O que é primeiro e último quadro no vídeo com IA?

O primeiro e último quadro funciona como imagem para vídeo com uma segunda âncora. O modelo coloca a sua primeira imagem no início do clipe e a última no fim, marca as duas como quadros a manter e gera os quadros entre elas a partir de ruído, até que liguem as duas pontas do jeito que o prompt descreve.

Em texto para vídeo, o modelo inventa tudo; com uma imagem, tudo o que vem depois do início. Com duas, ele tem um destino, então o trabalho dele é encontrar um caminho convincente: o modo combina com uma mudança planejada e tem dificuldade quando esse caminho não existe.

Por dentro: dois quadros mantidos, o meio gerado

O relatório do modelo aberto Wan descreve o desenho mais comum. A imagem é comprimida e colocada como primeiro quadro, com quadros vazios depois dela, e uma máscara binária marca quais quadros são mantidos e quais são gerados. Um codificador de imagem também lê o conteúdo da imagem, para que o visual dela continue em quadros que ela nunca mostrou. O relatório diz que o mesmo desenho se estende à transformação entre primeiro e último quadro e à continuação de vídeo.

O nome FLF2V vem dessa família: a equipe do Wan lançou o Wan2.1 FLF2V, de first-last-frame-to-video, em 17 de abril de 2025, só em 720p.

A pesquisa chama a tarefa de interpolação de quadros-chave ou inbetweening, por causa do trabalho do animador de desenhar os quadros entre duas poses-chave. Um artigo da ICLR 2025 pega um modelo de imagem para vídeo treinado para avançar no tempo a partir de uma imagem, ajusta uma cópia para andar para trás e roda as duas juntas, para que cada passo combine uma estimativa vinda de cada ponta.

Como escrever um prompt de primeiro e último quadro

Descreva a mudança, não as imagens: as duas já estão definidas. Diga o que se move, em que ordem e como a câmera vai do primeiro enquadramento ao último. O guia do modelo O1 da Kling dá o padrão: use a primeira imagem como quadro inicial, a segunda como quadro final e depois descreva as mudanças entre elas.

• Diga uma ação que transforma a primeira imagem na última: “ela se vira da janela para encarar a câmera”.
• Diga o movimento de câmera que leva de um enquadramento ao outro: “aproximação lenta de um plano aberto até um close”.
• Diga como o clipe chega ao fim: “se acomoda”, “fica parado”, “a luz termina de subir”, para que o último segundo não seja um salto.
• Deixe de fora o que as duas imagens já mostram: o rosto, a roupa, o ambiente.

Uma imagem pode guiar um vídeo de várias formas. A que você escolhe decide quanto do plano é seu e quanto o modelo cria.

O primeiro e último quadro é a única dessas formas que define onde um plano termina; uma sequência mais longa são vários planos desse tipo, montados juntos.

A maioria das falhas começa antes do prompt, com duas imagens que não dá para ligar no tempo disponível. O guia de quadros inicial e final da Kling pede duas imagens parecidas, do mesmo tema, e avisa que diferenças grandes podem provocar uma troca de plano: um corte em vez de um movimento.

• Dê às duas imagens o mesmo formato e tamanho do clipe, para que nada seja cortado ou esticado em nenhuma das pontas.
• Mantenha iguais o elemento principal, a luz, a lente e o estilo; mude uma ou duas coisas, como uma pose, a posição da câmera ou a hora do dia.
• Faça a mudança caber na duração: virar a cabeça cabe em 5 segundos, um nascer do sol sobre uma cidade, não.
• Faça o último quadro a partir do primeiro: edite uma cópia com o editor de imagem com IA ou amplie para um enquadramento mais aberto com o expansor de imagem com IA, para que os dois compartilhem cada detalhe que você não mudou.
• Mantenha rostos, mãos e textos grandes e nítidos nas duas: os quadros do meio são inventados, e os detalhes pequenos são os primeiros a ser redesenhados.

Cada desenvolvedor define os próprios limites. O que as páginas deles diziam quando as lemos, em 29 de outubro de 2026:

• Transições: a mesma rua de dia e de noite, um cômodo vazio e mobiliado, do verão à neve.
• Antes e depois: uma transformação de visual, uma reforma, um prato cru e pronto, com as duas pontas exatamente como foram fotografadas ou desenhadas.
• Revelações que terminam numa imagem final planejada: um produto, uma cartela de título ou um logo.
• Um produto girando da frente para o verso, com as duas vistas exatas.
• Um personagem se movendo entre duas poses desenhadas para um storyboard.
• Loops, com a mesma imagem nas duas pontas.

No DreamBench, o Seedance 2.5, o Seedance 2.0, o Veo 3.1 com as versões Fast e Lite, o Kling 4.0, o Kling 3.0, o Wan 3.0, o Wan 2.7, o MiniMax H3 e o LTX-2.3 permitem definir onde o clipe termina. O HappyHorse 1.1, o Grok Imagine 1.5 e o Vidu Q2 partem só de um primeiro quadro. A tabela é lida das mesmas configurações que o painel de criação do DreamBench usa:

“Só o primeiro quadro” quer dizer que o modelo pode começar na sua imagem, mas não permite definir onde ele termina: o fim fica por conta do prompt.

Por que o meu vídeo não termina no meu último quadro? O primeiro quadro é colocado exatamente, mas o último é um alvo: o modelo gera os quadros finais para chegar até ele, e um caminho que se atrasa, ou uma mudança grande demais para os segundos disponíveis, chega perto dele ou salta para ele nos últimos instantes. Quanto mais parecidas as duas imagens, mais precisa a chegada.

• Os quadros do meio ainda podem cintilar ou se desviar: uma falha de consistência temporal, pior quanto mais distantes forem as pontas.
• Duas pontas definem um plano. Uma pessoa que precisa ter a mesma aparência em vários planos precisa das mesmas imagens em cada um, o que é consistência de personagem.
• Alguns modelos recusam algumas imagens: o tutorial da ByteDance diz que o Seedance 2.5 não aceita imagens com rostos humanos reais.
• Use só imagens que você tem direito de usar, e peça permissão antes de animar a foto de outra pessoa.

A ferramenta de animação de logo é a geração de primeiro e último quadro do DreamBench. Você envia um logo e escolhe um estilo, e o modelo recebe o seu logo, tal como você o enviou, sobre um fundo próprio, como o quadro em que deve terminar. O primeiro quadro depende do estilo: o próprio logo na Passagem de luz, o fundo vazio numa revelação, ou um quadro desenhado a partir do logo, fragmentado no Glitch, um contorno apagado no Neon, de perfil no Giro 3D.

Cada geração é um clipe de cinco segundos no Kling 3.0: 720p e sem som, 1080p, ou 1080p com som. Algumas gerações não terminam exatamente no quadro do logo; se o último segundo parecer errado, gere de novo.

A ferramenta de imagem para vídeo é a versão com uma imagem: uma foto vira o primeiro quadro de um clipe de cinco segundos. E quando você descreve um filme, o DreamBench o escreve em planos, desenha um quadro de abertura para cada um a partir das suas imagens de referência, e o modelo de vídeo gera o plano a partir dele; para onde o plano vai fica escrito no prompt.