Análise de vídeo com IA: achar o minuto certo em horas de gravação

Empresas gravam quase tudo e consultam quase nada. O que destrava esse acervo não é resumir vídeos, é conseguir perguntar onde a evidência está e receber o instante.

Uma pessoa do suporte recebe o vídeo de um cliente que gravou a tela enquanto tentava fechar um pedido. São dezoito minutos. Em algum momento o total mostrado ficou errado, o cliente hesitou, tentou de novo e desistiu. Ele não narrou nada disso em voz alta, porque estava sozinho e concentrado. A transcrição do áudio dessa gravação é praticamente vazia, e mesmo assim ela é o que a maioria das empresas tem hoje como forma de consultar vídeo.

O problema não é falta de tecnologia de transcrição. É que a pergunta que importa, "em que momento a tela mostrou o valor errado", é uma pergunta sobre imagem e sobre tempo. Nenhuma das duas coisas está no texto da fala.

Esse é o assunto deste artigo, e vale dizer logo o que ele não é. Não se trata de gerar vídeo com IA, nem de produzir legenda ou resumo automático, que são capacidades antigas e razoavelmente resolvidas. Trata-se de transformar acervo audiovisual em algo consultável, com resposta que aponta o instante e que pode ser conferida por uma pessoa.

Oito coisas diferentes se chamam de vídeo com IA

Antes de decidir qualquer coisa, vale separar o que o mercado empacota junto. As oito abordagens abaixo resolvem problemas distintos, e escolher a errada é o jeito mais comum de gastar dinheiro sem resolver nada.

A quinta linha é a que ganhou nome comercial recentemente e a que este artigo persegue. E o nome dela merece cuidado, porque "agente" carrega bagagem que atrapalha.

A ideia também não nasceu no anúncio de um fornecedor. Em março de 2024, o trabalho acadêmico VideoAgent já descrevia exatamente esse ciclo: "um agente que iterativamente identifica e compila a informação crucial para responder a uma pergunta, com modelos de visão e linguagem servindo de ferramentas". O resultado que os autores publicaram é o que mais interessa a quem paga a conta: eles atingiram 54,1% e 71,3% de acurácia em dois benchmarks usando, em média, 8,4 e 8,2 quadros. Não é pouco quadro por economia, é pouco quadro porque a maior parte de um vídeo não tem nada a ver com a pergunta.

VideoAgent, arXiv 2403.10517. Evidência de pesquisa independente, não resultado de fornecedor.

O que mudou desde então foi o lugar onde o ciclo roda. Antes, quem coordenava as ferramentas era a aplicação de quem integrava: era preciso escrever o laço, decidir os cortes, chamar o modelo de visão a cada trecho e juntar as respostas. Agora, um fornecedor oferece esse laço embutido no próprio serviço. É uma mudança de responsabilidade de engenharia, não uma capacidade inédita, e ela tem consequências nos dois sentidos, como as próximas seções mostram.

Como a máquina assiste, sem mágica

Um modelo não assiste a um vídeo. Ele recebe uma sequência de amostras, e tudo o que ele consegue responder depende de quais amostras foram tiradas.

No modo padrão documentado pelo Gemini, chamado estático, o vídeo entra amostrado a um quadro por segundo, ajustável pela API, e todos esses quadros vão para o contexto de uma vez. Uma hora de gravação nesse ritmo produz 3.600 amostras visuais. Esse número é útil para entender a ordem de grandeza e é enganoso se você parar nele, porque amostra não é token, e token não é custo. Token é a unidade em que esses serviços contam e cobram o que entra e o que sai, e um quadro de vídeo vale muitos tokens, não um.

A tokenização declarada é o que permite fazer a conta. Na resolução de mídia baixa, cada quadro custa 66 tokens; na alta, 258. O áudio custa 32 tokens por segundo. A própria documentação arredonda o total para cerca de 100 tokens por segundo de vídeo na resolução baixa e cerca de 300 na alta, o que para uma hora dá algo entre 360 mil e um milhão de tokens só de entrada.

Tokenização do modo estático conforme a documentação de entendimento de vídeo da Gemini Developer API. Capacidade documentada pelo fornecedor.

