Google Research apresenta o co‑diretor de vídeo IA: sistema multi‑agente que reforça a coerência em vídeos longos

Google Research anunciou um quadro unificado de múltiplos agentes denominado co‑diretor de vídeo IA. O sistema trata a criação de vídeos longos e coerentes como um único problema de otimização e rastreamento do estado mundial. Ele baseia‑se nos modelos fundacionais Gemini e Veo e herda salvaguardas de segurança, como a marca de água SynthID.

Quatro pilares sustentam a arquitetura

A arquitetura está organizada em torno de quatro pilares distintos. O Co‑Diretor gere o planeamento criativo através de um algoritmo de bandido de múltiplos braços, o CANVAS gere o storyboard visual com memória visual persistente, o A²RD gera segmentos de vídeo um a um usando memória multimodal de vídeo, e o VQQA realiza o refinamento em ciclo fechado via perguntas‑respostas visuais.

O núcleo do Co‑Diretor é um Orquestrador que seleciona uma configuração criativa — estratégia, modo narrativo e arquétipo estético — por meio de um bandido de múltiplos braços. A configuração escolhida alimenta um agente de pré‑produção que constrói o storyboard; em seguida, sub‑agentes especializados (Keyframe, Vídeo, Áudio) produzem os ativos multimédia. Um modelo de linguagem de grande escala atua como juiz, devolvendo um sinal de recompensa ao bandido, permitindo a otimização iterativa.

CANVAS garante a continuidade visual

O CANVAS combate o desvio semântico e a inconsistência de fundo ao preservar uma memória visual estruturada de personagens, localizações e estados de objetos. No teste HardContinuityBench “roubo ao museu”, o CANVAS manteve o chapéu do ladrão e a joia roubada ao longo da cena, enquanto Gemini‑3.1‑Pro e AutoStudio alteraram esses atributos e cenários.

A memória visual é actualizada após cada frame gerado, permitindo ao sistema referir‑se a factos visuais anteriores ao compor novo conteúdo. Este mecanismo aborda directamente a falha comum em que modelos generativos perdem a pista de objetos ou mudam de ambiente sem justificação narrativa.

A²RD produz vídeo de vários minutos sem treino adicional

O A²RD segue um ciclo de recuperar‑sintetizar‑refinar‑actualizar que não requer treino extra além dos modelos base Gemini e Veo. A arquitetura alterna automaticamente entre extrapolação — criação de novos batimentos narrativos — e interpolação — ancoragem de entidades recorrentes. Uma demonstração contínua de dez minutos mostrou uma identidade de personagem estável ao longo de toda a execução.

Como o A²RD não depende de fine‑tuning específico para a tarefa, pode ser aplicado a uma variedade de durações de história, de um a dez minutos, preservando tanto a coerência visual como a narrativa.

VQQA refina resultados com perguntas‑respostas visuais

O VQQA gera questões visuais sobre as saídas intermédias de vídeo e, em seguida, utiliza um modelo visão‑linguagem para calcular gradientes semânticos. Esses gradientes reescrevem o texto do prompt, e um selector global escolhe o melhor vídeo entre todas as iterações. A abordagem produziu ganhos absolutos de 11,57 % no T2V‑CompBench e 8,43 % no VBench2 face a uma pipeline de geração vanilla.

• Co‑Diretor: 81,4 no GenAD‑Bench, classificação humana 3,96/5
• CANVAS: +21,6 % de continuidade de fundo, +9,6 % de consistência de personagem, +7,6 % de estabilidade de acessórios
• A²RD: até +30 % de coerência geral, +20 % de coerência narrativa para clips de 1–10 min
• VQQA: +11,57 % no T2V‑CompBench, +8,43 % no VBench2

Esses números provêm de benchmarks internos divulgados pela Google Research. Eles ilustram como cada pilar contribui com melhorias mensuráveis em relação às linhas de base anteriores.

Apesar dos números promissores, a estrutura apresenta várias limitações documentadas. O código‑fonte do CANVAS não foi divulgado, impedindo a verificação independente da sua implementação de memória visual.

O pipeline completo ainda não está comercializado, o que significa que as organizações não podem, atualmente, adquirir uma solução pronta da Google.

Todos os cenários de benchmark são sintéticos; não refletem a complexidade total das pipelines de produção do mundo real, e não há dados públicos que confirmem a escalabilidade para além de vídeos de dez minutos.

Classificadores de segurança além da marca de água SynthID não foram descritos em detalhe, deixando a eficácia de camadas de segurança adicionais incerta.

Implicações práticas para as empresas

Para organizações que já utilizam IA generativa na criação de media, o co‑diretor de vídeo IA demonstra um caminho viável para gerar conteúdos mais longos e consistentes. A natureza modular dos quatro pilares permite que equipas adotem componentes individuais — como o CANVAS para consistência de storyboard ou o VQQA para refinamento iterativo — sem aguardar o lançamento comercial completo.

Os ganhos reportados sugerem que a integração de um planeador de bandido de múltiplos braços pode reduzir o número de revisões manuais necessárias para alcançar uma narrativa coerente, potencialmente diminuindo os custos de produção. Contudo, como o código não é público e o pipeline não está empacotado, as empresas precisarão destinar recursos de engenharia para prototipar os conceitos internamente.

As empresas também devem ponderar a postura de segurança. Embora o SynthID forneça uma marca de água, o desempenho desconhecido de classificadores adicionais implica que qualquer implementação deve incluir as suas próprias salvaguardas de moderação de conteúdo.

Em resumo, o co‑diretor de vídeo IA da Google Research oferece um plano de ação convincente para a geração de vídeo multi‑agente, entregando melhorias quantificáveis em continuidade, estabilidade de personagens e fluxo narrativo. A adoção exigirá esforço interno de desenvolvimento, avaliação cuidadosa da relevância dos benchmarks sintéticos e medidas de segurança suplementares, mas a arquitetura aponta para um futuro em que vídeos de IA de longa duração possam ser produzidos com muito menos intervenções humanas.