Foto de referência para IA: quantas enviar, quais ângulos e o que desqualifica a sua

As dez conferências antes de anexar o arquivo

Antes de escrever uma linha de prompt existe uma decisão que pesa mais: qual foto de referência para IA vai no campo de anexo. O fluxo completo de gerar foto profissional com IA traz um checklist de dez itens para avaliar a foto que sai. A lista abaixo é a irmã dela do outro lado da mesa: confere a foto que entra.

E não existe botão para compensar arquivo ruim: no guia da OpenAI, o parâmetro de fidelidade de entrada nem se aplica ao gpt-image-2, porque o modelo já processa toda imagem de input em alta fidelidade. Quando a semelhança escapa mesmo com um arquivo decente, o assunto é a deriva que se resolve no texto do prompt. Aqui a pergunta é anterior.

Sem estes cinco, não anexe:

• o rosto inteiro visível, sem óculos escuros, boné, aba, mão no queixo ou cabelo cobrindo a linha do cabelo;
• a cabeça ocupando pelo menos um terço da altura do arquivo (se não ocupa, recorte em volta de rosto e ombros antes de anexar);
• luz vindo de frente ou de lado, sem contraluz e sem sombra dividindo o rosto em duas metades;
• só você no quadro, nem no fundo aparece mais alguém;
• o arquivo original, sem filtro de rede social já aplicado e sem zoom digital.

Estes cinco não são obrigatórios, mas mudam o resultado:

• três arquivos em vez de um: duas frontais (uma sorrindo, uma neutra) e um três-quartos;
• os três do mesmo dia, com o mesmo corte de cabelo, a mesma barba e os mesmos óculos;
• a expressão que você vai pedir na saída existindo em algum arquivo de entrada;
• arquivo recente: foto de documento de três anos atrás devolve quem você era;
• o papel de cada anexo escrito no prompt, dizendo qual imagem é você e qual é só referência de estilo.

Os cinco primeiros são binários e você confere em dez segundos, abrindo o arquivo em tamanho real. E repare no que não está na lista: a resolução do arquivo.

Quantas fotos anexar, e por que a resposta honesta vai de 1 a 20

A faixa que circula vai de uma foto a vinte, e não é bagunça de mercado: são dois mecanismos. Num deles a imagem entra na requisição e condiciona aquela geração. No outro, as imagens ajustam os pesos de um modelo antes de qualquer geração acontecer. Quem responde "cinco a dez" sem dizer qual dos dois está em jogo respondeu outra pergunta.

No primeiro caminho, o guia de geração de imagem da OpenAI (lido em 30/07/2026) diz que se pode usar "uma ou mais imagens como referência para gerar uma nova imagem", e o exemplo oficial usa quatro arquivos de entrada. Dois cuidados antes de repetir o número: o exemplo é de objetos (uma cesta de presente), não de rosto, e a página não publica teto de entrada. "A OpenAI não tem limite" seria invenção: o número não está ali, ausência conferida nesse documento nesse dia.

A doc da API do Gemini é a mais explícita que existe hoje, e o número está na seção de limitações: o gemini-2.5-flash-image "funciona melhor com até 3 imagens de entrada", o gemini-3-pro-image "suporta 5 imagens com alta fidelidade, e até 14 no total", e o gemini-3.1-flash-image sustenta semelhança de até 4 personagens e fidelidade de até 10 objetos num mesmo fluxo. Nome e limite de modelo mudam em dias: leitura datada, não constante.

No segundo caminho a escala muda. A página da PhotoGen pedia, em 30/07/2026, "Faça upload de 10-20 selfies suas de diferentes ângulos"; a da Fotoria, "envie de 5 a 10 fotos com diferentes ângulos, iluminações e fundos", porque "treinamos um modelo de IA único apenas para você". Variedade ali é dado de ajuste, não referência de uma foto só.

O fotoslinkedin é o primeiro caso: as fotos entram como referência na hora da geração, de 1 a 5 por vez, com até 10 MB por arquivo, e nenhum modelo é treinado com as suas selfies.

Anexar mais foto também não é de graça. A mesma página da OpenAI declara que, como o gpt-image-2 sempre processa entrada em alta fidelidade, os tokens de imagem de entrada podem ser maiores em requisições de edição com imagens de referência, e que o custo final soma tokens de texto de entrada, de imagem de entrada e de imagem de saída. É custo de API, não de assinatura de ChatGPT, mas vale para as duas pontas: mais anexo é mais processamento, não mais fidelidade.

