fal.ai content_policy_violation (422): o que o aciona e como corrigir
O fal.ai retorna HTTP 422 content_policy_violation quando um prompt ou uma imagem é sinalizado. O que significam as categorias, por que entradas inofensivas são bloqueadas, como corrigir e se você é cobrado.
content_policy_violation é o erro da fal.ai para uma requisição que um verificador de conteúdo recusou. Ele retorna como HTTP 422, não pode ser repetido, e enviar a mesma entrada de novo falhará da mesma forma. A correção sempre está do lado da entrada: descubra qual campo foi sinalizado, leia a categoria e altere essa parte da requisição ou use outro modelo.
Este guia explica como ler o erro, os motivos comuns pelos quais uma entrada inofensiva é bloqueada, como corrigir cada um deles e quanto custa uma requisição bloqueada.
Fontes consultadas em 22 de novembro de 2026: a referência de erros e o FAQ da fal.
Como o erro se apresenta
A referência de erros da fal documenta a estrutura. O corpo é uma lista com uma entrada por problema:
[
{
"loc": ["body", "prompt"],
"msg": "The content was flagged by a content checker.",
"type": "content_policy_violation",
"url": "https://docs.fal.ai/errors#content_policy_violation",
"input": "the flagged input",
"categories": ["sexual"]
}
]
Os campos que ajudam:
| Campo | O que ele informa |
|---|---|
type | Sempre content_policy_violation para este erro. Compare com este valor, não com o texto da mensagem. |
loc | Qual entrada foi sinalizada, por exemplo ["body", "prompt"] ou ["body", "image_url"]. Para uma lista de entradas, pode incluir o índice do item. |
categories | Opcional. Uma ou mais entre harassment, hate, illicit, self-harm, sexual, violence, model_moderated. |
input | O valor que foi sinalizado. |
model_moderated é a categoria que merece atenção. Ela significa que a recusa veio da camada de moderação do próprio modelo, e não do verificador da fal. Cada modelo tem uma camada diferente, então o mesmo prompt pode passar em um modelo e falhar em outro.
Por que entradas inofensivas são bloqueadas
Verificadores automáticos trabalham com padrões e preferem errar recusando. Estas são as causas habituais de um falso positivo.
- Palavras ambíguas. Termos de anatomia, medicina e fitness, e palavras como “shoot”, “strip”, “young”, “blood” ou “kill” usadas em sentido inocente.
- Uma pessoa real. Uma figura pública reconhecível no prompt ou em uma imagem de referência.
- Rostos que preenchem o quadro. Retratos em close nas imagens de referência são recusados com mais frequência do que planos da cintura para cima ou mais abertos.
- Menores de idade, ou pessoas que aparentam ser jovens, em qualquer contexto, inclusive fotos de família.
- Marcas e personagens protegidos por direitos autorais. Logotipos, marcas d’água e personagens nomeados.
- Texto dentro da imagem. Legendas sobrepostas e capturas de tela também são lidas pelo verificador.
- Roupas de banho, roupas íntimas e imagens médicas, que os verificadores muitas vezes classificam como sexuais.
- Efeitos de combinação. Duas entradas inofensivas, como um retrato comum e um prompt comum, podem ser recusadas em conjunto.
Como corrigir
- Leia
locecategoriesprimeiro. Eles dizem se você deve mudar o prompt ou a imagem, e em que direção. - Reescreva a frase sinalizada, não o prompt inteiro. Troque a palavra ambígua por uma descrição simples. “Athlete in sportswear stretching” passa onde uma frase mais curta e vaga pode não passar.
- Substitua ou recorte a imagem de referência. Use um enquadramento mais aberto, remova marcas d’água e texto sobreposto, e evite figuras públicas reconhecíveis.
- Isole a causa. Envie o prompt sem a imagem e, depois, a imagem com um prompt neutro. Um dos dois passará e mostrará qual entrada é o problema.