Esse é o custo de olhar tudo com a mesma atenção. E olhar tudo com a mesma atenção é justamente o que a pergunta não pede.

A pergunta define o que vale a pena olhar. Numa gravação de dezoito minutos, a resposta sobre o total errado mora em poucos segundos, e o resto do material é contexto que custa caro e responde pouco.

É essa observação, e não a sofisticação do modelo, que explica por que navegar sai mais barato que ler tudo.

O modo alternativo inverte a ordem das operações. Em vez de despejar o vídeo inteiro amostrado, o modelo explora a linha do tempo e carrega sob demanda o que precisa. A documentação descreve ferramentas nativas que "buscam, varrem e inspecionam trechos de vídeo através de quadros, áudio e transcrições", e menciona reamostrar janelas de tempo com taxa de quadros maior quando a pergunta exige.

O fluxo abaixo é didático. Ele ajuda a entender a lógica e não descreve os eventos que a API devolve, que são outra coisa e estão na seção de implementação.

Onde isso dá errado é previsível, e a lista importa mais que o mecanismo: ação rápida entre duas amostras, texto pequeno numa tela de alta densidade, vídeo muito comprimido, tela rolando enquanto o conteúdo muda, corte de câmera no meio de um evento, oclusão, falas sobrepostas, e o caso mais traiçoeiro de todos, que é áudio e imagem se contradizerem. Nesse último, o sistema precisa dizer que há contradição, não escolher um lado em silêncio.

E há uma distinção que decide se o resultado pode ou não ser usado como prova de alguma coisa.

Vale ainda uma nota sobre velocidade, porque ela é contraintuitiva. Recuperação de momento com precisão abaixo de um segundo diz respeito à granularidade da resposta, não ao tempo que ela leva para chegar. A documentação sugere usar streaming ou execução em segundo plano justamente porque, em vídeos longos, o processamento com navegação "leva mais tempo".

O que o gráfico mostra e o que ele não mede

Circula um gráfico com a chamada de que um modelo é a fronteira em acurácia e custo, com um eixo de custo por consulta e o nome de um benchmark. Ele é uma hipótese de avaliação razoável e não é evidência de que a tecnologia serve para o seu caso. Três coisas explicam por quê.

A primeira é o que está no eixo. Custo por consulta é custo por pergunta feita, num conjunto de perguntas específico. Não é custo por hora de vídeo, não é custo por documento processado e não é orçamento de projeto. Um acervo que recebe uma pergunta por mês e um acervo que recebe mil perguntas por dia produzem contas completamente diferentes a partir do mesmo ponto no gráfico. Fronteira de Pareto, por sua vez, significa apenas que nenhum outro ponto medido é melhor nas duas dimensões ao mesmo tempo, e o anúncio traz um qualificador que costuma sumir na citação: a posição é "entre os modelos testados".

A segunda é o tamanho do conjunto. O benchmark citado no gráfico, o 1H-VideoQA, existe, é publicado pelo próprio Google DeepMind e o repositório oficial descreve o que ele é sem rodeios: um conjunto "feito à mão" internamente, com 101 perguntas de múltipla escolha sobre 21 vídeos do YouTube, de 40 a 90 minutos cada, construído para sondar capacidade de contexto longo. Para efeito de comparação, o LongVideoBench, publicação acadêmica com dados abertos, tem 6.678 perguntas anotadas por humanos sobre 3.763 vídeos. São ordens de grandeza diferentes, e a diferença não desqualifica o menor: ela define o quanto ele pode carregar.

A terceira é que três superfícies oficiais citam três benchmarks diferentes. O anúncio de 1º de setembro de 2026 demonstra o recurso em LongVideoBench e não usa a expressão 1H-VideoQA em nenhum lugar do texto. O documento de metodologia de avaliação de um modelo posterior usa LVBench, e declara que os resultados foram calculados internamente sem ferramentas, com 1024 quadros para os modelos de duas casas e 300 para os de uma terceira, "por limitações de API". Nenhuma dessas superfícies publica a metodologia do gráfico específico.

Anúncio de agentic video understanding de 1º de setembro de 2026, repositório google-deepmind/1h-videoqa, LongVideoBench (arXiv 2407.15754) e o documento de metodologia de avaliação em PDF, todos lidos em 10 de setembro de 2026.

