A IA devolveu a sua pele mais clara? O teste que separa luz de repintura

O teste do neutro, em 90 segundos

Você anexou a sua foto, pediu um retrato profissional e a IA devolveu a sua pele mais clara, mais cinza, mais amarela ou com uma saturação de bronzeado que você não tem: o rosto é o seu e a pele não é. Antes de discutir se ficou parecido, existe uma pergunta que se responde olhando para um objeto do quadro que não é o seu rosto.

A aritmética que sustenta o teste. Exposição e balanço de branco são multiplicação por canal aplicada ao quadro inteiro, e multiplicação global preserva a razão entre duas regiões da mesma imagem. Se a luz mudou, a sua pele e a camisa branca andam juntas. Logo: iguale um neutro da saída ao mesmo neutro da referência. Se o desvio da pele desaparecer, era luz. Se ele continuar inteiro, alguma coisa repintou só você.

1. Abra referência e saída lado a lado, no mesmo visualizador e no mesmo nível de zoom. Comparar de memória, ou em duas telas diferentes, é o jeito mais rápido de medir a tela em vez de medir a foto.
2. Escolha um neutro que exista nas duas imagens e que ainda tenha desenho: o vinco da camisa branca, a dobra do colarinho, o cinza do fundo. Branco estourado não serve de sonda, e o número disso está logo abaixo.
3. Pergunta 1: o neutro mudou? Se a camisa e o fundo voltaram mais amarelos, mais azuis ou mais escuros, o desvio é global. É revelação, e isso responde a instrução de luz e exposição no texto do pedido.
4. Pergunta 2: o neutro veio igual e só a sua pele mudou? Então não foi luz. Nenhum ajuste global produz esse resultado, e nenhum adjetivo de iluminação vai consertar.
5. Pergunta 3: amostre três regiões, testa, maçã do rosto e mandíbula ou pescoço. Se as três andaram na mesma direção, a pele inteira foi revelada de outro jeito. Se só uma andou, o assunto é luz e rebate, e o dono é outro artigo.

Por que 90 segundos bastam. Aplicamos as duas famílias de defeito ao mesmo retrato, com as máscaras de medição fixas: quando o defeito é de luz, o residual depois de igualar o neutro cai para 0,00; quando só a pele é repintada, ele fica igual ao desvio inteiro, 3,46 de 3,46. A calibração completa, com as seis intervenções, está mais abaixo.

Sonda estourada mente. Se o branco da camisa foi ao valor máximo, ele para de acompanhar o ganho e o teste devolve um número falso. Na mesma calibração, com 0,25 EV de exposição global, 99,4% dos pixels da camisa chegam ao branco máximo e o residual aparece como 1,66 quando deveria ser 0,00; trocando para o cinza do fundo, que ainda tem desenho, ele volta a 0,00. Escolha sempre o neutro que ainda tem textura.

Sintoma, o que o teste mostra e o que entra no texto

A tabela abaixo é para consultar com as duas imagens abertas. A primeira coluna é o que você vê; a segunda é o que o teste do neutro responde; a terceira é a nossa leitura editorial da causa; a quarta é o que muda no pedido.

A coluna do meio é o que separa este artigo da prateleira de ferramentas que promete trocar o tom de pele com um cursor. Cursor é sempre global: ele acerta o rosto e desloca o resto do quadro. O teste existe justamente para dizer se o problema é global antes de você aplicar uma correção global.

Nenhum fornecedor publica o que o modelo faz com o tom de pele a cada execução: o que medimos é comportamento na saída, e a atribuição de causa é leitura nossa.

O bloco de tom, linha a linha

Se o teste apontou repintura, a correção é no texto do pedido. Estas quatro linhas foram escritas para esse caso e testadas contra a versão sem elas, no mesmo gerador e no mesmo dia. Nenhuma delas descreve etnia, idade ou tipo de pele: todas descrevem exposição, luz e o que já está visível na foto anexada.

