Claude Fable 5: um vídeo inteiro a partir de um único prompt

Alguém abre o Claude, escreve um único objetivo, vai ao ginásio — e regressa a um vídeo do YouTube acabado. Sem filmagem, sem câmara, sem programa de edição. O avatar é IA, a voz é um clone, o guião foi escrito pelo Claude. Impressionante? Sim. Mas a pergunta mais honesta é: o que está realmente por trás disto — e o que significa para si, se não é youtuber, mas dirige uma empresa?

O que aconteceu aqui de facto

O ponto de partida foi uma experiência: um prompt, um objetivo e depois mãos fora. O vídeo em causa não foi filmado. A pessoa na imagem é um avatar de IA, a voz é um clone, treinado com vídeos anteriores verdadeiros. Cada palavra do guião vem do Claude. Enquanto o vídeo era criado, o criador não viu um único frame — tinha introduzido um prompt e ido embora. Pesquisa, guião, voz, avatar, grafismos animados: tudo correu sozinho.

Isso é possível graças a um novo modelo. Esta semana a Anthropic lançou o Claude Fable 5 — e é exatamente por isso que este vídeo pode sequer existir.

O que é o Claude Fable 5

O Fable 5 é o primeiro modelo da chamada classe „Mythos“ — o degrau acima do Opus — acessível num plano pago. Até agora esta classe estava reservada a parceiros de segurança verificados. Em praticamente todos os benchmarks testados estabelece novos máximos. Três áreas sobressaem:

• Programação. Segundo a Stripe, o Fable 5 comprime meses de trabalho de engenharia em dias. No anúncio, uma migração completa de uma base de código Ruby com 50 milhões de linhas corre num único dia — uma tarefa que teria ocupado à mão uma equipa inteira durante dois meses.
• Visão. O modelo consegue reconstruir o código-fonte de uma aplicação web apenas a partir de capturas de ecrã. E jogou o Pokémon Fire Red do início ao fim apenas com base nas imagens do ecrã — sem mapas, sem ajudas de navegação, de que os modelos mais antigos ainda precisavam.
• Resistência em percursos longos. O Fable 5 mantém-se concentrado ao longo de milhões de tokens. Com uma memória baseada em ficheiros — simplesmente ficheiros onde escreve notas — chegou no jogo Slay the Spire ao último ato três vezes mais frequentemente do que o Opus 4.8.

Barato não é: cerca de 10 dólares norte-americanos por milhão de tokens de entrada, 50 por milhão de tokens de saída. O que este preço significa em concreto vê-se mais abaixo, na parte honesta.

Como nasceu o vídeo: o pipeline de 5 passos

Por trás daquele único prompt está uma cadeia limpa de cinco passos. Cada um resolve um problema concreto — e é precisamente esta decomposição o verdadeiro truque.

1. Guião. O Claude lê o anúncio completo da Anthropic, verifica a veracidade de cada afirmação e escreve o guião na voz do criador — com base num „voice playbook“ construído a partir das transcrições reais dele.
2. Voz. O guião segue para um clone de voz (ElevenLabs), treinado com os vídeos reais. O truque: não se conseguem gerar quatro minutos de seguida, porque a voz deriva com o comprimento. Por isso o Claude divide o guião em pedaços de pouco menos de um minuto e sonoriza-os separadamente.
3. Avatar. Cada pedaço de áudio é renderizado no HeyGen com o modelo de avatar mais recente. Quando o modelo ainda não podia ser escolhido pela API, o Claude passou a controlar ele próprio um browser com o Playwright e clicou em cada vídeo à mão.
4. Montagem. O Claude junta os clipes do avatar com o FFmpeg, cria uma transcrição palavra a palavra e constrói cada grafismo animado como código verdadeiro — HTML, animado com GSAP, sincronizado ao milímetro com as palavras ditas.
5. Autoverificação. No fim, o Claude verifica o próprio trabalho: renderiza frames de cada cena, avalia-os visualmente e volta a renderizar tudo o que não encaixa — até correr sem problemas.

Entra um prompt, sai um vídeo montado. É isto que um modelo de topo consegue na semana do seu lançamento.

A parte honesta: limites, custos, realidade

Por mais impressionante que seja — visto sem hype de IA, ficam quatro pontos sóbrios, que o próprio criador aborda abertamente:

• Não é reproduzível 1:1. Quem copiar o mesmo prompt não obtém o mesmo resultado. Em segundo plano estão capacidades especializadas já construídas („Skills“) para os grafismos animados — é isso que faz a diferença.
• Não é preciso o modelo mais caro. O próprio criador diz: este estilo poderia provavelmente reconstruí-lo também com o bem mais barato Sonnet — assim que o processo estiver empacotado como Skill reutilizável. O pipeline vale mais do que o modelo de topo.
• Os custos são reais. A execução durou cerca de uma hora e consumiu perto de 380.000 tokens. O modelo correu no plano Max — e uma única passagem consumiu cerca de 40 % de um plano mensal de 200 $. Quase metade do orçamento numa hora. Há, portanto, motivo para cautela.
• O contexto vence o prompt esperto. O decisivo não foi um comando mágico, mas o contexto. O criador escreveu, em substância: „Só pares quando estiveres 100 % convencido de que este é um vídeo de qualidade — vai para o meu canal, um mau resultado prejudica a minha reputação.“ E: „Verifica depois, com um fluxo de trabalho dinâmico, que está tudo em ordem.“ Quem dá ao sistema o porquê obtém melhores resultados.

É precisamente este último ponto a verdadeira lição — e não tem nada a ver com o YouTube.

O que pode retirar daqui

Esqueça por um momento o avatar. O que esta experiência mostra é um padrão de trabalho transponível para qualquer caso sério de automatização:

• Decompor em vez de fazer magia. Não „um prompt para tudo“, mas uma cadeia clara de passos, cada um resolvendo um problema concreto.
• Fornecer contexto. O objetivo, o que está em jogo e o nível de qualidade pertencem à tarefa — não à sua cabeça.
• Incorporar a verificação. O sistema valida o próprio resultado antes de uma pessoa lhe pôr os olhos em cima.
• Manter os custos à vista. O modelo mais forte é raramente o mais económico. Muitas vezes chega o mais leve — se o processo estiver bem construído.

Isto não é um truque de YouTube. É a pergunta que faço em cada projeto de automatização: onde é que a automatização traz uma alavanca verdadeira — e onde é apenas um efeito caro?

Conclusão

O Claude Fable 5 consegue coisas que há pouco tempo soavam a ficção científica — um vídeo inteiro a partir de uma frase. Mas o olhar honesto conta mais do que o efeito: o resultado não é copiável à vontade, muitas vezes serve um modelo mais barato e os custos podem descarrilar. O que fica é um princípio transponível — passos claros, contexto incorporado, verificação incorporada. É exatamente nisso que trabalho com as empresas: não no maior modelo, mas na solução que resolve mesmo o problema — de forma mensurável e sem hype de IA.

Fonte: Livremente adaptado de „Claude Fable 5 Made This Entire Video By Itself.“ de Nate Herk | AI Automation — ver no YouTube. O enquadramento, a seleção e a formulação são da pletzenauer — digital consulting.