Os números do próprio anúncio também merecem leitura literal. Ele afirma que os modelos com o recurso ativado "reduzem custos de análise em até 66% e consumo de tokens em até 88%, melhorando a acurácia em até 7%". Três palavras fazem trabalho pesado aí: "até" marca o melhor caso e não a expectativa; "benchmarks padrão de análise de vídeo" é o universo, que não é a sua operação; e nada no texto indica que os três máximos aconteceram no mesmo caso.

O quarto card é o que muda a conversa, e ele vem da tabela oficial de resultados do fornecedor.

Nada disso significa que o recurso não entrega. Significa que a evidência pública disponível sustenta uma hipótese de avaliação, não uma conclusão de compra. Quem quiser o recurso do Google descrito pelo nome, com a lista de modelos datada e o que ele declaradamente não faz, tem a peça dedicada a ele. O que fecha a decisão é um teste com os seus vídeos, as suas perguntas e um critério de aceitação escrito antes.

Onde isso já está pronto e onde ainda é preview

Aqui a resposta muda conforme a porta de entrada, e misturar as duas é o erro de implementação mais provável. O mesmo fornecedor oferece o recurso em duas superfícies, com nomes de parâmetro diferentes e posturas padrão opostas.

Documentação das duas superfícies lida em 10 de setembro de 2026. A seção de tokenização de vídeo da superfície de nuvem está marcada como Preview, sujeita aos termos de ofertas pré-disponibilidade geral.

Essa divergência não é detalhe de sintaxe. Uma equipe que prototipa numa superfície e leva o código para a outra vai reescrever a chamada, e uma equipe que assume que o recurso vem ligado por padrão vai medir o modo errado sem perceber. O que está em v1beta1 também carrega o recado usual dessas faixas: contrato sujeito a mudança. Os dois corpos de requisição lado a lado, os tetos de upload e o que quebra em vídeo longo estão no artigo de integração.

Os tetos de entrada pedem a mesma atenção, e um deles está em conflito dentro da própria página. A tabela de métodos de envio informa que dados embutidos servem para arquivos abaixo de 100 MB, enquanto a prosa da mesma página diz que essa via é adequada para vídeos "abaixo de 20 MB de tamanho total da requisição" e recomenda usar a File API acima de 20 MB. Quem for dimensionar uma ingestão precisa tratar 20 MB como o limite prático e confirmar por escrito, não escolher o número maior porque é mais conveniente. Vale ainda saber que vídeo do YouTube só entra se for público, com no máximo dez vídeos por requisição, e que a camada gratuita tem teto de oito horas de YouTube por dia.

Sobre observar o que aconteceu, a documentação oferece o que interessa para auditoria e para conta: o consumo volta separado em contadores nomeados, entre eles tokens de entrada, de saída, de pensamento, de conteúdo em cache e de uso de ferramenta. É isso que permite medir consumo efetivo em vez de estimar. E é bom deixar claro o que auditoria significa neste contexto: registrar entradas autorizadas, chamadas observáveis, versões, saídas e decisões humanas. Exigir que o modelo exponha o raciocínio interno como mecanismo de auditoria é trocar prova por narrativa.

Onde a conta fecha na empresa

A matriz abaixo é o mapa de onde essa capacidade encontra um problema que alguém paga para resolver. Ela não repete "gerar resumo" em nenhuma linha, porque resumo é a aplicação que parece útil e raramente muda um processo.

Três dessas linhas merecem ser abertas, porque é nelas que a diferença entre observar, interpretar e agir fica visível.

• Erro na gravação de telaPergunta: em que instante o total exibido difere da soma dos itens? Observação: aos 11min42s o campo mostra um valor e a lista mostra outro. Interpretação: há divergência entre o que a tela calcula e o que ela soma. Ação: abrir chamado com o trecho anexado, para uma pessoa decidir se é defeito.
• Procedimento demonstrado em treinamentoPergunta: em qual minuto a conferência de lacre é demonstrada? Observação: aos 24min05s a etapa aparece na tela e o instrutor a nomeia. Interpretação: é a demonstração da etapa procurada. Ação: devolver o link com a marcação, sem afirmar que o procedimento gravado é o vigente.
• Evidência em vídeo operacionalPergunta: em que trecho a esteira ficou parada por mais de trinta segundos? Observação: dois intervalos localizados. Interpretação: paradas compatíveis com o critério, sujeitas a conferência. Ação: encaminhar para revisão humana, e nunca concluir que não houve outras paradas fora dos trechos inspecionados.

