Criar um vídeo narrado
Um passo a passo de ponta a ponta que escreve um roteiro com um LLM, gera clipes, sintetiza uma narração e combina tudo — usando uma única chave de API.
Este tutorial encadeia três tipos de modelo em um mesmo script: um modelo de linguagem escreve a narração, um modelo de vídeo gera as imagens e um modelo de fala lê o roteiro em voz alta. É um exemplo realista de por que ter uma única API e um saldo comum entre tipos de modelo é útil.
O que você precisa: Python 3.9+, uma chave de API e o ffmpeg, se quiser juntar áudio e vídeo no final.
Isto executa tarefas de geração reais e consome créditos reais. O vídeo é a parte cara — comece com uma duração curta enquanto estiver iterando e use a estimativa de preços se quiser um número exato antes.
Preparação
pip install requests
export ATLASCLOUD_API_KEY="your-api-key"Passo 1 — Funções auxiliares compartilhadas
Toda tarefa de mídia segue o mesmo formato de enviar e depois consultar, então defina isso uma vez só.
import os, time, requests
API_KEY = os.environ["ATLASCLOUD_API_KEY"]
BASE = "https://api.atlascloud.ai/api/v1"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}
TERMINAL = {"completed", "succeeded", "failed", "timeout"}
def submit(endpoint: str, model: str, **params) -> str:
"""Envia uma tarefa. Atenção: os parâmetros ficam no nível superior, não dentro de input."""
r = requests.post(f"{BASE}/model/{endpoint}",
headers=HEADERS, json={"model": model, **params}, timeout=60)
r.raise_for_status()
return r.json()["data"]["id"]
def wait(prediction_id: str, timeout: int = 900) -> dict:
"""Consulta até o estado final, com o intervalo crescendo aos poucos."""
deadline, delay = time.time() + timeout, 2.0
while time.time() < deadline:
r = requests.get(f"{BASE}/model/prediction/{prediction_id}",
headers=HEADERS, timeout=30)
r.raise_for_status()
data = r.json()["data"]
if data.get("status") in TERMINAL:
if data["status"] in ("failed", "timeout"):
raise RuntimeError(f"A tarefa falhou: {data.get('error') or data['status']}")
return data
time.sleep(delay)
delay = min(delay * 1.5, 10.0)
raise TimeoutError(prediction_id)
def download(url: str, path: str) -> str:
r = requests.get(url, timeout=300)
r.raise_for_status()
with open(path, "wb") as f:
f.write(r.content)
return pathPasso 2 — Escrever o roteiro com um LLM
Modelos de linguagem usam uma base URL diferente e são síncronos, então não passam por submit/wait.
def write_narration(topic: str) -> str:
r = requests.post(
"https://api.atlascloud.ai/v1/chat/completions",
headers={**HEADERS, "Content-Type": "application/json"},
json={
"model": "deepseek-ai/deepseek-v3.2",
"messages": [
{"role": "system",
"content": "You write narration for short videos. "
"Reply with two sentences of spoken narration and nothing else."},
{"role": "user", "content": f"Topic: {topic}"},
],
"max_tokens": 200,
},
timeout=120,
)
r.raise_for_status()
return r.json()["choices"][0]["message"]["content"].strip()
narration = write_narration("how ocean waves shape a coastline")
print(narration)Passo 3 — Gerar as imagens
video_id = submit(
"generateVideo",
"alibaba/wan-2.5/text-to-video",
prompt="slow aerial shot of waves breaking against a rocky coastline at golden hour",
duration=5,
)
video = wait(video_id)
download(video["outputs"][0], "footage.mp4")A geração de vídeo leva minutos, não segundos. Em produção, registre um webhook e deixe a tarefa chamar você de volta, em vez de manter um laço de polling aberto.
Passo 4 — Sintetizar a narração
A narração do passo 2 vira a entrada aqui. Fala, música e transcrição compartilham o mesmo endpoint — é o modelo que decide qual delas você obtém.
audio_id = submit(
"generateAudio",
"bytedance/seed-audio-1.0",
text=narration,
format="mp3",
sample_rate=44100,
speech_rate=-5, # Um pouco mais devagar, a narração fica mais fácil de entender
)
audio = wait(audio_id)
download(audio["outputs"][0], "voiceover.mp3")Veja Modelos de áudio para o conjunto completo de parâmetros, incluindo vozes de referência.
Passo 5 — Combinar
ffmpeg -i footage.mp4 -i voiceover.mp3 \
-c:v copy -c:a aac -shortest narrated.mp4Opcional — Gerar legendas
Passe a narração por um modelo de transcrição para obter marcações de tempo por palavra e montar legendas.
stt_id = submit(
"generateAudio",
"bytedance/seed-asr-2.0",
audio_url=audio["outputs"][0], # Atenção: o campo se chama audio_url
enable_punc=True,
show_utterances=True,
)
stt = wait(stt_id)
# Em modelos de transcrição, outputs[0] é o próprio texto, não uma URL de arquivo
print(stt["outputs"][0])
for word in stt.get("stt_result", {}).get("words", [])[:10]:
print(word["start"], word["end"], word["text"])Modelos de transcrição recebem audio_url, mas alguns outros modelos de fala para texto recebem audio. Consulte a referência de API do modelo — passar o nome de campo errado falha na validação.
Para onde ir agora
- Troque o modelo de vídeo por um que aceite uma imagem de referência e conduza o visual a partir de um quadro que você fornecer
- Migre do polling para webhooks, para que tarefas longas não bloqueiem o seu processo
- Execute vários clipes em paralelo e concatene-os em uma sequência mais longa
- Adicione o tratamento de novas tentativas de Erros e limites de taxa
Relacionado
Last updated on