Como criei um criativo em vídeo com IA no ComfyUI e MiniMax H3
Veja os bastidores de um criativo para WhatsApp feito com ComfyUI e MiniMax H3: roteiro, voz real, animação, telas do app, versões vertical e horizontal e revisão.
Criar um vídeo com IA é fácil de demonstrar em dez segundos. Fazer um criativo inteiro, com uma história que se entende, voz natural, interface legível e versões que funcionam no celular e na horizontal, já é outra conversa.
Foi esse o trabalho por trás do anúncio “Esse aí sou eu”, que criei para o RastrackDash WhatsApp. A ideia começa com um lead chegando ao meu WhatsApp. Meu avatar se irrita, joga o celular pela janela e a cena congela quando a narração diz: “Esse aí sou eu.” A partir daí, o vídeo sai da reação e passa a explicar o problema e a mostrar o aplicativo.
Neste artigo, abro o processo: o que fiz no ComfyUI com MiniMax H3, o que foi composto fora da IA, como usei minha voz, por que fiz duas montagens e o que precisei revisar até chegar aos vídeos finais. É um estudo de caso, não uma receita de um clique nem uma promessa de resultado para campanhas.
Assista aos dois formatos
Versão horizontal (16:9): composição para Google Ads, com fala e CTA próprios desse destino. Hospedei o vídeo como não listado para que ele possa ser assistido aqui.
Versão vertical (9:16): adaptação orgânica com enquadramento e encerramento próprios. O mesmo vídeo está no Reel original e no Short abaixo.
A ideia veio antes da ferramenta
Eu não comecei pedindo para um modelo “fazer um anúncio”. Primeiro defini o arco da peça. A abertura precisava capturar uma situação familiar para quem anuncia para WhatsApp: o lead chega, mas isso sozinho ainda não responde se a conversa teve qualidade ou virou venda. O arremesso do celular é exagero visual e humor; o congelamento apresenta quem está falando. Depois, o vídeo precisa sair da piada e responder: o que mudou na maneira de acompanhar esses contatos?
- Situação: chega um novo contato; meu avatar reage.
- Virada: celular pela janela, congelamento e “Esse aí sou eu”.
- Explicação: campanha → WhatsApp → conversa → qualificação → compra.
- Demonstração: interface do RastrackDash WhatsApp, com dados de demonstração e informações pessoais ocultas.
- Fechamento: cada formato termina com a chamada adequada ao lugar onde será usado.
A linguagem do congelamento foi inspirada por uma referência de cinema, mas o vídeo final usa animação, voz e composição próprias. Não inseri cenas nem áudio do filme na peça.
O que cada ferramenta fez de verdade
O ComfyUI organizou o fluxo de geração da atuação. O MiniMax H3 produziu trechos animados do avatar a partir de bases visuais e da minha gravação. A voz do anúncio é minha; não usei um narrador sintético. Para manter a identidade do personagem, conferi rosto, barba, roupa e o pequeno NOD na polo em cada seleção.
A IA não resolveu a montagem inteira. Os desenhos que explicam a passagem da campanha para a conversa, as palavras de ênfase, as setas e o posicionamento das telas foram compostos em etapas controladas com Pillow e NumPy. A interface exibida veio de capturas reais do aplicativo, sanitizadas para não revelar dados pessoais. A animação passou pela rota de restauração AnimeVideo-v3, e a mixagem e os exports foram feitos com FFmpeg.
- Voz e ritmo: gravação original em velocidade 1×.
- Avatar: atuação gerada no ComfyUI com MiniMax H3.
- Explicação visual: textos, setas e relações compostos com Pillow/NumPy.
- Produto: capturas reais sanitizadas.
- Finalização: restauração e FFmpeg.
No teste inicial, a atuação foi gerada em resolução menor: 640 × 384 no horizontal e 384 × 640 no vertical, a 24 quadros por segundo. Os finais foram restaurados e exportados em 1080p60. Isso não significa que o MiniMax gerou a atuação nativamente em 1080p60; são etapas diferentes.
