← Voltar ao blog
Aicerca de 7 min de leitura

ViMax troca o prompt por uma premissa e deixa um agente dirigir o curta

Publicado 10 de nov. de 2026
ViMax troca o prompt por uma premissa e deixa um agente dirigir o curta

O mais interessante no ViMax não é gerar vídeo. Muitos repositórios fazem isso. É que o exemplo do próprio repo não pede um prompt. Pede uma premissa em uma frase.

idea = \
"""
If a cat and a dog are best friends, what would happen when they meet a new cat?
"""
user_requirement = \
"""
For children, do not exceed 3 scenes.
"""
style = "Cartoon"

Esse bloco fica dentro de main_idea2video.py. Você edita o arquivo Python, configura três chaves de API e roda. O que volta deve ser um curta pronto: roteiro, storyboard, design de personagens, planos e vídeo montado. O repositório é HKUDS/ViMax, já acumula cerca de 12.8K estrelas, e a proposta é que um único agente segure quatro funções ao mesmo tempo — diretor, roteirista, produtor e gerador.

Se isso funciona é outra pergunta, separada de se o enquadramento está certo. O enquadramento está. Quase toda ferramenta de texto-para-vídeo do mercado se recusa a decidir. Você entrega uma frase, ela devolve cinco segundos. Tudo acima da frase — quem é o personagem, qual deve ser o segundo plano, se o terceiro contradiz o primeiro — é problema seu. A aposta do ViMax é que o produto que faltava nunca foi o modelo. Era a camada que decide o que pedir ao modelo.

O que vem na caixa

Três pontos de entrada, e vale separá-los porque as pessoas insistem em confundi-los.

Ideia para vídeo. main_idea2video.py recebe uma premissa, uma frase de restrição e uma palavra de estilo. O agente escreve o roteiro, quebra em cenas, gera keyframes e entrega esses keyframes a um modelo de vídeo.

Roteiro para vídeo. main_script2video.py pula a etapa de escrita. Você fornece um roteiro de cenas em formato de screenplay — EXT. SCHOOL GYM - DAY, idade dos personagens entre parênteses, diálogo em linha própria — mais uma exigência como “ritmo rápido, no máximo 20 planos”. O agente interpreta, escala o elenco e gera.

TUI interativa e uma interface web local. Mesmo runtime, duas frentes. A TUI é o caminho rápido; a web oferece projetos nomeados, painel de conversa, prévia do storyboard e inspeção de artefatos.

Tem uma quarta coisa escondida na config que, para mim, importa mais que as três acima: image_selection.

image_selection:
  num_candidates: 2  # Set to 1 to disable selection.

Por padrão, o ViMax gera dois keyframes candidatos em paralelo e deixa um modelo de chat com visão escolher o melhor. É um recurso pequeno com implicação grande. Significa que o sistema não trata a geração de imagem como caça-níquel, em que você gira até sair algo aceitável. Trata como decisão com custo, tomada por algo capaz de olhar as duas opções. O README avisa que isso aumenta o gasto de API. É também a diferença entre um agente e um laço for.

A instalação, sem romance

Quatro comandos, e um deles vai ser o motivo da sua desistência se você estiver no Windows.

git clone https://github.com/HKUDS/ViMax.git
cd ViMax
uv sync

É o ambiente. O uv resolve; não tem receita conda nem arquivo Docker no quick start. Depois:

cp configs/agent.example.yaml configs/agent.local.yaml

E agora você preenche três blocos. Não um — três. Um modelo de linguagem, um gerador de imagem e um gerador de vídeo, cada um com nome de modelo, base URL e chave.

llm:
  model_provider: openai
  model: <YOUR_LLM_MODEL>
  base_url: <YOUR_LLM_BASE_URL>
  api_key: <YOUR_API_KEY>

image:
  model: <YOUR_IMAGE_MODEL>
  base_url: <YOUR_IMAGE_BASE_URL>
  api_key: <YOUR_API_KEY>

video:
  model: <YOUR_VIDEO_MODEL>
  base_url: <YOUR_VIDEO_BASE_URL>
  api_key: <YOUR_API_KEY>

Se preferir não ter arquivo de config, os mesmos valores podem vir de VIMAX_LLM_API_KEY, VIMAX_IMAGE_API_KEY e VIMAX_VIDEO_API_KEY. Depois vimax tui abre uma sessão, e vimax tui resume <session_id> retoma uma.