E essa é a pergunta menos respondida da busca em português. Baixei as 8 páginas informacionais que ranqueiam para essa família de consultas em 30/07/2026, extraí 30.397 palavras (com menu e rodapé, o que só favorece o concorrente) e contei por radical: "quantas fotos" e as variantes com imagens e selfies, 0 vez; "limite de imagens", 0; links para as docs da OpenAI ou do Gemini, 0. A única menção de quantidade em conteúdo é do InfoMoney: "uma ou mais imagens de referência".

Quais capturas: duas frontais e um três-quartos

Cinco frontais iguais entregam ao modelo a mesma informação cinco vezes. A explicação é geométrica, com a premissa declarada: numa projeção simples, a profundidade de um traço (projeção do nariz, curva da maçã do rosto, linha da mandíbula) contribui para o deslocamento horizontal na imagem em sen θ, com θ igual ao quanto a cabeça está virada. De frente, com θ em zero, isso dá zero: a profundidade só aparece como sombreado, e sombreado depende da luz daquele dia. Virando 45 graus, sen 45° = 0,707, ou seja, 71% da profundidade real viram deslocamento medível na imagem.

Daí a consequência: a segunda frontal não acrescenta forma, acrescenta expressão, e o três-quartos acrescenta uma dimensão que nenhuma frontal tem.

É por isso que o onboarding daqui pede três capturas de close-up que não são três ângulos: "Sorriso", "Sério" e "¾ esquerda" ("Vire a cabeça uns 45° pra sua esquerda"). Não existe ¾ direita no fluxo. Isso é prática do produto, não resultado de estudo, e o gate ao vivo está no código: a caixa do rosto tem de ficar entre 14% e 42% da largura do quadro (12% no slot de três-quartos), com cerca de 37% tratado como enquadramento ótimo de rosto e ombros, e a pose precisa ficar estável 1.400 ms nas frontais contra 350 ms no três-quartos.

As duas expressões frontais têm motivo operacional, não estético. A expressão que você vai pedir na saída precisa existir em algum arquivo de entrada, porque boca e dentes são a região que o modelo mais reconstrói quando não tem de onde copiar. Se você tem uma foto só e nela está rindo, pedir expressão neutra é pedir uma boca inventada.

Anexar mais de um enquadramento seu é uso previsto pelo fornecedor: na seção de vista em 360 graus, a doc do Gemini manda incluir imagens geradas antes nos prompts seguintes e, literalmente, "para poses complexas, inclua uma imagem de referência da pose escolhida". Ali ângulo é assunto de consistência de personagem, e personagem tem orçamento próprio de imagens.

Como produzir esses três arquivos já tem dono no acervo: a captura em si, do apoio à distância certa e montar a cena sozinho, sem ninguém do outro lado. Aqui a decisão é outra: quais desses arquivos vão para o campo de anexo.

Identidade e estilo: dois anexos, dois papéis

Existem dois tipos de referência e eles não disputam o mesmo lugar. Uma diz quem você é. A outra diz como a foto deve parecer. Misturar as duas é o erro mais caro do campo de anexo, e o mais barato de evitar.

Que os papéis são separados é orçamento na doc do fornecedor, não opinião do blog. A tabela de referências do Gemini reserva "até 4 imagens de personagens para manter consistência de personagem" no Gemini 3.1 Flash Image, até 5 no Gemini 3 Pro Image, e "até 3 imagens para usar como referências de estilo", slot que aparece só na coluna do 3 Pro Image, dentro do teto de 14. E a doc numera os anexos no template de alta fidelidade: "coloque [elemento da imagem 2] sobre [elemento da imagem 1]. Garanta que as características de [elemento da imagem 1] permaneçam completamente inalteradas". Imagem 1 e imagem 2 são vocabulário oficial. Na auditoria das 8 páginas, a expressão "referência de estilo" aparece 0 vez em 30.397 palavras. Esse par de orçamentos já foi usado aqui do lado do texto, no artigo sobre deriva de identidade citado mais acima, para explicar por que misturar pessoa e estilo no mesmo pedido aumenta o risco de troca de rosto. Do lado do anexo ele responde outra pergunta, mais operacional: que frase escrever para a ferramenta saber qual arquivo é qual.

