rea-video em 2026: Como Saber se um Vídeo Foi Feito por IA, Cena por Cena

Olá HaWkers, você já ficou na dúvida se aquele vídeo de produto no TikTok foi filmado de verdade ou saiu inteiro de um gerador de vídeo? Em 2026 essa dúvida virou rotina. E foi exatamente ela que fez o rea-video, um projeto open source publicado no GitHub em 29 de outubro de 2026, passar de 3.300 estrelas e 475 forks em pouco mais de uma semana.

A proposta é simples de explicar e difícil de executar: você entrega um vídeo e ele responde, cena por cena, se aquele trecho foi filmado com câmera, gerado por IA, renderizado em código ou capturado da tela. Depois ainda monta um plano de como refazer o vídeo com o seu próprio material.

Será que dá para confiar numa ferramenta dessas? Neste artigo você vai entender como o rea-video chega às conclusões, como instalar e rodar a análise no seu computador, como ler o relatório e quais são os limites reais que o próprio projeto admite.

O Que É o rea-video

O rea-video é uma ferramenta em Python, licenciada sob Apache 2.0, criada pelo desenvolvedor JuneYaooo. O nome vem do REA (Reverse Engineer Anything), projeto que inspirou a ideia central: partir do que você vê e voltar até como aquilo foi feito, sempre com evidência medida, e não com "achismo".

Ele foi pensado para rodar dentro de agentes de código como o Claude Code e o Codex. Na prática, você pode simplesmente pedir ao agente: "instale o rea-video e analise este vídeo". O agente instala a CLI, aprende o fluxo e executa tudo. Mas a ferramenta também funciona direto no terminal, e é esse caminho que vamos explorar aqui.

Os tipos de vídeo que ele consegue destrinchar são bem variados:

Filmagem real: vídeo de rosto falando para a câmera, unboxing, demonstração de produto na mão, vlog
Vídeo de IA: texto ou imagem para vídeo, minisséries feitas com IA, clipes musicais gerados
Avatar: retrato animado por áudio, com sincronia labial
3D e animação: explicativos em Blender ou Cinema 4D, animação 2D, stop-motion
Código e templates: tipografia animada, demonstrações de interface, gráficos
Gravação de tela: tutoriais de software e demos de sites
Misturas: personagens de IA + interface em código + gravação real, tudo no mesmo vídeo

O ponto mais interessante é justamente o último. Vídeo comercial hoje raramente é 100% uma coisa só, e o rea-video julga cada cena separadamente.

Por Que Isso Importa Agora

A discussão sobre conteúdo sintético saiu do nicho. Plataformas estão rotulando vídeos de IA, anunciantes misturam filmagem real com trechos gerados e muita gente simplesmente não sabe mais o que está assistindo. Já falamos aqui no blog sobre como o YouTube está combatendo vídeos de IA de baixa qualidade, e o problema só cresceu desde então.

O padrão C2PA (as chamadas Content Credentials) tenta resolver isso gravando a origem do conteúdo nos metadados do arquivo. A ideia é boa, mas tem um ponto fraco conhecido: quando a plataforma recomprime o vídeo, esses metadados costumam se perder no caminho. O vídeo que chega ao seu celular muitas vezes não carrega mais nenhuma etiqueta.

É aí que entra uma ferramenta como o rea-video. Em vez de depender só da etiqueta, ele mede o próprio vídeo: ritmo dos quadros, ruído do sensor, movimento da câmera, áudio. A etiqueta, quando existe, vira mais uma evidência, e não a única.

Como o rea-video Chega a uma Conclusão

O fluxo descrito no repositório tem quatro passos:

Dividir: corta o vídeo em cenas e separa o áudio em voz, música e efeitos.
Coletar evidências: mede os quadros (cadência, ruído de sensor, se a imagem inteira se move como um plano só, tags de AIGC nos metadados), olha as imagens (mãos, textos, física) e escuta o áudio (BPM, tom, canto ou fala).
Decidir: evidência dura, como tag de AIGC e cadência de quadros, vale mais do que "parece". Quando as pistas entram em conflito, a cena é marcada para revisão visual.
Planejar o remake: agrupa as cenas de acordo com o que o modelo de vídeo escolhido realmente consegue fazer, como duração máxima de clipe e número de imagens de referência.