Três provedores é a parte que as pessoas subestimam. Não é incômodo de setup, é a arquitetura aparecendo: o ViMax é colado no que você plugar. A config de exemplo aponta para OpenRouter no chat, uma classe de imagem do Google e uma classe de vídeo do Google — ImageGeneratorNanobananaGoogleAPI e VideoGeneratorVeoGoogleAPI. Troque o caminho da classe, troque o fornecedor. É flexível do jeito que uma régua de tomadas bem etiquetada é flexível.

A interface web é instalação separada:

cd web
npm install
npm run dev

Ela sobe em 127.0.0.1:4173. Em máquina remota você faz forward da porta; VIMAX_WEB_PORT troca. Nada de exótico, mas repare: “interface web local” quer dizer exatamente isso — não é produto hospedado, e não há camada de autenticação entre a porta e as suas chaves.

A dark editing suite with a storyboard, a script page and a video timeline on three monitors

O que o agente faz entre a sua ideia e o seu MP4

A resposta honesta: o mesmo pipeline de uma equipe pequena de produção, sem as discussões.

Ler a premissa. Decidir um tom. Escrever um roteiro com cenas. Escolher um estilo visual e mantê-lo. Descrever cada cena como um plano, com posição de câmera e assunto. Gerar keyframes. Escolher entre candidatos. Animar. Montar. Verificar se o que foi montado ainda corresponde à premissa inicial.

O modo de falha interessante está na última etapa. Modelos de vídeo derivam. O casaco do personagem muda de cor entre planos. Um cômodo que tinha duas janelas passa a ter três. Quando um editor humano percebe, ele refilma ou corta em volta. Quando um agente percebe, ele precisa decidir se regenera — o que custa dinheiro — ou aceita a deriva. A resposta do ViMax, pelo que o README mostra, é apoiar-se na seleção de keyframes e no roteiro fixo. Não anuncia um verificador de consistência.

É isso que eu testaria primeiro se fosse avaliar a sério. Não “ele faz 30 segundos bonitos”. Peça quatro planos do mesmo personagem andando na mesma rua e conte quantas vezes a rua muda.

Onde encaixa e onde não encaixa

O ViMax não disputa com a timeline do Runway nem com um NLE de verdade. Disputa com a página em branco. O caso de uso realista é o que o exemplo do próprio repo sugere: peças curtas e autocontidas, em que tudo cabe num parágrafo — história infantil, explicador, prova de conceito para um pitch que ainda não tem orçamento.

Também é uma implementação de referência genuinamente útil para quem está construindo o próprio agente. A separação entre idea2video e script2video é a costura certa: um é agente criativo, o outro é agente de execução, e a maioria das pessoas que constrói esse tipo de ferramenta mistura os dois até virar uma bagunça impossível de manter.

Duas ressalvas, ditas sem rodeio. Primeiro, o README não declara licença. Para um repositório com 12.8K estrelas isso não é detalhe, é bloqueio para uso comercial até esclarecer. Segundo, o modelo de custo é invisível. Não há teto de orçamento, nem estimativa por execução, nem modo dry-run no quick start — você descobre quanto custa um desenho animado de quatro cenas quando a fatura chega.

O OpenMontage, o outro grande repositório de vídeo agêntico deste mês, foi na direção oposta: portões rígidos, teto padrão declarado de US$ 10, limite de aprovação de cinquenta centavos por ação. O ViMax escolheu o fluxo. As duas opções se defendem. Só uma sobrevive ao contato com um departamento financeiro.

A parte que vai envelhecer bem

Em um ano, os modelos de vídeo que o ViMax chama estarão melhores e mais baratos, e alguém terá reescrito o schema de config. O que provavelmente fica é o padrão de interação: entregue ao sistema uma premissa, não um prompt; deixe que ele mostre keyframes candidatos em vez de uma única tomada; mantenha o roteiro como o contrato que os planos precisam cumprir.

Esse padrão já aparece em todo lugar — em vídeo-para-jogo, onde um clipe gerado vira o documento de design que um agente de código precisa seguir; no OpenMontage, onde o pipeline pausa para aprovação em cada portão criativo. A indústria passou dois anos discutindo qual modelo vence. A discussão mais útil, a que esses repositórios realmente travam, é sobre quem tem permissão para tomar a segunda decisão.

Artigos relacionados