O modo de falha que essa distinção previne já tem registro datado no Brasil. Em 29/05/2026 o TechTudo publicou um tutorial de Giulya Vasconcellos que anexa uma referência de estilo junto com a selfie e documenta o que deu errado: "os braços ficaram um pouco desproporcionais porque a IA seguiu características corporais da pessoa presente na imagem usada como base". A matéria completa o raciocínio: o resultado também pode parecer artificial quando o corpo da pessoa da referência é muito diferente do seu.

Vale creditar quem já acerta. O Canaltech, ao ensinar a buscar referência no Pinterest, escreve que "o importante é tratar essas imagens apenas como inspiração visual, evitando reproduzir identidade, rosto ou composição completa de outra pessoa", e manda transformar as observações em texto no prompt. O que falta na busca em português não é a recomendação: é a linha que a executa dentro do prompt.

Quando os dois arquivos são seus, a rotulagem serve para o modelo ler os dois como um rosto só:

Attachments: images 1 and 2 are photos of me, taken on the same day.
They are my only identity reference: image 1 is the front view, image 2 is the three-quarter view.
Read them as one single face. Do not average my face with any other face.
Use them for identity only: do not copy the lighting, the background, the crop or the image quality of my photos.

Em português: as imagens 1 e 2 são fotos suas do mesmo dia e são a única referência de identidade, a 1 frontal e a 2 de três-quartos; leia as duas como um rosto único; não faça média com nenhum outro rosto; use os arquivos só para identidade, sem copiar luz, fundo, corte nem qualidade de imagem deles.

A primeira linha transforma dois arquivos em uma fonte: sem ela, o segundo anexo pode ser lido como outra pessoa e o resultado sai como média de dois rostos. A menção ao mesmo dia ancora barba, corte e óculos, porque duas fotos com dois anos de distância são duas pessoas parecidas. A última é a que quase ninguém escreve: sem ela o modelo herda a luz dura e o ruído da sua selfie e devolve foto de escritório com aparência de selfie.

Quando o segundo anexo é uma referência de estilo, uma foto que você achou boa de luz e de fundo, a rotulagem muda de função: precisa cortar o que não deve atravessar.

Attachments: image 1 is me. Image 2 is a style reference only.
From image 2 take only lighting, background, framing and colour.
Do not take the face, the body, the hair, the clothes or the pose of the person in image 2.
If image 1 and image 2 disagree about anything on the face or body, image 1 wins.

Em português: a imagem 1 é você, a imagem 2 é apenas referência de estilo; dela tire só luz, fundo, enquadramento e cor, nunca o rosto, o corpo, o cabelo, a roupa ou a pose; e, se as duas discordarem em qualquer coisa de rosto ou de corpo, a imagem 1 vence.

A última linha é a que resolve o caso relatado pelo TechTudo: em vez de listar tudo que pode atravessar, ela declara uma ordem de precedência, o tipo de instrução que sobrevive ao que você não previu. Se a ferramenta tem só um campo de anexo, faça o que o Canaltech ensina: descreva luz, fundo e enquadramento em texto e não anexe pessoa nenhuma. Aí o risco de herdar corpo alheio cai a zero.

O gerador daqui faz essa rotulagem em produção: nomeia as fotos da pessoa como "images 1 through N", pede que sirvam só para entender quem ela é, e trata as fotos do estilo escolhido como a verdade fotográfica da cena, de onde saem luz, fundo, enquadramento e composição. Existe ainda um limite que não é técnico: as Políticas para Comunidades Profissionais do Linkedin dizem "Não use a imagem de outra pessoa, ou qualquer outra imagem que não seja a sua, como sua foto de perfil". É política de plataforma, não lei, e a leitura prática é a da linha acima: referência de estilo é luz e cenário, nunca rosto.

O que desqualifica uma foto de referência para IA, e o que o modelo faz com cada defeito

A lista de defeitos já existe em português, e é justo dizer de onde vem. O Canaltech escreve que "o ideal é escolher uma foto com o rosto nítido, boa iluminação e sem filtros pesados" e que "as imagens tiradas de frente ou levemente de lado costumam funcionar melhor porque ajudam a IA a preservar as proporções do rosto". O InfoMoney acrescenta que "a primeira foto deve, preferencialmente, deixar o rosto evidente e não ter muitos elementos no fundo".

O que não existe em lugar nenhum é a coluna do meio: o que o modelo lê naquele defeito e por que a saída erra daquele jeito. Sem ela a lista é superstição; com ela você decide sozinho sobre um arquivo que não está em lista nenhuma.