A pista do ruído de sensor

Toda câmera física deixa um ruído característico na imagem, vindo do próprio sensor. Vídeo gerado por IA costuma não ter esse ruído, ou ter um padrão muito diferente. O problema é que a recompressão das plataformas também apaga parte desse ruído. Por isso o projeto separa bem os resultados com arquivo original e com vídeo baixado de rede social, como vamos ver na seção de precisão.

A pista da cadência

Muitos geradores trabalham em 24 quadros por segundo de origem. Quando um vídeo de 30 fps tem trechos que se comportam como 24 fps convertidos, isso é uma pista. No exemplo de saída da documentação, uma cena aparece marcada como "vídeo gerado por IA (fonte 24 fps, sem ruído de sensor)".

A pista do texto quebrado

Um dos casos de exemplo é um clipe musical de 165 segundos com 86 cenas. O modelo de visão chegou a classificar algumas cenas como "drama filmado", mas o agente encontrou caracteres chineses que não existem escritos num pergaminho e cravou: IA. Texto deformado continua sendo uma das assinaturas mais confiáveis de geração por IA.

Instalando o rea-video

Você precisa de Python 3.10 ou superior e do ffmpeg instalado. No macOS e no Linux, a instalação manual fica assim:

# 1. Instale o ffmpeg (escolha a linha do seu sistema)
brew install ffmpeg            # macOS
# sudo apt install ffmpeg      # Ubuntu/Debian

# 2. Clone o repositório e entre na pasta
git clone https://github.com/JuneYaooo/rea-video
cd rea-video

# 3. O script instala a CLI (via pip, pipx ou .venv local)
#    e conecta a skill em ~/.claude, ~/.codex e ~/.agents
bash scripts/install_skill.sh

# 4. Confirme que a CLI está disponível
rea-video --help

Se você usa o Claude Code, também dá para instalar a skill como plugin. A CLI ainda precisa estar instalada, e a própria skill confere isso no primeiro passo:

/plugin marketplace add JuneYaooo/rea-video
/plugin install rea-video@rea-video

Um detalhe importante: na primeira análise o rea-video baixa um modelo de separação de voz de cerca de 67 MB para ~/.cache/rea-video/models. Não se assuste com a demora da primeira execução.

Rodando a Primeira Análise

O comando principal é o decompose. No modo mais básico, ele trabalha offline e de graça, só com ferramentas determinísticas:

# Análise só com ferramentas locais (offline, sem custo)
rea-video decompose meu-video.mp4 -o out/meu-video --lang en

# Abre o relatório completo no navegador (macOS)
open out/meu-video/report.html

# Resumo compacto no terminal, com as cenas de baixa confiança destacadas
rea-video summary out/meu-video/breakdown.json

Segundo a documentação, um vídeo de 30 segundos leva por volta de 1 minuto para ficar pronto sem modelo de visão. A flag --lang en deixa o relatório em inglês; sem ela, o padrão é chinês.

O que sai na pasta de saída:

breakdown.json: a análise estruturada, cena por cena
report.html e report.md: o relatório legível, com quadros de cada cena e as evidências
storyboard.jpg: o storyboard do vídeo
packaging/: legendas em SRT, legendas estilizadas em ASS, linha do tempo de textos e figurinhas

A primeira linha do resumo é a mais útil para quem só quer a resposta rápida. Algo como "41% vídeo de IA + 59% interface em código, 8 s de gravação de tela real, música de biblioteca a 122 BPM".

