A conta que quase ninguém faz: 720 segundos divididos pelo tempo de cena
Doze minutos são 720 segundos, e esse número sozinho responde à pergunta. Divida por quanto tempo cada visual fica na tela e você tem a quantidade de cenas. Uma troca a cada 5 segundos dá 144 cenas. A cada 8 segundos, 90. A cada 12 segundos, 60. A cada 20 segundos, 36. Mesmo roteiro, mesma narração, mesma duração, e quatro trabalhos de produção completamente diferentes, com quatro preços diferentes. Esses mesmos 720 segundos são o que um gerador de clipe não preenche sozinho, e a aritmética entre um prompt e um vídeo completo conta as gerações e os outros seis trabalhos que essa conta deixa de fora.
A faixa que funciona num canal dark de narração é de 6 a 10 segundos por cena, o que cai entre 72 e 120 cenas. Abaixo de 4 segundos o episódio vira videoclipe: o espectador sente pressa e cansa lá pelo minuto três. Acima de 15 segundos o olho desiste antes do ouvido, porque a narração continua andando enquanto a tela já parou.
Noventa cenas é o meio honesto dessa faixa e o número contra o qual vale planejar. É também o número que faz todo mundo subestimar o trabalho, porque 90 cenas significam 90 decisões sobre o que o espectador vê, 90 buscas, 90 recortes e 90 pontos de sincronia com a narração.
- 12 minutos são 720 segundos, a base de qualquer cálculo de cena.
- Um visual a cada 5 segundos dá 144 cenas, a cada 8 segundos dá 90.
- A cada 12 segundos são 60 cenas, a cada 20 segundos apenas 36.
- A faixa que funciona em vídeo narrado: 6 a 10 segundos, 72 a 120 cenas.
A regra que quase ninguém aplica: o ritmo de corte não é constante
É aqui que a maioria dos canais perde. Escolhem um número, 8 segundos, e cortam a cada 8 segundos por doze minutos. É arrumadinho, é trivial de automatizar e está errado. Os primeiros 30 segundos pedem cortes de 2 a 4 segundos, porque ali é o gancho: cerca de 10 cenas antes de o espectador ter decidido qualquer coisa.
O miolo explicativo é outro bicho. Depois que a promessa foi feita e o espectador se comprometeu, 8 a 12 segundos por cena é confortável e o visual para de brigar com a narração. Aí vem a parte que quase todo mundo erra: o momento de virada da história pede um plano longo, de 15 a 20 segundos, porque o silêncio visual é o que dá peso a uma frase. Cortar por cima da revelação achata a revelação.
Corte cego a cada X segundos é a assinatura da automação preguiçosa, e aparece na curva de retenção como um serrilhado de quedinhas em intervalos regulares. O mapa que funciona num episódio de doze minutos é mais ou menos 10 cenas nos primeiros 30 segundos, de 60 a 70 no corpo entre 8 e 12 segundos, 3 ou 4 momentos âncora segurados de 15 a 20, e um bloco de fechamento de volta em 6 a 8. No FalconVid o corte cai na frase e na batida da narração, não num cronômetro, então o ritmo respira em vez de tiquetaquear.
- Primeiros 30 segundos: 2 a 4 segundos por cena, umas 10 cenas de gancho.
- Miolo explicativo: 8 a 12 segundos, a velocidade de cruzeiro confortável.
- Momentos de virada: 15 a 20 segundos, porque o silêncio visual dá peso.
- Intervalo fixo aparece como serrilhado de quedinhas regulares.
Cena não é só clipe: os cinco tipos e quanto cada um custa
A palavra cena engana e faz todo mundo pensar em clipe, e clipe é o item mais caro da lista. Cena é qualquer unidade visual que segura a tela por uma batida: imagem parada com pan ou zoom lento, clipe animado, gráfico ou cartela de dados, mapa, ou texto na tela. Um documentário de doze minutos feito 100 por cento de clipe animado não é melhor, é mais caro e normalmente mais agitado.
