Do desenvolvimento do Romergo
Das revisões sem fim a um set de filmagem: como estou aprendendo a gerar histórias
No artigo anterior, contei por que existe todo um processo entre o texto original e uma visual novel que funciona: preservar os fatos, preparar os personagens, montar a cena e observar o que o jogador realmente vê.
Desde então, esse processo ficou mais complexo. Não porque eu quisesse inventar mais alguns nomes bonitos para a IA. Ao criar histórias, esbarrava sempre no mesmo problema desagradável: é fácil perder uma boa imagem enquanto tentamos melhorá-la um pouco.
Primeiro você pede para corrigir uma mão. Depois, recuperar uma peça de roupa. Em seguida, tirar uma perna extra — sim, isso também acontece. Até perceber que, ao longo das correções, o rosto mudou, as sombras escureceram e o fundo limpo ficou turvo.
Você conserta uma região enquanto a imagem inteira continua mudando. Chega uma hora em que é preciso admitir: cinco versões atrás estava melhor.
Corrigir uma imagem não significa preservá-la
Uma grande frustração para mim é o acúmulo de mudanças. Temos a imagem A, dela fazemos B, de B fazemos C e seguimos tentando. Cada versão herda tanto a correção desejada quanto tudo o que mudou discretamente antes.
Nas minhas gerações, os rostos “derretiam”, as sombras ficavam mais pesadas, surgiam artefatos nas superfícies e detalhes pequenos desapareciam. Nem toda imagem seguinte é necessariamente pior. Mas uma longa sequência de revisões dava oportunidades demais para se afastar da aparência original.
Para uma pessoa, “deixe tudo igual, só vire a cabeça” parece óbvio. Reconhecemos o personagem, entendemos o ambiente e supomos que ele continua de jaqueta, mesmo que ninguém volte a mencioná-la. Com o gerador, precisamos combinar essas coisas explicitamente. Ele pode entregar uma imagem convincente e, ao mesmo tempo, quebrar algo que considerávamos garantido.
Então, sim: boa parte do trabalho é aprender a negociar com a IA. Às vezes, literalmente explicar que ainda não precisamos de uma terceira perna.
GENERAL: um ponto ao qual voltar
A primeira resposta foi GENERAL: uma imagem de referência aprovada de um personagem, lugar ou objeto. Tão neutra quanto possível, com características permanentes bem visíveis e sem detalhes desnecessários de um episódio específico.
A partir daí, tento evitar a cadeia infinita de “última correção → próxima correção”. Um novo estado é criado a partir do GENERAL, considerando o que deve acontecer agora.
Ao corrigir uma cena, a tarefa pode ter três apoios:
- GENERAL mostra a aparência do personagem ou do lugar;
- o quadro anterior ajuda a preservar a pose, a composição ou o estado desejados;
- a lista completa de requisitos descreve o resultado esperado, incluindo a nova correção.
A versão anterior continua sendo uma referência secundária. Ela não deve virar silenciosamente o novo padrão, junto com todos os erros acumulados.
*Este é um esquema do método, não uma comparação de gerações reais. GENERAL oferece um ponto de referência estável, mas não garante a preservação de cada pixel.*
Não há uma fórmula mágica que impeça o gerador de errar. Mas agora existe uma resposta clara para “a que voltamos quando tudo começa a se deformar?”. O objetivo da correção também muda: conseguir a cena necessária com o mesmo personagem, em vez de apenas editar a última versão malsucedida.
Render Eye: o que existe no mundo e o que aparece no quadro
O problema seguinte era mais sutil. Suponha que um personagem esteja bem descrito: jaqueta, luvas, cinto, botas. Mas agora ele aparece da cintura para cima, com uma mão atrás das costas e parte do corpo encoberta por uma porta.
Quais detalhes precisam ser desenhados? Quais devem ficar escondidos? Como distinguir uma luva oculta de uma que o gerador simplesmente esqueceu?
É para isso que estou desenvolvendo Render Eye. Ele tem duas tarefas: preparar os requisitos antes da geração e inspecionar a imagem obtida depois.
Primeiro consulta a bíblia da história: as descrições salvas de personagens, locais, objetos e seus estados. Depois compara tudo com a encenação: posição da câmera, ação e aquilo que deve atrair a atenção do jogador.
Cada detalhe importante recebe uma decisão: totalmente visível, parcialmente visível, encoberto por outro objeto ou fora do quadro. Se a mão está atrás das costas, a luva não desaparece do mundo. Só não pode ser examinada daquele ângulo.
Assim surge uma orientação concreta para o quadro. Não apenas “desenhe o protagonista no corredor”, mas “este protagonista, com esta roupa, visto deste ponto, com estes detalhes visíveis”. Se um objeto é necessário para entender a cena, não pode ficar acidentalmente fora da imagem.
Depois de gerar, Render Eye volta à mesma orientação. Confere roupas, objetos e posicionamento dos personagens; separadamente, verifica anatomia e artefatos. Um erro detectado ou uma incerteza devolve a imagem para correção. Não vale aceitar uma jaqueta desaparecida e reescrever a descrição como se ela nunca tivesse existido.
Também é importante não atribuir superpoderes ao sistema. Quem examina a imagem é uma IA que pode deixar algo passar. A verificação obrigatória torna o processo mais disciplinado; não transforma o modelo visual em um observador infalível.