Nos três, a estrutura é a mesma e a disciplina também. Observação é o que está no material. Interpretação é a leitura que o sistema propõe. Ação é o que acontece em outro sistema, e ela nunca é consequência automática das duas primeiras. Dois eventos aparecerem em sequência num vídeo não estabelece causa entre eles, e comportamento observado não autoriza conclusão sobre intenção, personalidade, estado emocional ou qualquer atributo sensível de quem aparece na gravação. Nenhum desses casos foi executado pela X-Apps: são hipóteses de aplicação, escritas para mostrar a estrutura da decisão.

A arquitetura que separa quem interpreta de quem age

O desenho que sustenta isso em produção tem dez etapas, e a mais importante delas é a penúltima.

A sequência é ingestão autorizada, armazenamento protegido, validação e preparo da mídia, processamento assíncrono, seleção do material relevante, análise, validação da saída, revisão humana quando o risco exige, integração com o sistema de trabalho, e monitoramento com descarte conforme a política de retenção. Cada uma dessas etapas é responsabilidade da aplicação, não do fornecedor. O que o fornecedor entrega é a análise; o resto é engenharia de quem integra.

A distinção entre as duas camadas de busca é a que mais gera frustração quando passa despercebida. Enviar um vídeo para análise não cria busca corporativa persistente. Perguntar "em quais dos nossos oitocentos vídeos este componente aparece" é outro problema, e há pelo menos três caminhos para ele, com custos diferentes: indexar transcrições e buscar por texto, que é barato e cego para o visual; manter um índice semântico multimodal, que é o que plataformas especializadas oferecem; ou analisar sob demanda, que responde bem numa peça e não escala para varredura de acervo.

Vale conhecer a trava que a segunda opção costuma trazer. A Twelve Labs, plataforma especializada em busca em vídeo, organiza o material em índices, e a documentação dela é explícita ao dizer que a configuração de modelo escolhida na criação do índice vale para todos os vídeos que entrarem nele e não pode ser alterada depois. Isso é decisão de arquitetura com efeito de longo prazo, não uma preferência ajustável.

Documentação de conceitos de índice da Twelve Labs. Capacidade documentada pelo fornecedor, não avaliação de produto.

Sobre o formato da saída, o esquema abaixo é ilustrativo e serve para mostrar quais campos evitam confusão entre camadas. Ele não é contrato de API de ninguém.

{
  "video_id": "grav-2026-09-03-4471",
  "inicio": "00:11:38",
  "fim": "00:11:52",
  "observacao": "O campo de total exibe 1.240,00 e a soma dos itens listados é 1.190,00",
  "interpretacao": "Divergência entre total exibido e soma dos itens",
  "evidencias": ["quadro 00:11:42", "quadro 00:11:47"],
  "informacao_ausente": "Não foi possível ler o cupom de desconto aplicado",
  "requer_revisao": true
}

Repare no que não está ali: nenhum percentual de confiança. Número de confiança só significa alguma coisa depois de calibração empírica contra rótulos humanos no seu próprio material, e um valor inventado é pior que nenhum, porque autoriza automação que ninguém mediu.

O princípio que amarra tudo é simples de escrever e difícil de manter sob pressão de prazo: a IA interpreta e recomenda; código determinístico controla autorização, sequência, estado, idempotência e efeito. Abrir chamado, alterar CRM, disparar mensagem ou acionar equipamento são efeitos externos, cada um com sua política, e alguns com confirmação humana obrigatória. Ter analisado o vídeo não autoriza nenhum deles.

Quanto custa perguntar

A intuição natural é que menos tokens de imagem significa proporcionalmente menos dinheiro. Ela está errada por dois motivos documentados.