A divisão honesta num vídeo longo narrado fica em torno de 60 a 70 por cento de imagens paradas com movimento lento, 15 a 25 por cento de clipes animados reservados para os momentos que pedem movimento, e 10 a 15 por cento entre gráficos, mapas e cartelas de texto. Animar tudo é desperdício: a maioria da mídia de apoio cumpre o papel com um zoom de 4 por cento em 8 segundos e ninguém percebe a diferença. Movimento deve significar que algo aconteceu, não que havia orçamento.
Essa distribuição é exatamente o que o nível de qualidade do FalconVid compra, e é por isso que o mesmo vídeo de doze minutos custa 1.008 créditos no econômico, 8.676 no balanceado e 26.760 no premium. Espalhado em 90 cenas, isso dá cerca de 11 créditos por cena no econômico, uns 96 no balanceado e perto de 297 no premium, o que em dólar é cerca de $0,04, cerca de $0,30 e cerca de $0,93 por cena. A duração nunca muda. Muda quantas cenas são geradas e animadas, e por qual motor.
- Imagem parada com pan ou zoom lento: a cena mais barata e a base da mídia de apoio.
- Clipe animado: guarde para o movimento que realmente significa algo.
- Gráfico ou cartela de dados: barato, e prende a atenção em cada número.
- Mapa: o tipo de cena mais forte em história, geopolítica e viagem.
- Mesmo vídeo: 1.008 créditos no econômico, 8.676 balanceado, 26.760 premium.
O roteiro decide o corte: 1.800 palavras, uma frase por cena
A narração corre a cerca de 150 palavras por minuto num registro documental confortável, então um vídeo de doze minutos tem por volta de 1.800 palavras de roteiro. Divida 1.800 palavras por 90 cenas e você tem 20 palavras por cena, que a 150 palavras por minuto são exatamente 8 segundos. A faixa não é preferência estética: ela cai do jeito como as pessoas falam.
É por isso que uma frase por cena é o corte natural. A frase já é como o roteiro segmenta uma ideia, e uma troca visual na fronteira da frase parece invisível, enquanto uma troca no meio da oração parece defeito. Uma frase de 30 palavras pede uma cena de 12 segundos. Uma linha curta de 8 palavras pede 3 segundos e funciona lindamente no gancho.
Isso também entrega um diagnóstico. Se você não consegue achar um visual diferente para três frases seguidas, o roteiro está se repetindo e o conserto é na escrita, não na edição. O FalconVid escreve o roteiro e planeja as cenas na mesma passada, então o plano visual nasce da estrutura das frases em vez de ser encaixado depois, e a narração nunca fica esperando uma imagem que não tem nada novo a dizer.
- Cerca de 150 palavras por minuto dão por volta de 1.800 palavras em 12 minutos.
- 1.800 palavras em 90 cenas são 20 palavras, uns 8 segundos cada.
- Uma frase por cena é o ponto de corte natural e invisível.
- Três frases sem visual novo significam roteiro se repetindo.
Quem monta 90 cenas: 6 a 10 horas de editor ou 30 minutos de pipeline
Para cada uma dessas 90 cenas alguém decide o que aparece, procura o material, baixa, corta, encaixa debaixo da frase certa, ajusta o movimento, confere a licença e segue. Um editor competente gasta de 6 a 10 horas num episódio narrado de doze minutos, algo como 5 minutos por cena sem parar para respirar. A $80 a $400 por vídeo longo, publicar duas vezes por semana é um segundo salário saindo do bolso.
O pipeline do FalconVid faz esse trabalho em paralelo em vez de em fila. Pesquisador, roteirista, narrador, editor e sound design trabalham ao mesmo tempo, não um depois do outro, e é por isso que o vídeo pronto chega em até 30 minutos em vez de dias. O banco de músicas e efeitos já vem junto, então nenhuma cena fica esperando licenciamento. As legendas karaokê em mais de 15 estilos saem junto com o corte, não depois dele, e você escolhe o motor por projeto: econômico para volume, premium para os episódios que merecem.