Expose for my face, not for the background: keep my face at the same brightness relative to the white shirt as in the attached photo.
Neutral white light only: no warming filter, no cooling filter, no colour grade.
Do not lighten, even out, desaturate or warm up my skin: keep the exact skin tone, undertone and shadows visible in the attached photo.
Keep visible skin texture: pores, marks and natural shine; do not add makeup, foundation or beauty smoothing.

Tradução em pt-BR: exponha pelo meu rosto e não pelo fundo, mantendo o meu rosto com o mesmo brilho relativo à camisa branca que ele tem na foto anexada; use só luz branca neutra, sem filtro quente, sem filtro frio e sem tratamento de cor; não clareie, não uniformize, não dessature e não esquente a minha pele, preservando exatamente o tom, o subtom e as sombras visíveis na foto anexada; mantenha a textura visível da pele, com poros, marcas e brilho natural, sem maquiagem, base ou suavização de beleza.

Por que cada linha está aí

Linha 1 declara uma razão, não um adjetivo. Escrever "bem iluminado" ou "luz suave" é entregar de volta ao modelo exatamente aquilo que ele já preenche sozinho. A linha 1 não pede qualidade de luz: ela amarra o brilho do seu rosto a um objeto que está dentro do quadro e que você pode conferir depois, com o próprio teste do neutro. É a mesma aritmética da seção anterior, escrita como instrução. Nos 390 artigos publicados aqui, a construção same brightness relative não aparecia nenhuma vez antes deste.

Linha 2 ataca o matiz, que é o que sobra. Depois que a exposição está declarada, o desvio restante é de cor, não de brilho. A linha 2 fecha a porta do tratamento de cor global que o modelo aplica por estética, e é ela que responde pelos casos de rosto amarelado, aquecido ou lavado. A expressão no colour grade também é inédita no acervo.

Linha 3 já tinha dono aqui dentro. Proibir clarear e uniformizar não é novidade desta página: a linha já está publicada aqui, dentro do bloco de seis negativas que trata o embelezamento no retrato feminino, e este texto não a reabre. O que ele acrescenta são duas palavras: undertone e shadows. Subtom porque, no nosso teste, o desvio dominante foi de saturação e não de claridade; sombras porque achatar o contraste do rosto é o jeito mais comum de clarear alguém sem mexer muito na cor média.

Linha 4 protege a textura, que é a vizinha do tom. Pele sem poro é o acabamento padrão do modelo, e ele costuma vir junto com a repintura. A melhor página em português sobre esse lado do problema, publicada pela Human Academy em abril de 2026, explica bem a origem: as bases de treino vêm carregadas de banco de imagens retocado, e o modelo aprendeu que "pele humana ideal é uma superfície uniforme". Ela trata de textura, não de tom, e não traz medição nem verificação, mas o mecanismo é o mesmo vizinho.

O efeito medido, e a frase honesta. Com as quatro linhas, o desvio mediano da pele caiu de ΔE00 3,95 para 3,14 nas 24 execuções de cada braço, uma queda de cerca de 20%. Três dos quatro retratos melhoraram e um empatou, e o que empatou foi justamente o retrato de pele mais escura do conjunto (L* 43,92): com seis execuções por célula, isso não sustenta nenhuma conclusão sobre tom de pele, mas é o que foi medido e fica escrito. O bloco não zerou o desvio em nenhuma execução. A formulação correta é reduz o desvio mediano. Nunca garante o seu tom.

Por que a IA mexe no seu tom de pele mesmo sem você escrever nada sobre pele

Três camadas empurram na mesma direção, e nenhuma delas depende de você ter escrito a palavra pele no pedido.