O diretor de cena: por que queremos este quadro?
Você pode acertar a roupa, preservar o rosto, posicionar corretamente todos os personagens e ainda assim terminar com uma cena sem graça.
Uma história não é feita apenas do que está presente nela. Importa quando o jogador percebe algo, qual fala vem primeiro, quanto tempo existe para uma reação e o que se ouve naquele momento.
Por isso surgiu um papel separado de diretor de cena. Ele trabalha perto da cena em si: organiza falas e reações, define a presença dos personagens, luz, cor, música, sons, pausas e composição da interface. O texto original continua sendo material de trabalho durante todo o processo, não um resumo lido uma vez no começo.
Imagine uma frase: “Ouviram-se passos atrás da porta”.
Podemos mostrar uma porta e exibir o texto. Ou retirar a música antes, manter um ambiente discreto de quarto, fazer os passos soarem fora do quadro, demorar um pouco na reação do personagem e só então continuar a conversa. Se o original ainda esconde quem chegou, a câmera não deve gentilmente revelar essa pessoa.
O mesmo corredor pode conduzir a atenção a uma pista em um mistério ou à expectativa de um encontro numa cena romântica. A diferença nasce de decisões concretas. Escrever “clima: terror” na orientação não resolve isso sozinho.
O diretor salva essas decisões num plano de encenação. Os fatos da obra ficam separados da interpretação: luz fria pode ser uma escolha artística; introduzir um novo perseguidor muda os acontecimentos.
O jogo ainda tem uma particularidade: cada pessoa lê no próprio ritmo. Uma pausa antes da fala e esperar alguém terminar de lê-la são coisas distintas. Não dá para planejar um belo momento de quatro segundos e fechar o texto para quem precisava de seis.
Também não quero trocar uma cena sem graça por uma coleção mecânica de efeitos. Às vezes a escolha certa é um quadro parado, um corte simples e nenhuma música. Todo recurso precisa de uma função.
O diretor de qualidade: conseguimos o que planejamos?
Os nomes “diretor de cena” e “diretor de qualidade” são parecidos, mas separo suas responsabilidades. O primeiro cuida da encenação. O segundo confere o resultado.
Ele compara o original e o plano com o que realmente ficou no jogo: examina a sequência pronta, não só imagens bonitas isoladas.
A interface cobriu algum objeto importante? O personagem que escuta desapareceu na troca de fala? Está tocando a música do ambiente anterior? A composição desandou no celular? A cena transmite o tom que motivou as escolhas de luz, pausas e som?
Uma boa verificação também precisa saber para onde devolver o problema. Um defeito dentro da imagem exige corrigir a geração. Se um bom personagem está mal posicionado na tela, é a montagem que precisa mudar. Um som que começa cedo demais não exige desenhar o fundo novamente.
*No esquema, Director é o diretor de cena e QA é o diretor de qualidade. O desenho é simplificado: o original continua orientando a montagem e a revisão final. A seta de retorno indica corrigir a etapa afetada, não necessariamente reiniciar todo o trabalho.*
As pessoas também não deveriam ficar de plantão ao lado do gerador
Mesmo quando as imagens chegam mais rápido, sobra outro custo: mudar de foco o tempo todo. Abrir o chat, olhar um quadro, escrever um comentário, voltar às próprias tarefas. Alguns minutos depois, repetir.
Por isso, outra frente é preparar GENERAL em lotes. Referências independentes podem ser produzidas antecipadamente e apresentadas juntas. A pessoa consegue compará-las, perceber incoerências e deixar observações gerais ou individuais.
Depois, refazemos os quadros necessários. Os aprovados não devem se perder por causa de uma tentativa malsucedida. As dependências continuam valendo: se a imagem seguinte depende de uma referência ainda não aceita, primeiro é preciso resolver essa referência.
Não é uma promessa de multiplicar a velocidade do gerador. Para mim, importa mais reduzir quantas vezes alguém precisa largar o que está fazendo para revisar outra imagem.
Uma pequena equipe de filmagem em vez de uma instrução enorme
No fim, estou realmente tentando reunir uma pequena equipe de filmagem em forma de IA. Ela tem um mundo descrito, referências, encenação, produção de quadros, montagem e controle de qualidade.
São responsabilidades dentro do trabalho de um agente. Isso não significa que cada papel já tenha uma IA própria funcionando continuamente. O mais importante é salvar decisões, não alterar requisitos depois do fato e saber o que precisa ser revisto após cada mudança.
As novas etapas já ganharam ferramentas e planos persistentes. Agora precisam ser testadas em capítulos longos de verdade: quanto ajudam a preservar personagens, clima e a atenção do autor durante a história inteira?
Meu objetivo final é trazer um livro grande, escolher um capítulo e transformá-lo, passo a passo, numa aventura jogável. Poder parar, examinar o resultado, corrigir o que importa e continuar de onde o trabalho parou.
Gerar histórias se mostrou muito mais difícil do que “escrever um bom prompt”. Mas agora essa dificuldade se divide em tarefas concretas. Às vezes precisamos de uma referência estável; às vezes, de uma leitura atenta ou de silêncio antes de uma fala. E às vezes ainda precisamos de alguém que olhe para a cena e diga: “Não, aqui você não me convence”.