A objeção é sempre a mesma: e se a cena 47 sair errada? Você assiste à primeira versão no Studio e troca aquela mídia específica, encurta a intro, muda a trilha, ou abre a timeline e faz você mesmo. Você não está refazendo um vídeo, está corrigindo uma cena de 90. É essa a diferença inteira entre revisar e editar, e é por isso que uma IA que edita vídeos só funciona de verdade quando a única coisa que você aprova é o calendário.
- Especialistas em paralelo entregam o vídeo pronto em até 30 minutos.
- Banco de músicas e efeitos incluso, sem caça a licença cena a cena.
- Legendas karaokê em mais de 15 estilos produzidas junto com o corte.
- O Studio troca uma cena em vez de refazer o vídeo inteiro.
Onde o avatar de IA entra no mapa de cenas, e por que é a cena mais cara
Se o seu formato coloca um apresentador na tela, o mapa muda, porque lip sync é cobrado por segundo de rosto e não por cena. O Kling Avatar Std sai a 32 créditos por segundo, cerca de $6,02 por minuto. O Kling Avatar Pro sai a 64, o HeyGen a 80 e o OmniHuman 1.5 a 112 créditos por segundo, algo como $21,05 por minuto. Tempo de rosto é o metro quadrado mais caro do vídeo inteiro, com folga.
Uma única cena de avatar de 8 segundos no motor mais barato custa 256 créditos, um quarto do que o vídeo inteiro de doze minutos custa para produzir no modo econômico, que são 1.008 créditos. Oito segundos de rosto compram o mesmo que uns três minutos de vídeo pronto. Uma cabeça falante de doze minutos inteiros dá 24.048 créditos, cerca de $75,34, enquanto 90 segundos de rosto no mesmo episódio somam 3.888 créditos, cerca de $12,18.
Então o avatar de IA pertence exatamente onde o ritmo já mandava desacelerar: o gancho, as duas ou três viradas e o fechamento. As outras 80 cenas seguem sendo mídia de apoio, gráficos e mapas, o que também é televisão melhor. Um rosto que aparece nos momentos âncora é lido como autoridade. Um rosto que não sai da tela por doze minutos é lido como webinar, e custa seis vezes mais no mesmo episódio.
- Lip sync é cobrado por segundo de rosto, não por cena.
- Uma cena de avatar de 8 segundos, 256 créditos, um quarto do vídeo econômico inteiro de 1.008.
- 90 segundos de rosto num episódio de 12 minutos: 3.888 créditos, cerca de $12,18.
- Ponha o rosto no gancho e nas viradas, não nas 90 cenas.
144 cortes ou 60 cenas boas: o veredito de 2026
Se for para dar uma resposta só: menos cenas bem escolhidas ganham de 144 cortes mecânicos sempre. Um vídeo com 60 cenas em que cada uma diz algo que a narração não diz segura melhor do que um vídeo com 144 em que a tela muda por mudar. Ritmo de corte é informação, e informação repetida vira ruído.
O detalhe é que escolher bem custa tempo, e tempo é justamente o que o fluxo manual não tem. Esse é o teto real, e ele é um teto do MANUAL: uma pessoa consegue curar 90 cenas com cuidado para um vídeo por semana, talvez dois. No instante em que você quer quatro vídeos por semana em dois canais, está escolhendo entre caprichado e possível, e o caprichado perde.
Esse teto some quando a produção roda em paralelo e o nível de qualidade vira um botão em vez de uma parede. O econômico a 1.008 créditos por vídeo é o ajuste de volume, o balanceado a 8.676 é o cavalo de batalha, o premium a 26.760 é para os episódios que sustentam o canal, e você decide vídeo a vídeo, não canal a canal. O Starter roda 2 gerações ao mesmo tempo, o Scale roda 50 gerações em 50 canais. Criar vídeos com IA com capricho e em quantidade deixa de ser contradição no segundo em que 90 cenas param de ser 8 horas da sua noite.
- 60 cenas bem escolhidas ganham de 144 cortes mecânicos na retenção.
- O nível de qualidade é o botão: econômico 1.008, balanceado 8.676, premium 26.760.
- Escolha por vídeo, não por canal, quando as gerações rodam em paralelo.
- 2 gerações simultâneas no Starter, 50 no Scale.