1. A média do treino puxa para um lado. Bianchi e coautores, em trabalho apresentado na FAccT 2023, escrevem que os estereótipos aparecem tanto quando o prompt menciona identidade quanto quando ele evita a linguagem demográfica, e que pedir traços básicos ou papéis sociais já produz imagens que reforçam a brancura como ideal. O limite é grande e precisa vir junto: aquele estudo é de geração a partir de texto, sem foto anexada. Numa segunda medição, também preprint, Dinkar e coautores relatam que 86,5% das imagens geradas mostravam pessoas de pele mais clara, num corpus igualmente sem referência anexada. E no lado da edição de retrato, Seo e coautores descrevem um deslocamento da saída em direção a aparências mais claras quando as restrições de identidade estão subespecificadas, em três editores de peso aberto. Os limites fazem parte da citação: o trabalho de Bianchi saiu na FAccT 2023, os de Dinkar e de Seo são preprints, os três declaram o corpus que mediram e nenhum deles mediu o gerador que você usa. Eles dizem para onde a média empurra, não o que vai acontecer na sua próxima imagem.

2. Existe um segundo texto entre o seu pedido e o gerador. A documentação da OpenAI declara que o modelo principal revisa automaticamente o seu prompt para melhorar o desempenho, e devolve esse texto revisado num campo próprio. Nós guardamos as 48 reescritas do teste. Nas 24 execuções em que a palavra pele não apareceu no nosso pedido, a reescrita trouxe skin em 22 de 24, polished em 13 de 24 e even skin tones em 1 de 24, com frases como "polished natural skin texture" e "natural realistic skin texture". A mediana da reescrita sem o bloco foi de 57 palavras; com o bloco, 121. Ou seja: onde você não escreve, escrevem por você, e o que escrevem é exatamente o acabamento que este blog manda proibir. O mecanismo dessa camada tem artigo próprio em o texto que a ferramenta redige por cima do seu antes de gerar.

3. O que o fornecedor declara não é promessa de cor. A mesma página da OpenAI diz que o gpt-image-2 "processes every image input at high fidelity automatically", e essa frase circula como se fosse garantia de fidelidade. Ela descreve como a entrada é processada, e nada mais: a própria página lista, entre as limitações, que o modelo pode ter dificuldade em manter consistência visual de personagens recorrentes entre gerações, que é exatamente a faixa de resultados que medimos repetindo o mesmo pedido. A nossa medição está do lado da limitação, não do lado da promessa.

O que 48 gerações mostraram

O teste rodou em 25 de agosto de 2026 com o gpt-image-2 pela Responses API, qualidade low e 1024x1024, que são os mesmos parâmetros que o produto usa, sempre com a foto de referência anexada. Quatro retratos sintéticos do próprio acervo, seis execuções por célula, dois braços: um sem uma palavra sobre pele, outro com o bloco de quatro linhas. Os quatro cobrem uma faixa larga de tom, com o L* da pele indo de 43,92 a 60,74. A máscara de pele é cromática, feita em YCbCr, e não é segmentação de rosto: ela pega lábios e pescoço junto. O motor de cor foi conferido antes de qualquer número, contra pares publicados do conjunto de teste de Sharma, Wu e Dalal, com quatro casas decimais de acordo.

A pele mudou em 48 de 48 execuções. Sem trava, o desvio mediano é ΔE00 3,95 e o residual depois de igualar a camisa branca é 3,94: 99,7% do desvio não é explicável por luz, e a camisa voltou praticamente idêntica à das referências. Esse par de números é o artigo inteiro em duas linhas.

O nome do sintoma e a direção do desvio não são a mesma coisa. Você chegou aqui procurando "clareou", e é o sintoma certo: é o que a literatura mede, é o que o relato em português descreve e é o que faz alguém não se reconhecer. No nosso corpus, com quatro retratos e um fornecedor num único dia, a claridade subiu em apenas 8 das 24 execuções sem trava, com ΔL* mediano de -1,58, enquanto o croma subiu em 24 de 24, com ΔC* mediano de +6,27, e o matiz girou 2,08 graus. É o mesmo defeito na outra direção: a pele foi repintada. Escrever que a IA sempre clareia seria confortável e seria falso com a nossa própria medição na mesa. O que vale é que o teste do neutro trata os dois casos igual, e é por isso que ele é o artefato principal desta página.