O primeiro é que a economia e a despesa caem em faixas de preço diferentes. Os quadros que a navegação deixa de carregar são tokens de entrada. A navegação em si é contabilizada como token de pensamento, e a tabela de preços do serviço precifica a saída "incluindo tokens de pensamento". Na tabela vigente lida em 10 de setembro de 2026, a saída custa cinco vezes a entrada. Reduzir muito de um lado e acrescentar pouco do outro pode dar uma economia bem menor do que a redução de tokens sugere.

Os quadros que a navegação deixa de carregar são tokens de entrada. A navegação que ela acrescenta é contabilizada como pensamento, e pensamento é cobrado na faixa de saída.

Tirar muito da pilha barata e pôr pouco na pilha cara pode devolver uma economia bem menor do que a queda de tokens sugere.

O segundo é que a documentação simplesmente não publica fórmula de tokenização para o modo com navegação, e declara que o consumo varia com a complexidade do conteúdo e com a estratégia de navegação do modelo. Existe fórmula publicada para o modo estático, e não localizamos equivalente para o outro. Toda estimativa de custo do modo com navegação, feita sem medir o seu material, é simulação.

Uma decomposição honesta de custo separa categorias que não se sobrepõem, para não contar o mesmo token duas vezes:

1. Entrada de mídia, quadros, áudio e transcrição efetivamente carregados.
2. Pensamento, a navegação e o raciocínio, cobrados na faixa de saída.
3. Saída, o texto da resposta.
4. Cache, quando o mesmo material é reconsultado dentro da janela.
5. Fora da API, armazenamento, transcodificação, transferência, indexação e as chamadas repetidas que uma pergunta mal formulada gera.
6. Humano, a revisão das respostas e a manutenção do sistema, que costuma ser a maior e a menos orçada.

E há uma armadilha de calendário que muda qualquer projeção de doze meses: o preço de entrada de $0,75 por milhão de tokens vale até 31 de dezembro de 2026 e passa a $1,50 em 1º de janeiro de 2027, com a saída indo de $3,75 para $7,50. Está escrito em nota da própria tabela oficial. Uma conta feita hoje para um projeto que entra em produção no ano que vem já nasce com o dobro do custo unitário.

Preços em dólar por milhão de tokens da camada paga da Gemini Developer API, lidos em 10 de setembro de 2026, com a nota de expiração do preço introdutório na tabela oficial de resultados do fornecedor.

A conta inteira, com as categorias separadas, o preço que dobra na virada do ano e o cache que cobra por hora de relógio, está no artigo sobre quanto custa. A métrica que resolve a discussão não é preço por consulta, é custo por resposta aceita: o total gasto dividido pelas respostas que sobreviveram à revisão humana. Um sistema barato que erra metade das vezes custa mais que um caro que acerta, porque a diferença sai do tempo de quem revisa. E os três regimes de uso se comportam de maneira tão diferente que merecem contas separadas: poucas perguntas sobre um vídeo específico favorece análise sob demanda; muitas perguntas sobre o mesmo arquivo favorece cache e uma passada de extração estruturada; busca recorrente em acervo grande favorece pré-indexação, e é onde a análise sob demanda fica mais cara sem ficar melhor.

Como saber se está funcionando, e o que pode dar errado

Avaliar isso não é assistir a algumas respostas e achar que ficou bom. É montar um conjunto que se pareça com o seu pior dia.

• Vídeos representativos em português do Brasil, com sotaque, ruído e áudio ruim de verdade.
• Telas reais do seu produto, com a densidade de informação que elas têm.
• Eventos rápidos, que testam o limite da amostragem.
• Perguntas cuja resposta não está no material, para medir se o sistema admite a lacuna em vez de inventar.
• Contraexemplos parecidos com a resposta certa, para medir falso positivo.
• Uma linha de base simples, transcrição com busca, medida no mesmo conjunto.

Os indicadores que importam, em linguagem direta: quantas respostas estavam factualmente certas; quantos eventos existentes foram encontrados; se a marcação de tempo aponta o instante certo; o que o sistema faz quando não há resposta; quanto tempo leva no caso típico e no caso ruim; quantas chamadas falham; o custo por resposta aceita; e quanto tempo de gente a revisão consome. Separe o material usado para ajustar a aplicação do material usado para medir no fim, senão você mede a própria calibração. E dimensione a amostra ao risco, sem anunciar validade estatística que ninguém calculou.

