Li o ficheiro com atenção. A professora está a pedir algo bastante específico: máximo de 2 minutos, dirigido a estudantes de Computer Science, com os vossos nomes logo no início e as fontes no fim. E a nota é dividida igualmente entre Scientific Accuracy, Pedagogical Clarity, Knowledge Gain, Creativity e Technical Quality. (Concepts-description.pdf) (Concepts-description.pdf) Além disso, há uma penalização de 5 valores se falharem instruções como duração, título ou nomes. (Concepts-description.pdf)

Para Alexa Prize, eu não faria um vídeo 100% AI. A versão mais forte para esta avaliação é híbrida: vocês aparecem muito brevemente no início, usam as vossas próprias vozes ao longo do vídeo e deixam cerca de 85–90% do ecrã para animação/visualização criada com AI. Assim ganham presença humana e identidade de grupo sem transformar isto numa apresentação de PowerPoint filmada. E, sobretudo, podem usar o vídeo para ensinar NLP visualmente.

A ideia central que eu usaria é:

“Can an AI hold an interesting conversation with you for 20 minutes?”

Isto vai diretamente ao coração do SocialBot Grand Challenge: o Alexa Prize é uma série de competições universitárias da Amazon para acelerar investigação em AI; o SocialBot Grand Challenge, lançado em 2016, desafiava equipas a construir agentes capazes de conversação open-domain, coerente e envolvente. (Amazon Science) O objetivo formal incluía conversas de pelo menos 20 minutos e uma avaliação de pelo menos 4/5; a investigação envolve NLU, context modelling, dialogue management, commonsense reasoning, NLG e knowledge acquisition. (Amazon Science)

E isso dá-nos um vídeo muito melhor do que simplesmente contar a história da competição.

---

Conceito do vídeo

Título visual:
ALEXA PRIZE
Can an AI keep you talking for 20 minutes?

Estética: mistura de motion graphics científico + interface futurista minimalista + visualização de diálogo. Nada de “robô humano azul com cérebro brilhante”, porque isso fica imediatamente com aspeto de vídeo AI genérico.

Imaginem uma linguagem visual próxima de um vídeo explicativo da Apple/Google DeepMind: fundo escuro limpo, ondas sonoras, caixas de diálogo, pequenos diagramas animados, partículas subtis, tipografia branca, detalhes azul/ciano. Movimento fluido, não frenético.

Formato: 16:9, 1080p ou 4K, 30 fps.

Duração alvo: 1:55–1:58, nunca 2:00 exatos. Fica uma margem de segurança.

---

GUIÃO FINAL — plano a plano

0:00–0:08 — HOOK + VOCÊS

Imagem

Abram com vocês os dois reais.

Não precisam de estar juntos fisicamente. Podem filmar separadamente e fazer split screen.

Plano médio, fundo simples, boa luz. Olhar diretamente para a lente.

No primeiro segundo aparece:

ALEXA PRIZE
[Vosso Nome 1] · [Vosso Nome 2]

Isto resolve imediatamente a obrigação dos nomes no início.

Fala

Pessoa 1:

“Could an AI keep you interested in a conversation for twenty minutes?”

Pessoa 2:

“That question is at the heart of the Alexa Prize.”

Visual

Quando a Pessoa 1 diz “twenty minutes”, aparece ao centro:

20:00

como um cronómetro digital.

Na palavra Alexa Prize, o plano real desfaz-se numa onda sonora azul e entramos na animação.

Som

Pequeno som de ativação de assistente de voz.

Música tecnológica minimalista começa muito baixa.

---

0:08–0:23 — O QUE É O ALEXA PRIZE?

Voice-over — Pessoa 1

“Launched by Amazon in 2016, the Alexa Prize is a series of university competitions designed to advance artificial intelligence through real-world challenges.”

Isto é factualmente suportado pela documentação oficial da competição. (Amazon Science)

Imagem

Uma timeline muito rápida:

2016 → Alexa Prize

Depois aparecem várias universidades estilizadas como pequenos nós numa rede.