O sintoma tem voz em português. Em 15 de abril de 2026, o site Famosos e Celebridades publicou o relato da influenciadora baiana Emelly Souza, 24 anos, que conta ter testado várias vezes, trocado imagem e ângulo, e que "a pele continuava mais clara". É relato de uma pessoa em site de celebridades, sem ferramenta nomeada e sem método: não é estudo nem amostra. Vale pelo que é, a descrição exata do que leva alguém a buscar por isso.

Luz e repintura são defeitos diferentes, e só um responde a instrução

A tabela abaixo é a calibração que autoriza o teste. As seis intervenções foram aplicadas ao mesmo retrato, com as máscaras de pele e de neutro fixas, o que garante que o antes e o depois medem o mesmo conjunto de pixels.

Leia a coluna da direita de cima para baixo. Toda vez que a intervenção foi global, o residual foi a zero e a razão entre o brilho da pele e o brilho da camisa não se mexeu. Toda vez que só a pele foi tocada, o residual ficou igual ao desvio inteiro e a razão saltou. Essas são as duas assinaturas aritméticas de "a luz estava diferente" e de "o modelo repintou você", e elas não se confundem depois que você olha o neutro.

A consequência prática é o que decide o seu próximo passo. Quando o teste apontar desvio global, o caminho é declarar luz no texto, com direção, qualidade e preenchimento, e o repertório está em o capítulo que trata a luz como componente do pedido, e não como adjetivo. Quando apontar repintura, adjetivo de luz não tem onde pegar: ou entra o bloco da seção anterior, ou é regerar.

A régua: como dizer que mudou sem chutar

"Ficou parecido" é o critério que mais engana neste eixo, porque a gente compara rostos muito melhor do que compara cores. O olho aceita um deslocamento de tom que a medida reprova, e aceita ainda mais quando o rosto está certo. Existem duas réguas úteis, e as duas vêm com limite.

A régua pública, para nomear faixas. Em 11 de maio de 2022, o Google publicou a Monk Skin Tone Scale, descrita pela própria empresa como "a 10-shade scale", criada em parceria com o professor de Harvard e sociólogo Dr. Ellis Monk. No mesmo texto a empresa escreve que está liberando a escala abertamente para que qualquer pessoa a use em pesquisa e no desenvolvimento de produto, e que ela serve para avaliar se um produto ou recurso funciona bem numa faixa ampla de tons de pele. Dois limites, e eles importam: é uma escala de avaliação, não um alvo de correção, e ali é a empresa falando de si.

O uso prático é como vocabulário. Classifique a referência e a saída, e pergunte se caíram na mesma faixa; se caíram em faixas diferentes, "achei parecido" deixa de ser opinião discutível. O que a escala não entrega é número: em 25 de agosto de 2026, a página do projeto devolveu cinco palavras de texto extraível, porque é um aplicativo renderizado no navegador. Foi a terceira vez que medimos isso aqui, com o mesmo resultado. Use as faixas como linguagem e nunca publique um valor de cor atribuído a ela.

A régua caseira, para dimensionar. Nos dez retratos sintéticos do próprio produto, medidos com a mesma máscara, o L* da pele vai de 43,92 a 70,72, uma amplitude de 26,80. O degrau mediano entre dois retratos vizinhos nessa escala é de 1,90 de L*, e o ΔE00 mediano entre vizinhos é 4,82. O desvio mediano de uma geração sem trava, 3,95, é da mesma ordem de grandeza que a distância entre dois retratos vizinhos daquela galeria. São dez retratos sintéticos, não uma escala populacional, e ΔE00 é distância de cor, não limiar de percepção: ninguém aqui está dizendo que você virou outra pessoa. O que está dito é que o critério do olho, neste eixo, mede uma coisa muito frouxa.

A correção intuitiva que não trava o tom: escrever a sua etnia

A reação natural de quem viu a própria pele clarear é escrever a etnia no pedido. É a correção que este blog já mediu e desaconselha, e a razão não é de etiqueta, é de mecânica. Quando existe foto anexada, rótulo demográfico não trava nada: ele delega ao modelo uma escolha que a imagem já tinha resolvido, e qualquer descrição que compita com a foto aumenta a chance de o rosto derivar junto. A diferença entre apontar o que a foto mostra e rotular quem você é já tem artigo próprio aqui, e este texto usa aquela regra como premissa, sem reabri-la.