Do lado de segurança, há um risco específico de conteúdo multimodal que costuma ser subestimado. O vídeo analisado é dado, não instrução. Uma gravação pode conter, na tela, no áudio ou em texto sobreposto, algo escrito para o modelo e não para a pessoa. O OWASP classifica isso como injeção indireta de prompt e registra, sobre sistemas multimodais, que atacantes podem esconder instruções em imagens acompanhadas de texto benigno, que ataques entre modalidades são difíceis de detectar com as técnicas atuais e que defesas específicas ainda são área de pesquisa. O mesmo documento afirma que, pela natureza estocástica desses modelos, "não está claro se existem métodos infalíveis de prevenção".

OWASP Gen AI Security Project, LLM01 Prompt Injection.

A consequência prática é que segurança aqui não se resolve com uma frase no prompt. Ela se resolve em camadas: separar o conteúdo analisado de qualquer instrução operacional, restringir o que a saída pode acionar, validar a saída contra um esquema, exigir confirmação humana para efeitos externos e registrar tudo o que foi decidido.

Sobre dados pessoais, o ponto que mais muda a conversa no Brasil é de definição. A LGPD classifica como dado pessoal sensível o "dado genético ou biométrico, quando vinculado a uma pessoa natural", e uma gravação com rostos identificáveis pode cair aí. Isso importa porque o tratamento de dado sensível não segue as hipóteses do art. 7º, e sim as do art. 11, que são mais restritivas. Também vale corrigir um equívoco comum: consentimento não é a única base legal. O art. 7º lista dez hipóteses, e o consentimento é a primeira delas, não a regra; o legítimo interesse do controlador aparece no inciso IX, com a ressalva expressa dos direitos e liberdades fundamentais do titular. Os princípios do art. 6º, em especial finalidade, adequação e necessidade, são o que impede um acervo capturado para uma coisa de ser usado para outra.

Some a isso o que os termos do serviço dizem, e o resumo é que "não usado para treinamento" não significa "não armazenado". Os termos adicionais da API declaram que, nos serviços pagos, os prompts, incluindo arquivos como imagens, vídeos e documentos, não são usados para melhorar produtos; e, no mesmo parágrafo, que os prompts e respostas são registrados por período limitado para detectar violações de política e que esses dados podem ser armazenados ou colocados em cache "em qualquer país" em que o fornecedor mantenha instalações. Essa última frase conversa diretamente com o capítulo de transferência internacional da LGPD, cujo art. 33 exige país com grau adequado de proteção ou garantias contratuais específicas. Na camada gratuita o quadro é outro e mais restritivo para uso empresarial: os termos declaram que o conteúdo é usado para desenvolver produtos, que revisores humanos podem ler as entradas e saídas, e recomendam explicitamente não submeter informação sensível, confidencial ou pessoal.

Nada disso substitui análise jurídica do caso concreto, e é justamente o tipo de decisão que precisa acontecer antes do piloto.

Quando o simples é melhor

Não existe uma categoria de solução, existem cinco, e elas competem por casos diferentes.

As cinco categorias, para nomear: serviço multimodal com ferramentas nativas, que é o assunto central deste texto; modelo de visão alimentado por quadros que a própria aplicação escolhe, que dá mais controle e mais trabalho; plataforma especializada em vídeo e busca, que resolve a camada de acervo; modelos de pesos abertos, categoria em que o Qwen3-VL anuncia no README oficial contexto nativo de 256 mil tokens, expansível a um milhão, e indexação em nível de segundo; e a pilha clássica de transcrição, reconhecimento de texto em imagem e visão computacional treinada para a tarefa.

Duas ressalvas evitam decisões ruins aqui. Pesos abertos não significam operação gratuita: significam que o custo muda de assinatura para infraestrutura, engenharia e responsabilidade operacional. E não se deve presumir que todo fabricante de modelo trate vídeo em toda API: a página "Images and vision" da documentação do Claude, da Anthropic, trata de imagens e traz seção separada de PDF, e não menciona vídeo. Isso descreve a página lida, não o que a empresa oferece por outros caminhos.

