra do README é direta: nada desenhado à mão, nada baixado.
Essa restrição trabalha mais do que parece. Um humano montando um jogo a partir de uma referência vai baixar um modelo de árvore e torcer para encaixar. Um agente com permissão para baixar vai pegar o primeiro resultado de um site de assets grátis, e a direção de arte colapsa numa colagem. Forçar todo asset pelo mesmo gerador, semeado pelos mesmos frames, mantém a paleta coerente por construção.
O visual é tratado como especificação, não como passe de polimento: tone mapping, um único grade, névoa, bloom, vinheta e grão, tudo derivado da primeira cena. Depois de cada mudança, o agente produz uma imagem lado a lado do vídeo e do jogo nos mesmos três pontos.
Esse lado a lado é a metodologia inteira em um artefato. Sem ele, o agente otimiza contra a própria imaginação. Com ele, otimiza contra uma referência que consegue ver.

O agente joga o próprio jogo
Essa é a parte que eu não esperava, e a que separa o projeto de um reel de demo.
Um cenário de teclado conduz o jogo e lê window.__game como um jogador lê a tela. record_play.mjs filma o resultado em frame rate real usando Playwright. best_window.py encontra os segundos mais vivos da gravação. Quedas, paredes invisíveis e trechos mortos são corrigidos antes de qualquer outra pessoa jogar.
Playtest automatizado não é novidade. Playtest automatizado em que o agente depois corrige o que viu, e em que a evidência é um vídeo que ele consegue inspecionar, é um ciclo bem mais fechado. Também explica o custo: o agente roda o jogo dezenas de vezes por iteração.
A conta
Vamos ser precisos, porque esses números são o motivo de ler o repositório.
Trinta e um jogos. 1.013 chamadas à fal, divididas em 594 imagens, 194 modelos 3D e 290 sons e faixas musicais. US$ 202 no total. Cerca de US$ 6 por jogo.
Seis dólares é um número estranho de guardar na cabeça, porque é mais ou menos o preço de um café e mais ou menos um milésimo do dia de um artista contratado. Também não é o custo real — os tokens do agente de código não entram nessa conta, nem a sua tarde. Mas estabelece algo útil: o custo marginal de uma pequena cena 3D jogável agora é baixo o bastante para você jogar uma fora.
A ressalva, dita claramente no README, é que você paga a fal por cada asset, e as saídas são demos curtas, não produtos acabados. Um jogo de seis dólares é uma fatia vertical de uma sensação, não um jogo que você lançaria.
Instalando
Claude Code primeiro, já que é o caminho mais bem suportado:
claude plugin marketplace add lovisdotio/video-to-game
claude plugin install video-to-game@video-to-game
Ou copie a pasta da skill na mão: cp -R skills/video-to-game ~/.claude/skills/.
Para Codex, Cursor, Gemini CLI, Copilot e os demais:
npx skills add lovisdotio/video-to-game
Os scripts exigem Python 3.9+, ffmpeg, Node 18+ com playwright-core, e pip install fal-client mais uma FAL_KEY.
Aí o prompt é um parágrafo:
Turn gameplay.mp4 into a playable browser game with the video-to-game skill.
The prompt that made it is in gameplay.txt. Generate every asset with fal,
match the video's look, and show me side-by-side pairs and a recorded take
of you playing it.
Se você não tem um clipe, o repositório traz prompts/gameplay-video-prompts.md — as regras que tornaram os trinta e um vídeos reconstruíveis, mais todos os prompts usados. Esse arquivo é, discretamente, a coisa mais valiosa do repositório, porque é a parte que codifica o que faz um clipe ser um bom documento de design: silhueta legível, uma mecânica, uma câmera que não briga com o jogador.
Sobre o que isso trata de verdade
Existe uma versão da história da geração de jogos por IA que diz: os modelos vão acabar fazendo jogos diretamente. Talvez. Enquanto isso, este projeto descreve uma divisão de trabalho que funciona hoje — modelos de vídeo para o gosto, agentes de código para a construção, imagem-para-3D para os assets e um playtest automatizado para fechar o ciclo.
A pergunta interessante não é se jogos de seis dólares são bons. Em geral não são. É o que acontece quando o mesmo padrão é apontado para algo com orçamento: uma página de lançamento de produto, um totem de museu, uma simulação de treinamento. O pipeline não se importa com o que a fase serve.
E há uma lição menor e mais afiada para quem constrói ferramentas de agente. O motivo de este repositório funcionar é que ele tornou a referência inspecionável. Um vídeo é algo que tanto um modelo quanto uma pessoa conseguem olhar, comparar e discutir. Dê uma especificação ao agente e ele a satisfaz. Dê um clipe e ele precisa corresponder a algo real.
É uma interface melhor que um prompt. E pode ser a interface melhor para muita coisa.
Artigos relacionados
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
GPT Image 2.6 manteve o preço por token e elevou a fatura
O GPT Image 2.6 mantém cada tarifa por token do 2.5 e mesmo assim custa mais por imagem, porque boa parte do trabalho acontece agora nos tokens de saída. Onze dias após o lançamento, a estrutura de preços diz mais que o ranking.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.