Não mostrar uma lista de vencedores. É informação pouco importante para aquilo que querem ensinar.

Em seguida, a câmara aproxima-se de um ícone de coluna inteligente.

Texto no ecrã

Só:

University research
↓
Real users
↓
Conversational AI

Não encham o ecrã de texto.

---

0:23–0:39 — O GRAND CHALLENGE

Esta é a primeira grande cena pedagógica.

Voice-over — Pessoa 2

“Its best-known challenge asked teams to build a SocialBot: a system capable of open-domain conversation that remained coherent and engaging for at least twenty minutes.”

Imagem

Um utilizador estilizado diz:

“I just watched Dune.”

O bot responde:

“What did you think about the ending?”

Utilizador:

“I loved it. But the book was better.”

O assunto muda visualmente:

🎬 Movies → 📚 Books → 🚀 Science → 🎵 Music

Enquanto a conversa continua.

A ideia visual é deixar evidente a diferença entre:

Task-oriented dialogue

“Set an alarm.”

e

Open-domain dialogue

“What kind of movies do you like?”

No segundo, o caminho abre-se em dezenas de direções.

Texto grande

OPEN-DOMAIN DIALOGUE

Depois:

Coherent + Engaging + 20 min

O objetivo de 20 minutos e avaliação 4/5 faz parte da definição oficial do Grand Challenge. (Amazon Science)

---

0:39–1:02 — A PARTE MAIS IMPORTANTE DO VÍDEO: COMO FUNCIONA?

É aqui que podem ganhar bastante em Knowledge Gain.

Em vez de dizer apenas “é uma competição”, ensinam NLP.

Voice-over — Pessoa 1

“And that requires much more than generating a sentence. A socialbot must understand the user, track context, decide what to talk about, generate possible responses, select a good one — and avoid unsafe or irrelevant answers.”

ANIMAÇÃO

Uma frase entra pelo lado esquerdo:

USER: “I love science fiction, but I didn't like the last Star Wars film.”

A frase atravessa um pipeline.

Pipeline visual

Speech

↓

NLU
intent • entities • sentiment

↓

Context / Memory

↓

Dialogue Manager

↓

ramificação para três caixas:

Knowledge
Response Generators
LLM

↓

Ranker + Safety

↓

Response

O bot responde:

“Interesting. What didn't work for you?”

Depois a resposta transforma-se novamente numa onda sonora.

Esses componentes refletem as áreas de investigação explicitamente associadas ao challenge e as arquiteturas usadas pelas equipas; sistemas do Alexa Prize usaram combinações de dialogue management, neural response generators, ranking, knowledge sources e mecanismos de safety. (Amazon Science)

Importantíssimo

Não peçam ao gerador AI para desenhar todas estas palavras dentro da animação.

Gerem a animação das caixas e ligações sem texto e adicionem depois NLU, Dialogue Manager, Ranker, etc., no editor. Geradores de vídeo ainda tendem a produzir texto visual errado ou deformado.

---

1:02–1:20 — O QUE TORNOU O ALEXA PRIZE INTERESSANTE CIENTIFICAMENTE?

Aqui está o segundo momento que eleva isto acima de um vídeo superficial.

Voice-over — Pessoa 2

“But the Alexa Prize was also an experiment in evaluation. Real Alexa users interacted with competing systems, rated their conversations, and provided feedback that teams could use to improve their models.”

Imagem

Bot no centro.

À esquerda aparecem centenas de pequenas silhuetas de utilizadores.

Cada conversa produz:

⭐⭐⭐⭐☆
⭐⭐⭐☆☆
⭐⭐⭐⭐⭐

Essas avaliações convergem para um pequeno gráfico.

Depois:

USER INTERACTION

↓

RATING + FEEDBACK

↓

MODEL IMPROVEMENT

↓

nova conversa

Fica um loop animado.