Como organizei o fluxo no ComfyUI
Meu ponto de partida foi uma imagem base coerente do avatar e um trecho da voz já escolhido. No fluxo local, usei o modelo MiniMax H3 com seus componentes de vídeo e áudio e uma configuração Turbo para testar takes. Na abertura, separei a fala e a reação do gesto de arremessar o celular: cada movimento tinha um objetivo visual claro e precisava caber no tempo da narração.
Essa divisão foi importante. Quando peço uma cena longa que mistura fala, emoção, celular, mão e janela, os erros de continuidade ficam mais difíceis de controlar. Num take curto, consigo verificar se um único celular sai da mão e cruza a janela, se o braço faz sentido e se a expressão combina com a fala. Se o take não passa nessa revisão, escolho outro; não tento esconder um braço sobrando com uma transição.
O congelamento também não foi um efeito para disfarçar falha. Ele era um ponto previsto no roteiro: o objeto já saiu da janela, a imagem para, e a voz identifica o personagem. Só então a montagem migra para a explicação em colagem.
Para quem está começando no ComfyUI, o princípio que eu levaria daqui é simples: use a geração para uma ação definida e deixe o restante da peça editável. Texto, números, setas e telas de produto exigem leitura e precisão; por isso não os entreguei cegamente ao vídeo gerado.
A configuração que usei no teste da abertura
O workflow do primeiro take horizontal (A01H) registra os componentes concretos dessa etapa: UNET do MiniMax H3 em INT8, LoRA Turbo v4, VAE de vídeo, VAE de áudio e o encoder Qwen3VL indicado para o modelo. As entradas eram o primeiro quadro do avatar, um áudio de direção e o áudio final selecionado. O mesmo plano previa bases e enquadramentos próprios para o vertical. Esses nomes descrevem este teste; não são uma lista universal de arquivos que qualquer instalação do ComfyUI precisa usar.
Eu checava três coisas antes de aproveitar um take: se a atuação acompanhava a fala sem mudar a identidade do avatar; se mãos, objeto e cenário permaneciam coerentes; e se havia um ponto de entrada e saída que a montagem pudesse usar sem loop artificial. Os testes rejeitados e as correções de identidade fazem parte do custo real de produzir com IA, mesmo quando a geração local não cobra por chamada.
Da animação para a explicação do produto
Depois da piada inicial, eu precisava manter uma linha de raciocínio. O vídeo desenha uma campanha, liga essa campanha ao WhatsApp e, em seguida, mostra o que acontece com o contato. É nesse ponto que entram dois termos que faço questão de separar:
- Rastreamento: coletar e armazenar os dados na estrutura própria para entender a jornada.
- Trackeamento: informar à plataforma de tráfego os eventos relevantes dessa jornada.
Como costumo dizer: “O rastreamento deixa a pessoa inteligente. O trackeamento deixa a plataforma inteligente.” No vídeo, a seta para a base própria vem antes da seta de retorno para a Meta. Essa ordem ajuda a explicar a diferença sem um bloco enorme de texto.
Se você quiser aprofundar essa parte técnica depois de assistir ao criativo, escrevi um guia de trackeamento e rastreamento de campanhas de WhatsApp.
Quando a narração chega às funções do RastrackDash WhatsApp, a montagem revela capturas do aplicativo. Usei recortes e aproximações para mostrar os campos citados, em vez de comprimir uma tela inteira dentro do vídeo. Os dados visíveis foram tratados como demonstração. Uma tela que mostra um indicador ou um controle não prova, por si, o resultado de uma campanha específica; o artigo também não transforma o relato pessoal da narração em garantia geral.
Por que fiz vertical e horizontal separadamente
O arquivo horizontal final tem 1920 × 1080 e cerca de 78,55 segundos. O vertical orgânico do Instagram tem 1080 × 1920 e cerca de 80,75 segundos. Não fiz o vertical com um corte central automático do horizontal.
Na horizontal, há espaço lateral para mostrar o avatar, a janela e a trajetória do celular no mesmo plano. A interface do aplicativo também pode ocupar uma área maior. Na vertical, a janela e o gesto precisaram ser reorganizados no eixo do personagem; quando o vídeo mostra dados, os recortes avançam por partes para continuar legíveis no telefone. A área das legendas e dos controles da plataforma também entra nessa decisão.
