Como a IA cria imagens e vídeos, explicado do zero

Você digita no celular: "um gato de óculos lendo jornal na praia". Em segundos, ou num minuto, aparece uma foto que ninguém nunca tirou, com pelo, sombra e o reflexo do mar nas lentes. Parece real, mas aquele gato não existe.

A máquina não buscou essa foto nem recortou pedaços de outras. Aqui você vai entender, do zero e sem fórmula, como a IA cria imagens e vídeos, o que acontece nesses segundos de espera e por que ela ainda erra coisas que uma criança acerta.

Resumo rápido: a resposta em 30 segundos. A IA aprende vendo milhões de imagens com legenda. Para criar, a maioria das ferramentas parte de um chiado sorteado, como o de uma TV fora do ar, e o limpa aos poucos, guiada pela sua frase, até sobrar uma imagem. O ChatGPT monta a imagem peça por peça, como quem escreve um texto. Vídeo usa a mesma limpeza em muitos quadros ao mesmo tempo.

Índice

• O que quer dizer uma IA "criar" uma imagem?
• Como a IA aprende o que é um gato?
• Como a IA cria imagens a partir de um chiado?
• E o ChatGPT, cria imagem do mesmo jeito?
• Como a IA cria vídeos sem que as coisas sumam no meio?
• Por que a IA ainda erra mãos, letras e detalhes?
• Como saber se uma imagem ou vídeo foi feito por IA?
• O que isso muda para você
• Perguntas frequentes

O que quer dizer uma IA "criar" uma imagem?

Quer dizer que ela produz uma imagem nova, ponto por ponto, a partir do que aprendeu, sem copiar nem colar fotos prontas. Pense num desenhista que já viu milhares de gatos. Ele não guarda as fotos na cabeça: guarda a ideia de gato e, com ela, desenha um gato que nunca existiu.

Esse tipo de programa se chama IA generativa, a que gera textos, imagens e sons.

Um termo que vai aparecer bastante: pixel é cada pontinho colorido que forma uma imagem na tela. Uma foto de celular tem milhões deles. Para a máquina, criar uma imagem é decidir a cor de cada pontinho.

Como a IA aprende o que é um gato?

Ela aprende vendo uma quantidade enorme de imagens acompanhadas de um texto que descreve cada uma. De tanto ver a palavra "gato" ao lado de fotos de gatos, passa a ligar a palavra a orelhas pontudas, bigodes e pelo. Esse período de estudo se chama treino e acontece antes de você usar a ferramenta.

É como uma criança com um livro de figuras com legenda: depois de muitas páginas, reconhece um gato que nunca viu.

Um exemplo real: em 2021, a OpenAI, dona do ChatGPT, apresentou o CLIP, treinado com 400 milhões de pares de imagem e texto tirados da internet, segundo o artigo científico do projeto. A tarefa dele era adivinhar qual legenda combinava com cada imagem.

Ele virou uma espécie de tradutor entre palavras e imagens e, como conta esta história da técnica no TechCrunch, passou a guiar ferramentas de criação. O treino dos assistentes de texto segue a mesma lógica, como explicamos em como o ChatGPT, o Claude e o Gemini aprenderam.

O lado polêmico: boa parte dessas imagens veio da internet sem licença de quem as fez, e a IA às vezes repete os preconceitos da rede, como mostra esta retrospectiva da Wired.

Como a IA cria imagens a partir de um chiado?

A maioria das ferramentas começa com uma tela cheia de chiado, igual à de uma TV fora do ar, e limpa esse chiado em várias etapas. A cada etapa, a bagunça diminui e a imagem fica mais parecida com o que você pediu. Essa técnica se chama modelo de difusão e está por trás de ferramentas como o Stable Diffusion.

Para aprender a limpar, a IA treina no sentido contrário: pega uma foto nítida, joga chiado em cima aos poucos até ela virar só chiado e, em cada passo, tenta adivinhar o chiado acrescentado. Quem sabe o que entrou sabe o que tirar para a foto voltar. Depois de milhões de fotos, a IA fica craque nisso.

É como um escultor diante do mármore: a cada golpe, ele tira o que não parece estátua. A IA tira, passo a passo, o que não parece um gato de óculos na praia. Como o chiado inicial é sorteado a cada pedido, o gato sai diferente a cada vez.

Quem guia o desenho é a sua frase

A cada etapa, o tradutor entre palavras e imagens confere se o que está surgindo combina com a sua frase e empurra a limpeza na direção certa. Com o gato da abertura, primeiro aparecem manchas: claro embaixo, que vira areia, e azul em cima, que vira céu. Depois, um vulto. No fim, bigodes, letras do jornal e o reflexo nas lentes.

Por isso detalhes como "luz de fim de tarde" fazem diferença: são mais pistas para a limpeza. O lado das palavras está em como a IA entende o que você pede.

O atalho que economiza máquina

Limpar milhões de pixels, etapa após etapa, exige um computador potente. Em 2021, pesquisadores propuseram limpar uma versão compactada da imagem, o espaço latente, um resumo em números só com o essencial. O estudo mostrou que isso reduz bastante o trabalho. Funciona como um arquivo .zip, "descompactado" em pixels só no final. O Stable Diffusion nasceu dessa ideia.

E o ChatGPT, cria imagem do mesmo jeito?

Não exatamente. Desde março de 2025, quando a OpenAI colocou a criação de imagens dentro do GPT-4o, o modelo que movia o ChatGPT na época, ele monta a imagem peça por peça, como escreve um texto palavra por palavra. No fim, outro programa traduz essas peças em pontinhos coloridos.