Isto é um ponto muito bom para uma cadeira de NLP porque avaliação de diálogo aberto é genuinamente difícil: a qualidade de uma conversa não se reduz facilmente a uma única resposta “correta”. Estudos posteriores usaram precisamente conversas reais do Alexa Prize para investigar interação e avaliação de socialbots. (ACL Anthology)

---

1:20–1:36 — EVOLUÇÃO

Voice-over — Pessoa 1

“The programme later expanded beyond social conversation: TaskBots focused on helping users complete multi-step tasks, while SimBots combined language, vision and reasoning in a simulated physical world.”

Visual

A palavra:

SOCIALBOT

transforma-se em três cartões.

SocialBot
💬 Open conversation

TaskBot
📋 Multi-step assistance

SimBot
👁 + 💬 + 🤖
Embodied AI

TaskBot foi criado para assistência em tarefas de vários passos e incorporou experiências multimodais; SimBot levou o desafio para agentes que combinam diálogo, perceção e ação num ambiente virtual. (Amazon Science)

Façam esta cena muito rápida. O vídeo continua a ser sobre Alexa Prize, e não sobre explicar os três concursos individualmente.

---

1:36–1:50 — PORQUE É QUE ISTO IMPORTA?

Voice-over — Pessoa 2

“By its fifth SocialBot challenge, teams were already combining large language models with multimodal interaction. So the Alexa Prize became more than a competition: it was a large-scale testbed for one of NLP's hardest problems — building AI that can sustain meaningful interaction with humans.”

Na quinta edição, o challenge incluiu multimodalidade e o uso de LLMs foi uma das principais linhas de investigação. (Amazon Science)

Visual

Volta a aparecer o diálogo inicial.

Humano:

“So… can machines really converse?”

Bot começa a escrever.

Pequena pausa.

Resposta:

“We're still finding out.”

E aqui eu faria uma coisa elegante:

o cursor continua a piscar.

Corte para preto.

Texto

Alexa Prize

Conversation as an AI challenge.

Isto dá-vos um fim memorável sem fazer afirmações exageradas do género “Alexa Prize solved conversational AI”.

---

1:50–1:58 — FONTES

Música reduz.

Ecrã muito limpo.

Texto

Sources

Amazon Science — Alexa Prize
Johnston et al. (2023) — The Fifth Alexa Prize SocialBot Grand Challenge
Soper et al. (2022) — Understanding User Expectations in Socialbot Interactions
Amazon Science — TaskBot & SimBot Challenges

Em baixo, pequeno:

Full references in the video description.

Esta informação vem das páginas oficiais do programa e da literatura científica correspondente. (Amazon Science)

Deixem esta imagem visível uns 7–8 segundos. Fontes que passam durante 1 segundo tecnicamente estão lá, mas pedagogicamente parecem uma formalidade.

---

TEXTO DE NARRAÇÃO COMPLETO

Se quiserem gravar primeiro o áudio e montar tudo por cima, este é o texto corrido que eu usaria:

Pessoa 1: “Could an AI keep you interested in a conversation for twenty minutes?”

Pessoa 2: “That question is at the heart of the Alexa Prize.”

Pessoa 1: “Launched by Amazon in 2016, the Alexa Prize is a series of university competitions designed to advance artificial intelligence through real-world challenges.”

Pessoa 2: “Its best-known challenge asked teams to build a SocialBot: a system capable of open-domain conversation that remained coherent and engaging for at least twenty minutes.”

Pessoa 1: “And that requires much more than generating a sentence. A socialbot must understand the user, track context, decide what to talk about, generate possible responses, select a good one — and avoid unsafe or irrelevant answers.”

Pessoa 2: “But the Alexa Prize was also an experiment in evaluation. Real Alexa users interacted with competing systems, rated their conversations, and provided feedback that teams could use to improve their models.”

Pessoa 1: “The programme later expanded beyond social conversation: TaskBots focused on helping users complete multi-step tasks, while SimBots combined language, vision and reasoning in a simulated physical world.”

Pessoa 2: “By its fifth SocialBot challenge, teams were already combining large language models with multimodal interaction. So the Alexa Prize became more than a competition: it was a large-scale testbed for one of NLP's hardest problems — building AI that can sustain meaningful interaction with humans.”

