Exponha a geração de imagem, vídeo e voz como ferramentas que seu agente pode chamar. O agente decide o que criar, envia o pedido e confere o arquivo que volta antes de seguir. Você define as etapas de aprovação e os limites, e pode testar cada prompt antes no toolkit.
Um agente que só escreve texto bate numa parede assim que uma tarefa precisa de uma imagem, um clipe ou uma voz. As ferramentas de mídia derrubam essa parede. O agente decide o que criar, chama uma ferramenta com um prompt, recebe um arquivo de volta e olha para ele antes de seguir. O servidor MCP da Picasso IA foi pensado para esse padrão: imagem, vídeo e voz do mesmo catálogo que o toolkit executa, disponíveis para qualquer cliente que fale MCP.
MCP, o Model Context Protocol, é um protocolo aberto que permite a um assistente de IA chamar ferramentas externas. Um cliente como Claude Desktop, Claude Code ou Cursor se conecta a um servidor, vê as ferramentas que ele oferece e as usa no meio de uma conversa. Com o servidor da Picasso IA, essas ferramentas geram mídia em vez de buscar dados.
O ganho prático é que o agente deixa de te entregar uma lista de tarefas. Peça a ele o anúncio de um produto e ele pode redigir o texto, criar a imagem de capa, montar um clipe curto e gravar a locução numa única execução, e depois mostrar tudo junto. Você revisa um conjunto pronto em vez de copiar prompts entre cinco abas.
Por trás das ferramentas está o mesmo catálogo do toolkit: 502 modelos, incluindo 212 de texto para imagem, 121 de texto para vídeo e 24 de texto para fala. Vale o mesmo sistema de créditos, então cada geração custa créditos que dependem do modelo e das configurações. O acesso funciona com uma chave que você cria na sua conta, e você deve tratá-la como uma senha. O catálogo mostra entre o que o agente pode escolher, e a página de preços explica como funcionam os créditos e os planos.
Um agente que usa bem as ferramentas de mídia segue sempre os mesmos três passos. Ele decide o que criar, chama a ferramenta e confere o resultado. O terceiro passo é o que as pessoas pulam, e é ele que impede que um resultado ruim chegue a um usuário.
Decidir é onde suas instruções pesam. Um agente a quem você diz para ilustrar este artigo vai inventar a própria ideia do que isso significa. Um agente a quem você pede uma imagem de capa em 16:9, em estilo de ilustração plana e sem texto na imagem, tem um briefing que pode seguir e um padrão pelo qual pode ser cobrado. Escreva o briefing como escreveria para um freelancer que não pode te fazer perguntas.
Chamar é um pedido por geração. O agente envia um prompt e os arquivos anexados, espera enquanto o modelo trabalha e recebe o resultado como um arquivo que você pode baixar. Gerar leva tempo, mais em vídeo do que numa imagem estática, então um agente bem construído espera um resultado antes de planejar o próximo passo, em vez de enfileirar dez e torcer.
Conferir é quando o agente compara o que voltou com o briefing. Ele pode olhar uma imagem estática, ler a transcrição de um clipe de voz ou amostrar alguns quadros de um vídeo, e depois decidir se aceita, tenta de novo com um prompt alterado ou para e pergunta a você.
Imagem, vídeo e voz não são intercambiáveis, e os modelos dentro de cada grupo também não. A tabela liga cada mídia à decisão que o agente toma e à conferência que deve acontecer antes de seguir. Os nomes de modelos são pontos de partida que você pode testar no toolkit, não uma recomendação fixa.
| Mídia | O que o agente decide | O que conferir antes de seguir | Modelos para testar |
|---|---|---|---|
| Imagem | Assunto, estilo, proporção | Sem texto solto, número certo de objetos, mãos e rostos intactos | flux-2-pro, nano-banana |
| Edição de imagem | Qual elemento mudar e qual manter | Se o que não foi tocado continua mesmo igual | nano-banana, flux-kontext-pro |
| Vídeo | Duração do plano, movimento, câmera | Movimento natural, sujeito consistente entre os quadros | veo-3.1-fast, kling-v3-video |
| Voz | Roteiro, voz, ritmo | Nomes e números bem pronunciados, sem palavras cortadas | speech-2.8-turbo, qwen3-tts |
| Música | Clima, duração, instrumentação | Combina com o vídeo em que vai entrar, sem final abrupto | lyria-3, music-1.5 |
Dois hábitos fazem a tabela funcionar na prática. Primeiro, deixe o agente usar o modelo mais barato e rápido nos rascunhos e um mais forte só na versão final, e diga isso nas instruções dele. Segundo, mantenha uma lista curta de modelos que o agente pode usar. Um catálogo totalmente aberto é escolha demais para um sistema que não percebe diferença de gosto, e uma lista de três ou quatro deixa os resultados mais consistentes de uma execução para outra.
Este é o caminho de uma ideia até um agente que cria mídia sob pedido. Ele pressupõe que você já tem um cliente compatível com MCP e uma conta.