O encerramento muda junto com o destino. A versão horizontal fala em clicar no link abaixo; a peça orgânica do Instagram pede o comentário WPPDASH. Isso é uma diferença real dos arquivos, não uma legenda trocada no último minuto. O Short publicado no YouTube preserva a fala e o CTA da versão do Instagram. Por isso, o pedido de comentário WPPDASH se refere à publicação naquela rede; aqui, os dois vídeos ajudam a comparar as montagens.
O que revisei antes de considerar o vídeo pronto
Gerar o take é só uma parte da produção. Nesta peça, houve uma revisão da própria narração: os cortes aprovados deixaram a voz em 1×, sem regravar tudo com TTS. Os masters finais ficaram mais curtos que o áudio bruto, mas preservaram a fala escolhida e os fechamentos específicos de cada versão.
Também corrigi um problema visual que apareceu na demonstração. Um destaque desenhado por cima da imagem da tela parecia flutuar durante o movimento da câmera. O ajuste foi projetar o sublinhado na própria superfície do screenshot, acompanhando a perspectiva do notebook. É um detalhe pequeno, mas esse tipo de erro tira a pessoa da história na hora.
A revisão final incluiu duração, proporção, taxa de quadros, decodificação dos arquivos, sincronização geral de áudio e legenda e inspeção dos trechos de maior risco: mão e celular na abertura, logotipo na camisa, legibilidade das telas, transições e CTA. Os vídeos finais foram aprovados como V02. A aprovação do vídeo não converte automaticamente os textos de campanha em fatos verificados nem comprova que todas as redes já o publicaram.
Dá para fazer um criativo assim de graça?
Nesta produção, o fluxo local com ComfyUI e MiniMax H3 não registrou cobrança adicional de API. Isso não equivale a custo zero. Há computador, GPU, armazenamento, energia, tempo de tentativa e edição — e as condições de uso do modelo devem ser verificadas antes de um uso comercial. Quem roda o modelo por um serviço hospedado pode ter uma cobrança diferente.
Se você quer testar o método, comece por um roteiro curto e por uma única ação visual. Grave a voz primeiro, marque os tempos, gere um take, confira mãos e continuidade, e só então construa as camadas de texto e interface. Esse teste pequeno mostra onde a ferramenta ajuda e onde você ainda precisa dirigir a cena.
Perguntas rápidas
O MiniMax H3 fez o vídeo inteiro sozinho?
Não. Ele foi usado para a atuação animada do avatar. Voz, cortes, gráficos explicativos, telas, legendas e versões finais passaram por outras etapas.
Usei a mesma composição para Reels e para o horizontal?
Não. As duas proporções tiveram enquadramento e edição próprios. O vertical do Instagram também tem um CTA e uma duração diferentes.
Preciso de GPU para reproduzir exatamente esse fluxo?
O fluxo descrito aqui rodou localmente com os componentes do MiniMax H3. A necessidade concreta de hardware depende da versão dos pesos, quantização e configuração. A documentação oficial do ComfyUI para MiniMax H3 é o ponto de partida para verificar os requisitos atuais.
O vídeo mostra números reais de campanhas?
As telas são capturas do produto com dados pessoais removidos e dados de demonstração. Elas mostram como a interface apresenta a jornada e os indicadores; não são prova de um ganho de performance específico.
O aprendizado que ficou
O criativo começou com uma situação e uma frase que eu queria contar, não com uma lista de efeitos de IA. ComfyUI e MiniMax H3 ajudaram a dar vida ao avatar. O que fez o vídeo funcionar como peça completa foi a direção: escolher uma ação de cada vez, usar a voz como linha do tempo, deixar as explicações visuais editáveis e mostrar o produto com clareza.
É assim que penso em criar anúncios em vídeo com IA: a ferramenta acelera cenas que seriam difíceis de produzir, mas a história, a precisão e a revisão continuam sendo trabalho nosso.
Fontes técnicas: visão oficial do MiniMax H3, guia do ComfyUI e licença dos pesos.
Black Friday NOD: inscrições abertas
The Last Dance é a última abertura da Comunidade NOD no formato atual. Entre no NOD Infinity com acesso vitalício aos conteúdos atuais e futuros da comunidade.
Ver oferta e me inscrever