O ChatGPT quebra o texto em tokens (pedacinhos de palavra) e escolhe um depois do outro. Na imagem, os pedacinhos são trechos da figura, como num mosaico montado azulejo por azulejo. Quem testou na época, como o Ars Technica, via a imagem surgir de cima para baixo.

Como o mesmo "cérebro" entende a conversa e desenha, dá para ajustar conversando ("agora coloque um chapéu no gato"). No anúncio da OpenAI, a empresa diz que o modelo escreve letras melhor e dá conta de 10 a 20 objetos numa cena, contra 5 a 8 de outros sistemas. O preço é a demora: até um minuto por imagem. A versão atual se chama ChatGPT Images 2.5 (conferido em 27/10/2026).

Como a IA cria vídeos sem que as coisas sumam no meio?

Um vídeo é uma sequência de fotos, os quadros, passando rápido. A IA usa a mesma limpeza de chiado, mas em todos os quadros ao mesmo tempo, e não um por um. Assim consegue manter o mesmo gato, com a mesma cor e a mesma luz, do primeiro ao último segundo.

Feito quadro a quadro, o gato mudaria de cor e os óculos sumiriam.

Como funciona o Sora: o vídeo cortado em cubinhos

A OpenAI resolveu isso no Sora, a ferramenta de vídeo dela. Imagine os quadros empilhados como fatias de um pão de forma, e o pão cortado em cubinhos: cada um tem um pedaço da imagem e alguns instantes de tempo.

Segundo o relatório técnico do Sora, de fevereiro de 2024, um transformer, o tipo de programa por trás do ChatGPT, trata esses cubinhos como palavras de um texto. Ele funciona como um leitor que, a cada palavra, relembra tudo o que veio antes para não perder o fio. O corte também permitiu treinar com vídeos em pé ou deitados, de qualquer tamanho. Para a MIT Technology Review, essa receita virou o padrão do setor.

E o som?

O Veo 3, do Google, cria efeitos, barulho de fundo e até falas junto com a imagem, segundo a página oficial do Veo, hoje na versão 3.1 (conferido em 27/10/2026). É como filmar e gravar o som na mesma hora, em vez de dublar depois: por isso a boca mexe junto com a fala.

Por que a IA ainda erra mãos, letras e detalhes?

Porque ela não entende o mundo como você. Aprendeu como as coisas costumam parecer, não como funcionam. Nas fotos, uma mão aparece em mil posições, com dedos escondidos e cruzados. A IA aprende "mais ou menos cinco dedos" e às vezes erra a conta. Com letras, ela aprendeu o desenho, não a soletrar: sai algo que parece texto, mas não forma palavra.

No vídeo, vira física estranha: um copo que atravessa a mesa, um braço a mais por um segundo. Por isso o resultado é uma loteria, e os vídeos de divulgação costumam ser os melhores entre muitas tentativas.

Há ainda um custo invisível: energia. Um estudo da Hugging Face e da Universidade Carnegie Mellon mostrou que criar imagens foi a tarefa de IA que mais gastou: em média 2,9 kWh a cada mil imagens, mais ou menos um chuveiro elétrico de 5.500 W ligado por meia hora. Separar mil textos por tipo gastou só 0,002 kWh. No modelo menos eficiente, cada imagem gastou cerca de meia carga de celular.

Como saber se uma imagem ou vídeo foi feito por IA?

Não existe truque infalível, mas dá para desconfiar com método: olhar os detalhes que a IA costuma errar, procurar a origem da imagem e checar o selo digital. O mais importante é a fonte: quem publicou primeiro e se um veículo sério confirmou.

1. Olhe os detalhes: dedos, dentes e letras de placas ao fundo.
2. Em vídeo, procure o que muda sem motivo: objetos que somem, boca fora de sincronia com a voz.
3. Descubra de onde a imagem veio: envie a própria imagem ao Google Lens, que mostra onde ela já apareceu.
4. Procure o selo digital. A OpenAI pôs nas imagens do GPT-4o o C2PA, dados escondidos no arquivo que registram a origem, e os vídeos do Veo levam o SynthID, uma marca d'água que o olho não vê. Mas a etiqueta pode se perder num print.
5. Desconfie do que é chocante demais e não tem fonte.

O que isso muda para você

Entender como a IA cria imagens ajuda de dois jeitos: você tira resultados melhores das ferramentas e cai menos em imagem falsa.

Perguntas frequentes

A IA copia imagens de outras pessoas?

Ela não recorta nem cola pedaços de fotos. Mas aprendeu com obras de outras pessoas, quase sempre sem autorização, e pode imitar estilos de muito perto.

O que é um modelo de difusão?

É a técnica que cria imagens limpando um chiado aos poucos. No treino, a IA aprende a tirar chiado de fotos; na hora de criar, parte de um chiado sorteado e o limpa, guiada pela sua frase.

Como funciona o Sora?

Corta o vídeo em cubinhos de imagem e tempo e limpa o chiado de todos juntos, o que mantém pessoas e objetos estáveis.

A IA entende o que está desenhando?

Não do jeito que você entende. Ela sabe como um gato costuma parecer, mas não sabe o que é um gato. Por isso erra mãos, letras e a física dos objetos.

Da próxima vez que um gato de óculos aparecer na sua tela, você vai saber o que aconteceu: uma máquina que viu milhões de gatos, mas nunca soube o que é um, montou a cena para você. Há mais explicações assim na seção de inteligência artificial.