O caminho de adoção que reduz desperdício tem sete passos e nenhum deles é técnico no começo: delimitar um problema específico, reunir dados autorizados, medir a linha de base simples, comparar técnica e economicamente, integrar de forma restrita a um único fluxo, avaliar contra o critério escrito antes, e decidir avançar ou recuar. Qualquer cronograma que alguém apresente para isso é ilustrativo até existir medição no seu material.

E o critério de parada mais útil é uma pergunta só: se a resposta chegar certa, alguém vai fazer alguma coisa diferente por causa dela? Quando a resposta é não, o problema não é de tecnologia de vídeo, é de processo, e nenhuma quantidade de acurácia resolve.

Apêndice técnico

Detalhe periférico, reunido aqui para não interromper o argumento.

Tokenização declarada do modo estático. Quadro a 66 tokens na resolução de mídia baixa e 258 na alta; áudio a 32 tokens por segundo; metadados incluídos. O arredondamento da documentação é de cerca de 100 tokens por segundo na baixa e 300 na alta. Uma hora amostrada a um quadro por segundo produz 3.600 amostras visuais, o que dá 352.800 tokens pela conta detalhada na resolução baixa e 1.044.000 na alta, coerentes com os arredondamentos declarados.

Contadores de uso. A resposta expõe totais separados de entrada, saída, pensamento, conteúdo em cache, uso de ferramenta e total. A navegação aparece em pensamento e o material carregado sob demanda aparece em uso de ferramenta. A documentação lida não declara como o total de uso de ferramenta é faturado, e a tabela de preços nomeia entrada, saída e cache, mas não uso de ferramenta. Quem for montar modelo de custo precisa fechar esse ponto com o fornecedor.

Formato de marcação de tempo na superfície de nuvem. Para amostragem de um quadro por segundo ou menos, o formato é MM:SS, com H:MM:SS acima de uma hora. Acima de um quadro por segundo, o formato passa a MM:SS.sss. Confundir os dois produz referência temporal que não resolve.

Esboço de integração, em pseudocódigo. O trecho abaixo não foi executado e não é código de produção. Ele existe para mostrar a ordem das operações e onde ficam os pontos de falha.

enviar arquivo -> aguardar estado PROCESSANDO virar PRONTO
criar interação com o vídeo e a pergunta, modo de processamento explícito
usar streaming ou execução em segundo plano para vídeo longo
ao receber: validar a saída contra o esquema antes de qualquer uso
registrar os contadores de uso e a versão do modelo junto do resultado
se requer_revisao, enfileirar para pessoa; nunca acionar efeito externo direto
tratar timeout e falha com nova tentativa idempotente, com teto de tentativas

Credencial fica no servidor, nunca no cliente. Estado de processamento precisa de espera com limite. E cada resultado guardado sem a versão do modelo que o produziu vira, meses depois, uma evidência que ninguém consegue reproduzir.

Tem acervo de gravação parado e quer saber se dá para consultar?

Solicite um orçamento e comece por um teste com os seus vídeos e um critério de aceitação escrito antes.