Vale a honestidade do outro lado. Tirar o rótulo evita um dano, não produz uma garantia: a medição de Bianchi e coautores citada acima diz exatamente que o estereótipo aparece também quando o prompt evita linguagem demográfica. A saída prática é a das quatro linhas, e ela muda o objeto da frase: você não está descrevendo uma pessoa, está descrevendo um arquivo, que é o que o modelo tem como fonte de verdade.

Quando o desvio já estava na referência

Este artigo trata do caso em que o arquivo estava certo e a saída voltou diferente. Se o problema já estava na foto que você anexou, ele tem outros donos, e cada um resolve num ponto diferente da cadeia.

• A exposição errou na captura. O medidor do celular reage ao fundo claro e entrega um rosto subexposto antes de o arquivo existir. O passo a passo está em o capítulo em que o erro acontece antes de o arquivo existir.
• Uma superfície próxima tingiu o rosto. Parede, mesa ou camiseta colorida a menos de um metro devolvem luz já colorida, e o sintoma costuma ser assimétrico: quando a cor entra pelo lado e só um lado do rosto muda.
• A lâmpada não entrega o vermelho que a pele precisa. Aí o desvio está no quadro inteiro e vem do espectro da fonte: o caso em que nem o balanço de branco devolve a cor que a lâmpada não emitiu.
• O arquivo simplesmente não serve de entrada. Resolução baixa, rosto pequeno demais, foto já processada por aplicativo de mensagem: a checagem que decide se aquela selfie pode ser anexada.

A pergunta que separa os dois mundos é a mesma do começo: rode o teste do neutro na referência, não só na saída. Se a camisa branca já estava amarelada no arquivo original, o gerador não inventou nada, ele copiou.

O que este bloco não resolve

Este é o parágrafo que a SERP deste assunto não escreve, e ele muda a expectativa de quem vai colar as quatro linhas.

• São retratos sintéticos do próprio produto, não fotografias de pessoas. O que está medido é o comportamento do pipeline sobre esse conjunto, não o comportamento do modelo sobre gente.
• Um fornecedor, um modelo, um dia e a qualidade low. Nada aqui se estende a outro gerador, a aplicativo de celular ou a outra data.
• A máscara de pele é cromática, não é segmentação de rosto: ela inclui lábios e pescoço, e isso desloca um pouco os valores absolutos.
• ΔE00 é distância de cor, não limiar de percepção. Ele não vira porcentagem de qualidade nem prova de que alguém deixou de reconhecer você.
• Estes números não são comparáveis com os de outras medições de cor publicadas neste blog: corpus, espaço de entrada e referência são outros.
• A variação entre execuções do mesmo pedido é maior que a diferença entre os dois braços. É por isso que publicamos mediana de seis, e não a melhor imagem do lote.
• Nada aqui é recomendação sobre a sua pele. O objeto deste artigo é o arquivo, a luz e o texto do pedido.

Resumo e próximos passos

O desvio de tom que você viu tem dois pais possíveis, e um objeto do quadro separa os dois em 90 segundos: se o neutro voltou igual e só a sua pele mudou, não foi luz, e adjetivo de iluminação não conserta. Nas 48 gerações que medimos, esse foi o caso quase sempre: 99,7% do desvio sem trava sobreviveu depois de igualar a camisa branca.

O que fazer com isso, em ordem: rode o teste, use a tabela de sintomas para escolher a linha certa, cole o bloco de quatro linhas e confira a saída de novo com o mesmo neutro. Se o desvio for global, o assunto vira luz; se já estava na referência, o assunto vira captura.

Para ver onde esse bloco se encaixa no pedido inteiro, com identidade, ambiente, roupa, luz e enquadramento no mesmo lugar, o índice está em a biblioteca de prompts onde este bloco entra como uma camada a mais.