Escreva HTML e receba um MP4: HyperFrames faz vídeo que um agente consegue montar

Escreva HTML, receba um MP4

A HeyGen abriu o código do HyperFrames este mês, e o slogan é quase agressivamente sem graça: escreva HTML, renderize vídeo, feito para agentes. Não tem modelo de difusão lá dentro. Nada é sonhado. Você escreve uma página web, a página carrega no Chrome headless, cada frame é capturado no timestamp que você pediu, e o FFmpeg costura os frames num arquivo.

Parece um passo atrás num ano em que modelos de vídeo criam uma rua convincente a partir de uma frase. É o contrário. O HyperFrames resolve a metade da produção de vídeo em que os modelos generativos são piores: a parte que precisa sair igual duas vezes.

O projeto é Apache-2.0, estava na casa das 63.900 estrelas em meados de outubro depois de somar mais de mil em um dia, e teve cerca de 811.000 downloads no npm na semana até 12 de outubro. É, com folga, a coisa mais adotada na categoria de agente que faz vídeo, e chegou lá sem gerar um único pixel original.

O que o determinismo realmente entrega

Um modelo de difusão de vídeo é um processo de amostragem. Peça o mesmo prompt duas vezes e vêm dois vídeos diferentes. Ótimo quando você está explorando, péssimo quando está entregando.

O HyperFrames faz o oposto. Cada composição é um index.html. Os clipes são elementos comuns com data attributes de tempo de início, duração e índice de faixa. A animação vem de timelines do GSAP, keyframes de CSS, Lottie, Three.js, Anime.js ou da Web Animations API. O renderizador carrega a página, pula para cada frame fazendo seek em vez de tocar em tempo real, captura e entrega a sequência ao FFmpeg. Mesma entrada, mesmos frames, sempre.

Essa propriedade é chata até você colocar um agente no loop. Um agente que muda uma linha de texto precisa saber que o resto do vídeo não se mexeu. Com um modelo generativo, re-renderizar depois de corrigir o texto significa rodar o clipe inteiro de novo e torcer para o timing sobreviver. Com um renderizador determinístico, a correção é uma correção.

Tem um benefício de segunda ordem que importa mais para times do que para pessoas: o vídeo vira um artefato diffável. Dá para ver o que mudou entre a versão três e a versão quatro, porque é HTML.

Os skills são o produto de verdade

O renderizador é a parte fácil. A parte difícil é ensinar um agente de código a escrever uma composição que não pareça uma página web com um vídeo dentro.

O HyperFrames vem com 21 agent skills, com /hyperframes como roteador que lê o pedido e escolhe um fluxo. O catálogo é organizado por trabalho real, não por funcionalidade: um vídeo de lançamento de produto a partir de uma URL ou de um brief, um explainer sem rosto a partir de texto, uma passada de música para vídeo que sincroniza cortes na batida, legendas embutidas, uma remontagem de talking head e peças curtas de motion graphics para logo stings e cards de números. Os skills funcionam com Claude Code, Codex, Cursor e Gemini CLI.

A parte mais esperta é o frame.md. Muitas marcas hoje mantêm um design.md - cores, escala tipográfica, regras de espaçamento - que um agente consegue ler. O problema é que essas regras foram escritas para telas. Aplicadas a vídeo, o agente vai alegremente produzir corpo de texto de 14 pixels e uma barra de navegação, porque é o que as regras dizem. O frame.md reescreve o mesmo sistema de marca na escala do vídeo: tipografia que se lê a um braço de distância, composições que sobrevivem a um corte 16:9, movimento que tem para onde ir. A galeria traz uma dúzia de sistemas de partida, incluindo um visual de revista esportiva vintage construído em volta de um único vermelho saturado.

É esse tipo de detalhe nada glamouroso que decide se um vídeo feito por agente parece profissional. Um modelo que gera um frame bonito não sabe que a sua marca tem um vermelho específico. Um arquivo de skill sabe.

A comparação com o Remotion, sem enrolação

O HyperFrames se inspira abertamente no Remotion, o framework de vídeo baseado em React. O time usou Remotion em produção, manteve no código os comentários de atribuição dos padrões que ele inaugurou, e fez uma aposta diferente: o Remotion pede componentes React, o HyperFrames pede HTML.

A troca é clara. O Remotion te dá um modelo de programação de verdade e uma etapa de build. O HyperFrames não tem build nenhum, um index.html roda do jeito que está, e se apoia no fato de que modelos de linguagem são extremamente bons em HTML e CSS, e apenas bons em React. Para uma ferramenta agent-first, é a aposta certa, porque o modo de falha contra o qual você otimiza é um agente que escreve JSX de aparência plausível que não compila.

Os requisitos são modestos: Node 22 ou mais novo, FFmpeg, Chrome. Cada worker de render usa cerca de 256 MB de RAM. Nenhuma GPU. Os renders rodam localmente, no AWS Lambda ou no serviço hospedado da HeyGen, e é aí que mora o dinheiro: local não custa nada além da sua máquina, o hospedado é cobrado por crédito e o 4K sai a 1,5×.

A versão 0.8.145, lançada em 10 de outubro, adicionou exportação com GPU dentro do HyperFrames Studio e corrigiu um bug que deixava exportações longas travadas em 90%, uma notinha de release que diz muito sobre onde o projeto realmente está. Não é demo de pesquisa. É uma ferramenta com bug tracker e usuários que percebem quando uma barra de progresso mente.

Os limites, com honestidade

O HyperFrames não inventa imagem. Se você precisa de uma multidão, de uma cachoeira ou de um rosto fazendo algo específico, essa é a ferramenta errada e você deve usar um modelo de vídeo. Ele renderiza o que você descreve em código: tipografia, gráficos, walkthroughs de UI, lower thirds, tipografia cinética, objetos 3D que você já tem, vídeo que você já filmou.

A saída também é exatamente tão boa quanto o HTML que o agente escreve. Um agente fraco entrega um slideshow com fades. Os skills elevam bastante o piso, mas não substituem repertório, e não salvam um prompt que nunca disse para que servia o vídeo.

E o app de desktop Studio agora pede login com conta HeyGen, o que é uma decisão de negócio razoável e também um lembrete de que o grátis é o motor, não o produto inteiro.

Por que isso importa mais do que mais um modelo de vídeo

O último ano de vídeo com IA foi uma corrida no mesmo eixo: clipes mais longos, física melhor, personagens mais consistentes. Tudo isso é progresso real, e tudo isso é sobre geração.

Mas boa parte do vídeo profissional não é geração. É um gráfico que precisa animar certo, um lower third que precisa entrar em 0:03, um título que precisa ser legível no celular. Esses trabalhos nunca estavam esperando um modelo melhor. Estavam esperando um jeito de passar o trabalho para algo que não se entedia e não desvia.

O HyperFrames é essa passagem, e a alegação mais forte dele não é sobre qualidade. É que determinismo é uma feature. Uma ferramenta que produz a mesma saída a partir da mesma entrada é uma ferramenta sobre a qual você consegue construir um pipeline. O resto é um caça-níquel muito impressionante.