---

Nome

Sobrenome

Telefone

AfghanistanÅland IslandsAlbaniaAlgeriaAmerican SamoaAndorraAngolaAnguillaAntigua and BarbudaArgentinaArmeniaArubaAscension IslandAustraliaAustriaAzerbaijanBahamasBahrainBangladeshBarbadosBelarusBelgiumBelizeBeninBermudaBhutanBoliviaBonaire, Sint Eustatius and SabaBosnia and HerzegovinaBotswanaBrazilBritish Indian Ocean TerritoryBrunei DarussalamBulgariaBurkina FasoBurundiCambodiaCameroonCanadaCape VerdeCayman IslandsCentral African RepublicChadChileChinaChristmas IslandCocos (Keeling) IslandsColombiaComorosCongoCongo, Democratic Republic of theCook IslandsCosta RicaCote d'IvoireCroatiaCubaCuraçaoCyprusCzech RepublicDenmarkDjiboutiDominicaDominican RepublicEcuadorEgyptEl SalvadorEquatorial GuineaEritreaEstoniaEthiopiaFalkland IslandsFaroe IslandsFederated States of MicronesiaFijiFinlandFranceFrench GuianaFrench PolynesiaGabonGambiaGeorgiaGermanyGhanaGibraltarGreeceGreenlandGrenadaGuadeloupeGuamGuatemalaGuernseyGuineaGuinea-BissauGuyanaHaitiHoly See (Vatican City State)HondurasHong KongHungaryIcelandIndiaIndonesiaIranIraqIrelandIsle of ManIsraelItalyJamaicaJapanJerseyJordanKazakhstanKenyaKiribatiKosovoKuwaitKyrgyzstanLaosLatviaLebanonLesothoLiberiaLibyaLiechtensteinLithuaniaLuxembourgMacaoMadagascarMalawiMalaysiaMaldivesMaliMaltaMarshall IslandsMartiniqueMauritaniaMauritiusMayotteMexicoMoldovaMonacoMongoliaMontenegroMontserratMoroccoMozambiqueMyanmarNamibiaNauruNepalNetherlandsNew CaledoniaNew ZealandNicaraguaNigerNigeriaNiueNorfolk IslandNorth KoreaNorth MacedoniaNorthern Mariana IslandsNorwayOmanPakistanPalauPalestinePanamaPapua New GuineaParaguayPeruPhilippinesPolandPortugalPuerto RicoQatarReunionRomaniaRussiaRwandaSaint BarthélemySaint HelenaSaint Kitts and NevisSaint LuciaSaint Martin (French Part)Saint Pierre and MiquelonSaint Vincent and the GrenadinesSamoaSan MarinoSao Tome and PrincipeSaudi ArabiaSenegalSerbiaSeychellesSierra LeoneSingaporeSint MaartenSlovakiaSloveniaSolomon IslandsSomaliaSouth AfricaSouth KoreaSouth SudanSpainSri LankaSudanSurinameSvalbard and Jan MayenSwazilandSwedenSwitzerlandSyriaTaiwanTajikistanTanzaniaThailandTimor-LesteTogoTokelauTongaTrinidad and TobagoTristan da CunhaTunisiaTurkeyTurkmenistanTurks and Caicos IslandsTuvaluUgandaUkraineUnited Arab EmiratesUnited KingdomUnited StatesUruguayUzbekistanVanuatuVenezuelaVietnamVirgin Islands, BritishVirgin Islands, U.S.Wallis and FutunaWestern SaharaYemenZambiaZimbabwe

Email

Enviar

Perguntas frequentes

Fontes e método

Este artigo é baseado em leitura direta de fontes primárias feita em 10 de setembro de 2026: o anúncio do recurso de análise de vídeo com navegação, de 1º de setembro de 2026; a documentação de entendimento de vídeo, de tokens, de resolução de mídia e de preços da Gemini Developer API; a documentação equivalente da plataforma de nuvem do mesmo fornecedor; o documento em PDF de metodologia e resultados de avaliação de um modelo da mesma família; o repositório oficial do benchmark 1H-VideoQA; os artigos acadêmicos do VideoAgent e do LongVideoBench; a documentação de conceitos de índice de uma plataforma especializada em busca em vídeo; o README oficial de um modelo de pesos abertos; a página de visão da documentação de outro fornecedor; a página do OWASP sobre injeção de prompt; os termos adicionais da API; e o texto consolidado da LGPD no portal do Planalto.

Nada foi executado. Nenhuma chamada de API foi feita, nenhum vídeo foi processado, nenhuma latência foi medida e nenhum custo foi apurado em fatura. O que este texto contém é leitura de documentação, aritmética sobre números publicados e recomendação de arquitetura, e cada afirmação sobre fornecedor está escrita de modo a deixar claro de qual dessas categorias ela vem.

Três lacunas ficaram abertas e vale registrá-las em vez de preenchê-las. A metodologia do gráfico específico que motivou esta apuração não foi localizada em nenhuma superfície oficial: o anúncio demonstra o recurso em outro benchmark e o documento de metodologia do modelo posterior usa um terceiro. A forma de faturamento dos tokens de uso de ferramenta não é declarada nas páginas lidas. E a documentação de visão de um dos fornecedores comparados não menciona vídeo, o que descreve a página consultada e não o catálogo da empresa.

Preços, limites, estágios de lançamento e nomes de parâmetro mudam sem aviso nesse mercado. Revalide antes de usar qualquer número deste texto como critério de contrato.