Quando é a única foto que existe

Nem todo defeito custa o mesmo. Contraluz, sombra dividindo o rosto e rosto pequeno no quadro são parcialmente recuperáveis por recorte ou por outro arquivo da mesma sessão. Óculos escuros, outra pessoa no quadro e flash estourado no rosto não se resolvem por texto: nenhuma linha de prompt inventa dado que a câmera não capturou. Um caso vizinho tem tratamento próprio no acervo: o caso dos óculos de grau e do reflexo na lente, que é problema diferente dos óculos escuros.

A conta que decide: pixels de rosto, não megapixels de arquivo

A dúvida mais comum sobre referência é a resolução, e ela está na variável errada. O que decide é px de cabeça = altura do arquivo × fração da altura ocupada pela cabeça. A fração se mede a olho, e isso é suficiente. Alguns arquivos típicos de celular, com a conta feita:

• foto de grupo, 4.032x3.024 px (12,2 MP), cabeça em 8% da altura: 242 px de cabeça;
• corpo inteiro vertical, 3.024x4.032 px, cabeça em 15%: 605 px;
• selfie de braço esticado, 1.440x1.920 px, cabeça em 45%: 864 px;
• selfie enquadrada no rosto, 1.080x1.080 px (1,2 MP), cabeça em 60%: 648 px;
• print de videochamada, 640x480 px, cabeça em 40%: 192 px;
• recorte de foto antiga, 900x1.200 px, cabeça a um terço: 400 px.

Compare a primeira linha com a quarta: o arquivo 10,45 vezes maior em megapixel entrega 2,68 vezes menos rosto, 242 px de cabeça contra 648 px. É por isso que "manda em alta resolução" não é instrução.

Falta uma régua, e ela vem emprestada do destino, com o empréstimo declarado. A página de ajuda do Linkedin sobre upload de foto informa que a foto de perfil precisa ficar entre 400x400 px e 7.680x4.320 px, com no máximo 8 MB, em PNG ou JPG (lida em 30/07/2026, marcada como atualizada há dois anos; o que o destino aceita de dimensão e de peso já está detalhado no acervo). Com a cabeça ocupando 55% a 65% da altura, a menor foto aceita no destino tem entre 220 e 260 px de cabeça: referência com menos rosto que isso entra devendo. É régua editorial do blog, não spec de modelo.

Aqui mora um erro fácil de cometer. O gpt-image-2 tem restrições publicadas (lados múltiplos de 16 px, borda máxima de 3.840 px, razão máxima de 3:1, total entre 655.360 e 8.294.400 px), mas elas são do parâmetro de tamanho da imagem de saída. Não existe piso oficial publicado para o arquivo de entrada, então qualquer piso que você ler, inclusive o nosso, é régua editorial: um recorte de 605x605 px (366.025 px) fica abaixo do mínimo de saída e continua sendo entrada legítima.

Uma contraprova interna, por caminho independente: aquela faixa de 14% a 42% da largura do quadro que o gate de captura daqui exige, convertida para um vídeo de 1.280 px de largura, dá 179 a 538 px de rosto, com o ótimo de 37% perto de 474 px. Mesma ordem de grandeza da régua acima.

Teste do enquadramento, 30 segundos. Abra o arquivo em tamanho real e responda uma coisa: a cabeça ocupa pelo menos um terço da altura? Se não ocupa, recorte em volta de rosto e ombros antes de anexar. Se depois do recorte a cabeça tiver menos de cerca de 240 px de altura, o problema não se resolve com prompt: é captura a refazer.

Um detalhe do recorte que muda a saída: sem proporção declarada, a doc do Gemini diz que o modelo iguala o tamanho da saída ao da imagem de entrada, ou gera quadrados 1:1. O recorte que você faz na referência já opina sobre o formato da foto final, e o formato que a saída precisa ter é decisão à parte.

Refazer a captura ou reescrever o prompt: como decidir

Quando o resultado não sai, a tentação é reescrever o prompt. Antes disso, três perguntas resolvem a dúvida em menos de um minuto, e todas são sobre o arquivo:

1. o rosto está inteiro e desobstruído, sem óculos escuros, sem boné e sem metade na sombra?
2. a cabeça passa de um terço da altura, depois de qualquer recorte?
3. existe pelo menos um três-quartos, ou só frontais iguais?