Só os metadados

Se você quer apenas olhar as pistas de metadados, sem rodar a análise inteira, existe o probe. Ele mostra dispositivo de captura, marcas implícitas de AIGC, C2PA e assinatura de editor:

# Inspeciona só os metadados: câmera, marcas de AIGC, C2PA e editor
rea-video probe meu-video.mp4

É o teste mais rápido possível. Se aparecer uma marca de AIGC, a resposta já está dada. Se não aparecer nada, isso não prova que o vídeo é real, porque a plataforma pode ter removido tudo.

Aumentando a Precisão com um Modelo de Visão

O modo offline é bom com arquivos originais, mas cai bastante com vídeo baixado de rede social. Para esses casos, o rea-video aceita um modelo multimodal compatível com a API da OpenAI. O README cita Gemini e Doubao como opções que funcionam:

# Configure qualquer modelo multimodal compatível com a API da OpenAI.
# Dá para listar mais de um modelo, separados por vírgula, como reserva.
export REA_VLM_BASE_URL="https://seu-provedor.com/v1"
export REA_VLM_API_KEY="sua-chave-aqui"
export REA_VLM_MODEL="gemini-2.5-pro,gpt-4o"

# Mesma análise, agora com o modelo de visão julgando as cenas
rea-video decompose meu-video.mp4 -o out/meu-video --vlm --lang en

Se todas as chamadas ao modelo falharem, a análise não quebra: o relatório avisa que o resultado equivale a rodar sem modelo de visão.

Sem chave de API? Use o próprio agente

Se você roda o rea-video dentro de um agente que enxerga imagens, ele mesmo pode fazer a revisão visual. A ferramenta gera as tarefas e o agente preenche as respostas:

# Gera as tarefas de revisão visual cena por cena
rea-video review out/meu-video

# Depois que o agente preencher review_answers.json,
# funde as respostas com a análise e reescreve o relatório
rea-video apply-review out/meu-video --by claude-code --lang en

Os Números de Precisão (e o Que Eles Escondem)

O projeto publica a própria avaliação, ponderada pela duração das cenas:

Configuração	Conjunto de ajuste (15)	Validação (16)	Vídeos recomprimidos do WeChat (10)
Só ferramentas (offline)	98,3%	99,6% / 98,9%	88,6%
+ modelo de visão (Gemini)	não informado	99,6% / 99,8%	99,6%
+ revisão visual do agente	não informado	99,6% / 99,8%	100%

Olhe com atenção para a coluna da direita. Com arquivo original, as ferramentas sozinhas passam de 98%. Com vídeo recomprimido por plataforma, caem para 88,6%. A explicação está no próprio README: a recompressão apaga a evidência de ruído, e é preciso uma checagem visual para voltar acima de 99%.

Tem outro detalhe honesto: os conjuntos de teste são pequenos, com 41 vídeos ao todo. É uma amostra útil para mostrar o funcionamento, não um benchmark de laboratório. Trate os percentuais como indicação, não como garantia.

O caso do unboxing ilustra bem o risco. Um vídeo de 72 segundos, todo filmado com um celular em suporte aéreo, foi classificado pelas ferramentas offline como 35% IA depois da transcodificação da plataforma. A revisão do agente corrigiu para 97% filmagem real. Sem essa segunda camada, alguém poderia acusar injustamente um criador de usar IA.

Na Prática: Auditando Vários Vídeos de Uma Vez

Se você trabalha com marketing, moderação de conteúdo ou simplesmente recebe muitos vídeos para checar, dá para automatizar. Este script em Bash usa o ffprobe (que vem junto com o ffmpeg) para registrar os dados técnicos de cada arquivo e depois roda o rea-video em todos:

#!/usr/bin/env bash
# audita-videos.sh - analisa todos os .mp4 de uma pasta com o rea-video
set -euo pipefail

PASTA="${1:-./videos}"
SAIDA="./relatorios"
mkdir -p "$SAIDA"

for video in "$PASTA"/*.mp4; do
  nome=$(basename "$video" .mp4)
  echo "==> Analisando $nome"

  # Taxa de quadros declarada e encoder: pistas rápidas antes da análise completa
  ffprobe -v quiet -select_streams v:0 \
    -show_entries stream=r_frame_rate,avg_frame_rate:format_tags=encoder \
    -of default=noprint_wrappers=1 "$video" > "$SAIDA/$nome-ffprobe.txt"