Eu usaria inglês neste caso, apesar de a professora permitir inglês ou português, porque todos os conceitos técnicos aparecem naturalmente na terminologia da literatura e o vídeo fica mais reutilizável. Mas não usaria inglês se isso vos fizer falar artificialmente; boa dicção em português é melhor do que inglês pouco natural.

---

PROMPT-MESTRE PARA UM GERADOR DE VÍDEO AI

Eu escreveria o prompt visual em inglês, mesmo que depois coloquem voz portuguesa/inglesa. Em geral dá mais controlo sobre a linguagem cinematográfica.

Create a polished 16:9 academic explainer video about the “Alexa Prize”, aimed at Master's-level Computer Science and NLP students.

The visual style must be sophisticated, minimal and technologically credible: dark neutral backgrounds, clean white typography, subtle cyan/blue light accents, elegant sound-wave animations, conversational UI elements, abstract data visualizations and smooth scientific motion graphics. Avoid cliché humanoid robots, glowing AI brains, cyberpunk cities, excessive neon, cartoon mascots and generic corporate stock footage.

The central visual metaphor is a conversation flowing through an NLP system.

Start with an elegant title transition from real human presenters into an animated voice waveform. Introduce the Alexa Prize as a university AI research competition. Visualize open-domain dialogue by showing a conversation smoothly moving between topics such as movies, books, science and music.

Then create the video's main educational animation: a user utterance enters an NLP pipeline consisting visually of speech input, language understanding, context and memory, dialogue management, multiple candidate response generators and knowledge sources, response ranking and safety filtering, producing the final conversational response. Use clean modular boxes connected by animated flowing signals. Do not generate text inside the boxes; leave clean spaces for labels to be added during editing.

Visualize evaluation at scale using many abstract user icons interacting with one conversational system, producing ratings and feedback that flow back into model improvement, forming a clear feedback loop.

Briefly visualize the evolution of the Alexa Prize into three areas: open social conversation, multi-step task assistance, and embodied multimodal AI combining language, vision and action.

Finish by returning to the original conversation. A human asks whether machines can truly converse. Show a subtle typing cursor, then transition elegantly to black with the Alexa Prize title.

Editing should feel fast but intellectually calm, with smooth match cuts and meaningful transitions rather than random visual changes. Every animation must directly support the spoken explanation. Keep all important information within title-safe areas. No watermarks, no fake logos, no illegible generated text, no invented statistics.

Overall tone: scientific, modern, intelligent, engaging, concise, premium university-level educational video rather than advertising.

---

PROMPTS DAS CENAS, SE O SITE GERAR CLIPS SEPARADOS

Na prática, esta é a forma em que eu confiaria mais do que pedir a uma AI que faça os 2 minutos inteiros de uma vez.

Cena open-domain

Minimal premium scientific motion graphic showing an ongoing human-AI conversation. Speech bubbles naturally transition between visual topic worlds: cinema, books, space science and music. The conversation remains visually connected by a continuous glowing waveform. Dark background, clean modern interface, realistic academic explainer aesthetic, subtle depth, smooth camera motion, no text, no humanoid robots, 16:9.

Cena pipeline NLP

High-end scientific explainer animation of a spoken user message travelling from left to right through a modular conversational AI pipeline. First audio waveform, then language analysis module, context and memory module, dialogue decision module, several parallel response-generation and knowledge modules, a ranking and safety module, and finally a clean chatbot response. Signals visibly carry information through the system. Minimal dark interface, white and cyan accents, sophisticated data visualization, no labels or generated text, 16:9.

Cena feedback/evaluation

Scientific data visualization showing hundreds of diverse abstract user icons having short conversations with one conversational AI system. Their interactions generate rating symbols and feedback signals that aggregate into metrics, then flow back into the AI system as an improvement loop. Elegant minimal motion graphics, academically credible, not corporate advertising, dark background, subtle cyan accent lighting, 16:9.