Se qualquer resposta é não, o ajuste é o arquivo, e mexer no texto só gasta geração. Se as três são sim e a semelhança ainda escapa, o problema passou para o texto. Duas leituras dão conta dele: primeiro as travas que se escrevem no prompt, e não no arquivo, depois o texto que vai junto com o anexo.

Sem arquivo nenhum, o rosto é invenção, e a própria busca já escreve isso bem. Um dos resultados que ranqueiam para prompt de foto profissional responde isso na FAQ com uma frase que vale citar: "Posso usar sem imagem de referência? Sim, mas o rosto será 100% inventado (...) Sem referência = sem você".

E o que precisa estar visível no arquivo tem uma lista útil, vinda de um lugar inesperado. No estudo de Seo e colegas sobre edição de retratos (2026), a mitigação de deriva foi construída extraindo sete dimensões observáveis da foto original: tom de pele, estrutura facial, olhos, nariz, lábios, cabelo e traços distintivos, codificadas "como descrições observáveis, e não rótulos demográficos". Vire a lista do avesso e você tem o critério de aprovação da sua referência: o que não estiver visível ali vai ser inventado. Óculos escuros apagam duas dimensões de uma vez; boné apaga cabelo e linha do cabelo; um rosto de 200 px apaga os traços distintivos. Os limites do estudo vão junto: os editores avaliados são três de pesos abertos (FLUX.2-dev, Step1X-Edit e Qwen-Image-Edit), o ChatGPT e o Gemini entram só como juízes das saídas, e as edições medidas são de estereótipo de ocupação e de vulnerabilidade, não de foto de perfil. Aproveita-se a lista de dimensões, não a taxa.

O que a referência não resolve

Arquivo bom não é garantia, e vale dizer onde a coisa para. O primeiro limite é declarado pela OpenAI, na seção de limitações do guia de imagem: o modelo "pode ocasionalmente ter dificuldade em manter consistência visual para personagens recorrentes ou elementos de marca ao longo de múltiplas gerações". Em prática: mesma referência, mesmo texto e duas rodadas podem devolver duas versões diferentes de você. Não é sinal de arquivo ruim, é limite declarado, e é por isso que a comparação certa é contra o arquivo original, nunca contra a rodada anterior.

O segundo é sobre onde a transparência mora. Toda imagem gerada pelo Gemini sai com marca d'água SynthID, segundo a doc da API: a marca vive no arquivo que sai, nunca no que você anexou. Essa conversa se resolve no que você faz com a saída e no que declara ao publicar, e nada neste blog ensina a remover ou contornar esse tipo de marca.

O terceiro é sobre o que você vai ler por aí. Circulam nos resultados em português números como "93% de fidelidade facial", "89% de aprovação por recrutadores", "2,7 vezes mais profissional" e "40% de aumento na precisão de leitura facial". Eles são apresentados como teste próprio, e é justo dizer o que a página informa: 44 prompts avaliados em maio de 2026 e cinco recrutadores ouvidos. O que falta é a metodologia: como a fidelidade facial foi medida, quem eram os recrutadores, o que contou como aprovação e como refazer a conta. Registro que as afirmações existem e que não há como conferir nenhuma delas. Não tenho contranúmero a oferecer, e inventar um seria o mesmo erro com o sinal trocado.

Por fim, o que a referência não decide: roupa, cenário, luz e enquadramento continuam sendo escolha sua, no texto ou nas opções da ferramenta. Arquivo excelente com prompt vazio devolve o retrato médio do treino, sala bege e terno escuro.

Resumo e próximos passos

Quantidade não é virtude: o número muda porque o mecanismo muda, e condicionar uma geração pede de 1 a 5 arquivos, enquanto treinar um modelo pede de 5 a 20. Cinco frontais iguais entregam a mesma informação uma vez, então o terceiro arquivo mais útil é um três-quartos. O gargalo não é megapixel de arquivo, é pixel de rosto. E anexo sem papel declarado é decisão entregue ao modelo.

Ordem de execução, se você for gerar hoje: escolha três arquivos, rode o teste do enquadramento em cada um, recorte o que precisar, escreva a linha de rotulagem antes de qualquer descrição de cena e só então cuide do texto. Se a saída não parecer com você, volte ao arquivo antes de voltar ao prompt. O contexto completo, da escolha de ferramenta à conferência da foto que sai, está no guia do fluxo ponta a ponta de foto profissional com IA.