  # Análise completa, cena por cena, com relatório em inglês
  rea-video decompose "$video" -o "$SAIDA/$nome" --lang en

  # Guarda o resumo de cada vídeo num arquivo só
  rea-video summary "$SAIDA/$nome/breakdown.json" >> "$SAIDA/resumo-geral.txt"
done

echo "Pronto. Veja $SAIDA/resumo-geral.txt"

O avg_frame_rate diferente do r_frame_rate não prova nada sozinho, mas é um bom sinal para olhar com mais calma. O rea-video faz uma análise muito mais profunda dessa cadência, e o ffprobe serve só como triagem rápida.

Quando a ferramenta erra

Se você souber que uma cena foi classificada errado, dá para corrigir e o rea-video lembra da correção para os próximos vídeos:

# A cena 3 é stop-motion, não vídeo gerado: corrige o relatório
rea-video correct out/meu-video --shots 3 --label still_motion --note "é stop-motion feito à mão"

# Mostra o que a ferramenta já aprendeu com as suas correções
rea-video memory

As preferências e correções ficam em ~/.rea-video, e a variável REA_VIDEO_HOME muda esse local.

Os Limites e o Lado Ético

O rea-video não foi feito para ser um "detector de deepfake" com selo de verdade absoluta, e é bom deixar isso claro. Alguns pontos:

Recompressão atrapalha: como vimos, vídeo de rede social perde evidência. A precisão offline nesse cenário foi de 88,6%.
A documentação detalhada está em chinês: o README tem tradução para português, espanhol, francês e outros idiomas, mas os documentos técnicos ainda não. Se você usa pelo agente, ele lê e responde no seu idioma.
O remake custa dinheiro: a geração automática de novas versões usa o projeto irmão capsule-cinema, que chama modelos pagos. Ele faz um teste sem custo antes e só gasta depois da sua confirmação.
Não é ferramenta para copiar: o FAQ do projeto é direto. Ele serve para entender estrutura, ritmo e técnica de um vídeo e depois refazer com material que você tem direito de usar. Reaproveitar filmagem, música, personagem ou imagem de outra pessoa está fora do propósito.

Também vale um cuidado de segurança comum a qualquer ferramenta nova: o script de instalação mexe nas pastas de skills do Claude Code e do Codex. Leia o install_skill.sh antes de rodar, principalmente em máquina de trabalho.

Perspectivas: Verificar Vídeo Vai Virar Hábito

O rea-video aparece num momento em que a pergunta "isso é real?" deixou de ser paranoia e virou parte do consumo de conteúdo. A combinação que ele propõe, medir primeiro, olhar depois e deixar um humano ou agente revisar os casos duvidosos, é provavelmente o modelo que vai prevalecer, porque nenhum sinal isolado resolve sozinho.

Para quem cria conteúdo, ele também tem o lado inverso: entender como um vídeo concorrente foi produzido, quantas câmeras foram usadas, onde estão os cortes e quanto daquilo dá para refazer com IA. E para quem desenvolve, é um ótimo estudo de como amarrar visão computacional clássica, modelos multimodais e agentes num pipeline só.

O roteiro do projeto ainda tem etapas em aberto, como verificação automática com nota e remix em lote. Se elas saírem, checar a origem de um vídeo vai ficar tão simples quanto pesquisar uma imagem ao contrário.

Bora pra cima! 🦅

📚 Quer Acompanhar o Que Vem Por Aí?

Este artigo cobriu o rea-video e como descobrir se um vídeo foi feito por IA, mas o ecossistema muda toda semana e nem tudo vira artigo aqui.

No X eu compartilho o que estou testando, os bastidores dos projetos e as novidades que aparecem antes de virarem post.

Me Segue Lá

👉 Seguir @jeffbruchado no X

💡 Conteúdo diário sobre desenvolvimento, carreira e as ferramentas que eu realmente uso