Cena TaskBot/SimBot

Elegant three-stage transformation illustrating conversational AI evolving from open conversation, to step-by-step task assistance, to an embodied virtual assistant perceiving and manipulating objects in a simulated room using language and vision. Smooth continuous transformation, scientific infographic aesthetic, no labels, no generated text, premium motion design, 16:9.

Cena final

Minimal cinematic conversational interface on a dark background. A final human speech bubble appears, the AI response area shows only a subtle blinking cursor for a moment, then the interface slowly dissolves into a single animated sound waveform and fades to black. Thoughtful, intelligent, understated, premium scientific documentary feel, 16:9.

---

COMO FILMAR OS VOSSOS CLIPS

Eu só filmaria um clip de cada um, para o início.

Façam isto:

• telefone na horizontal;
• 4K se possível;
• lente ao nível dos olhos;
• enquadramento do peito para cima;
• luz de janela a 45 graus da cara ou uma luz suave;
• fundo neutro;
• não filmem encostados a uma parede — deixem 1–2 metros entre vocês e o fundo para dar profundidade;
• gravem áudio o mais perto possível da fonte;
• olhem para a lente, não para vocês próprios no ecrã.

E deixem 1 segundo em silêncio antes e depois da frase. Facilita muito a edição.

Não usaria avatares AI a imitar vocês. Um clip real de quatro segundos fica muito mais profissional.

---

UM DETALHE QUE PODE SUBIR MUITO A QUALIDADE

Façam o áudio com as vossas próprias vozes.

Podem alternar como no guião:

Pessoa 1 → Pessoa 2 → Pessoa 1 → Pessoa 2...

Mesmo que não apareçam.

Isso cria a sensação de diálogo humano enquanto explicam uma tecnologia de diálogo. Há uma pequena coerência temática aí que funciona muito bem.

E ponham legendas em inglês permanentemente, discretas, com no máximo duas linhas. Para um vídeo didático, ajudam bastante.

---

O QUE EU NÃO FARIA

Não gastaria 25 segundos a dizer quem ganhou cada edição ou quanto dinheiro ganhou. É factual, mas ensina pouco NLP.

Não faria 2 minutos de vocês a falar para a câmara com imagens ocasionais de uma Alexa. Perdiam muito potencial em criatividade e pedagogia.

Também não faria 2 minutos integralmente gerados por AI com voz sintética, avatar sintético, imagens sintéticas e texto sintético. Tecnicamente pode parecer impressionante durante cinco segundos, mas tende a ficar genérico e a retirar credibilidade ao trabalho académico.

E evitaria apresentar o Alexa Prize simplesmente como “uma competição para fazer Alexa mais inteligente”. Cientificamente, o interessante é o que ele permitiu estudar: open-domain dialogue, context, dialogue management, response generation/ranking, safety e avaliação de conversas com utilizadores reais. Isso é o que dá substância de mestrado ao vídeo. (Amazon Science)

---

Porque é que esta estrutura bate diretamente na grelha

Scientific Accuracy: praticamente todas as afirmações importantes vêm da documentação oficial do Alexa Prize e dos proceedings.

Pedagogical Clarity: há uma pergunta inicial → definição → problema → funcionamento → avaliação → evolução → conclusão.

Knowledge Gain: quem vê aprende não apenas o que foi a competição, mas também como se estrutura e avalia um sistema de diálogo open-domain.

Creativity: vocês entram fisicamente no universo visual e a própria conversa torna-se o fio condutor do vídeo.

Technical Quality: combina filmagem humana, voice-over, motion graphics, sound design, legendas e um estilo visual consistente.

Isto está muito mais alinhado com o espírito do enunciado — inclusive com o “Be creative! Take advantage of the current technologies!” da professora — do que um simples vídeo falado ou um slideshow. (Concepts-description.pdf)

E, para esta duração, eu trataria o pipeline de NLP entre 0:39 e 1:02 como a “hero scene” do trabalho. É aquele momento em que alguém da área olha para o vídeo e percebe que vocês não fizeram apenas pesquisa sobre uma competição: perceberam porque é que o Alexa Prize é relevante para Natural Language Processing.