O servidor dá ferramentas ao agente. Ele não decide quanta liberdade o agente tem. Essa parte é sua, configurada no seu agente ou cliente, e vale fazer antes da primeira tarefa de verdade, porque um agente que pode gastar créditos sem perguntar vai acabar gastando num ciclo que você não previu.
Trate o saldo de créditos como o orçamento do agente. Diga o máximo de gerações por tarefa, diga para ele parar e perguntar quando um pedido passaria desse número, e deixe as gerações de vídeo atrás de uma aprovação manual, porque elas custam mais créditos e demoram mais.
Comece rígido. Uma primeira configuração sensata pede aprovação antes de cada vídeo, permite poucas tentativas de imagem por tarefa e exige que o agente te mostre o resultado antes de usar um arquivo em qualquer lugar público. Muitos clientes podem pedir sua confirmação a cada chamada de ferramenta, que é a etapa de aprovação mais simples que existe.
Afrouxe uma regra de cada vez. Se as imagens saem boas de forma confiável depois de cinquenta tarefas, deixe o agente rodá-las sem perguntar. Mantenha uma pessoa na frente de tudo que leve um rosto, uma voz ou uma afirmação associada. Use só a sua própria imagem ou personagens fictícios, nunca uma pessoa real e identificável, e nunca clone uma voz que você não tenha direito de usar.
Uma página honesta diz onde a ferramenta deixa de ser útil. Em agentes que geram mídia, são cinco lugares:
Nada disso é motivo para pular as ferramentas. É o motivo de o agente fazer rascunhos e uma pessoa dar o aval.
Significa que o agente pode chamar uma ferramenta que gera uma imagem, um clipe de vídeo ou uma gravação de voz, do mesmo jeito que chamaria uma ferramenta de busca. O agente decide o que criar, envia um pedido com um prompt e recebe um arquivo para inspecionar. Sem as ferramentas, ele só consegue descrever a mídia em palavras e deixar o resto para você.
MCP, o Model Context Protocol, é um protocolo aberto que permite a um assistente de IA chamar ferramentas externas por uma conexão padrão. Por ser um padrão, um mesmo servidor funciona com qualquer cliente que o suporte, como Claude Desktop, Claude Code ou Cursor. O servidor MCP da Picasso IA usa isso para colocar a geração de imagem, vídeo e voz dentro da conversa.
O agente trabalha com o mesmo catálogo do toolkit, que hoje tem 502 modelos. Isso inclui 212 modelos de texto para imagem, 121 de texto para vídeo, 24 de texto para fala e 10 de música, entre outros. Você pode reduzir a lista nas instruções do agente, o que vale a pena para que os resultados fiquem consistentes de uma tarefa para a outra.
Sim. O acesso ao servidor MCP funciona com uma chave que você cria na sua conta, e essa chave age em seu nome e gasta seus créditos. Trate-a como uma senha: não deixe em chats compartilhados, repositórios públicos nem capturas de tela, e troque-a se achar que vazou. O toolkit em si não precisa de chave, porque é um espaço de trabalho no aplicativo web.
Ele segue as suas instruções. Se você diz que posts de blog levam uma imagem de capa e que lançamentos de produto levam um clipe curto e uma locução, ele escolhe a mídia pela tarefa. Quanto mais clara a regra, menos surpresas, então anote qual mídia pertence a qual trabalho e o que o agente deve fazer quando uma tarefa não se encaixa em nenhuma.
Cada geração custa créditos, e o valor depende do modelo e das configurações que o agente escolhe. Vídeo costuma custar mais que uma imagem estática, e um modelo mais forte custa mais que um rápido. Esta página não cita valores porque eles mudam, então veja a página de preços para os planos e use o toolkit para ver quanto custa um modelo específico antes de colocá-lo no seu agente.
Coloque o limite nas instruções dele e use as confirmações do seu cliente. Defina um máximo de gerações por tarefa, exija confirmação antes de qualquer vídeo e diga ao agente para parar e perguntar quando um pedido passar do teto. Comece com regras rígidas e afrouxe uma a uma conforme os resultados ganharem sua confiança.
Em parte. Ele pode inspecionar uma imagem estática, ler a transcrição de um clipe de voz e comparar o resultado com o seu briefing, e isso pega falhas óbvias como texto solto ou um objeto faltando. Ele não consegue julgar gosto, adequação à marca nem se uma voz soa certa para o seu público, então mantenha uma pessoa na revisão final de tudo que for público.
Só com a sua própria imagem ou com personagens fictícios. Nunca gere uma pessoa real e identificável, e nunca clone uma voz que você não tenha direito de usar. Se o agente puder receber fotos ou áudio de outras pessoas, diga nas instruções dele que deve recusar esses pedidos e perguntar a você.
Abra o toolkit e rode lá os mesmos prompts. Ele usa o mesmo catálogo, então você pode comparar modelos, ver como fica uma imagem ou um clipe e ouvir uma amostra de voz antes de escrever uma única instrução. Dúvidas sobre a configuração ou sua conta vão para o suporte.
Quer ver o que seu agente receberia de volta? Abra o toolkit, rode os prompts que você pretende dar a ele e avalie os resultados primeiro.
Escolha seu idioma
