Avanços recentes em difusão de vídeo demonstram geração de alta fidelidade notável, mas transformar clipes em motores de narrativa longa coerentes continua desafiador. A maioria dos pipelines agênticos existentes sofre de deriva semântica e falhas em cascata devido a prompts independentes e artesanais, muitas vezes exigindo intervenção manual exaustiva. Métodos existentes também enfrentam deriva de características e colapso de conteúdo.

Hoje, apresentamos nossa pesquisa sobre um co-diretor de vídeo com IA, uma estrutura unificada multiagente que planeja explicitamente a continuidade visual em narrativas multi-cena. Construída como uma camada de orquestração sobre Gemini e Veo, esta estrutura herda nativamente mecanismos de segurança como a marca d'água Synth ID. Desenvolvemos estruturas — Co-Director (a aparecer no COLM 2026), CANVAS (a aparecer no EMNLP 2026), A²RD e VQQA — que traduzem a especificação criativa humana de alto nível em execução.

Essas estruturas atuam como parceiros criativos responsivos que abstraem os fardos de manter a continuidade visual. Em avaliações abrangentes, nossa estrutura demonstra ganhos substanciais em consistência narrativa multi-cena e persistência de personagens, gerando com sucesso vídeos de minutos de duração enquanto mitiga a deriva visual e a propagação de erros no pipeline.

Para garantir coerência semântica, apresentamos o co-diretor de vídeo com IA, uma estrutura hierárquica multiagente que formaliza a narrativa de vídeo como um problema de otimização global. Essa direção de cima para baixo garante que todo o pipeline opere sob uma visão unificada, alimentando prompts estruturados aos modelos Gemini e Veo.

Entidades-chave: Empresas: Google