- Tente outro modelo quando a categoria for
model_moderated. Essa recusa pertence ao modelo, então um modelo diferente para a mesma tarefa pode aceitar a mesma entrada. - Não entre em loop. O erro não pode ser repetido. Trate-o como resultado final para aquela entrada e mostre ao usuário uma mensagem clara.
def handle_fal_error(status: int, body) -> str:
if status == 422 and isinstance(body, list):
for item in body:
if item.get("type") == "content_policy_violation":
field = ".".join(str(part) for part in item.get("loc", []))
categories = ", ".join(item.get("categories", [])) or "unspecified"
# Não pode ser repetido: informe ao usuário qual entrada alterar.
return f"blocked:{field}:{categories}"
return "invalid_input" # outros tipos de 422: corrija a entrada, não repita
if status in (408, 429) or status >= 500:
return "retry"
return "error"
Você é cobrado por uma requisição bloqueada?
A referência de erros da fal não informa. O FAQ dá a regra geral para erros do cliente: erros do servidor nunca são cobrados, mas uma requisição que falha com 422 “may still be billed if a runner used GPU time before detecting the error” (ainda pode ser cobrada se um runner tiver usado tempo de GPU antes de detectar o erro). Um prompt recusado antes de a geração começar não deve custar nada; uma saída recusada depois da geração pode ter usado tempo de GPU.
Se as requisições bloqueadas forem frequentes no seu produto, compare o log de requisições com a página de cobrança para ver quanto elas custam. Veja nosso guia sobre cobrança da fal.ai para requisições com falha.
Se os bloqueios estão custando usuários
Toda plataforma que hospeda esses modelos executa verificações de conteúdo, e a moderação própria de um modelo se aplica onde quer que ele seja hospedado. O que difere entre as plataformas é a frequência com que requisições comuns são barradas, quanto custa uma recusa e com que rapidez você pode trocar para outro modelo.
A WaveSpeedAI foi criada para ter uma alta taxa de sucesso nas gerações:
- Prompts comuns passam. As verificações de conteúdo visam violações claras, então requisições do dia a dia com pessoas, produtos e vocabulário corriqueiro não são recusadas por causa de uma palavra ambígua.
- Uma tarefa bloqueada ou com falha não custa nada. Se uma tarefa for interrompida por uma verificação de conteúdo ou falhar por qualquer outro motivo, 100% do custo é devolvido automaticamente ao seu saldo.
- Um único erro claro. Uma recusa é informada com o código de erro
1200(Content Moderation), separado dos erros de parâmetros e dos erros de servidor, para que seu código consiga distingui-los. - Troque de modelo com uma linha. Todos os modelos usam o mesmo formato de requisição e resposta, então, quando a moderação própria de um modelo recusa uma entrada, tentar o modelo seguinte é só uma mudança de caminho.
- As mesmas famílias de modelos, incluindo Seedance, Kling, Veo, Wan, Nano Banana e Seedream, no catálogo de modelos.
Você pode testar seus próprios prompts no navegador com o gerador de imagens ou o gerador de vídeos antes de escrever qualquer código. Para migrar uma integração, veja como migrar da fal.ai para a WaveSpeedAI.
FAQ
O que significa content_policy_violation na fal.ai?
Um verificador de conteúdo sinalizou seu prompt, sua mídia de entrada ou a saída gerada. A fal retorna HTTP 422 com o tipo content_policy_violation, e a requisição não pode ser repetida.
Por que meu prompt inofensivo foi sinalizado?
Verificadores automáticos comparam padrões. Palavras ambíguas, rostos em close, pessoas reais, logotipos de marcas, texto em imagens e pessoas que aparentam ser jovens são as causas mais comuns de um falso positivo.
O que significa a categoria model_moderated?
A camada de moderação do próprio modelo recusou a requisição, não o verificador da fal. Outro modelo pode aceitar a mesma entrada.
Posso repetir uma requisição com content_policy_violation?
Não. A fal a marca como não repetível. Altere a entrada sinalizada ou use outro modelo.
A fal cobra por uma requisição bloqueada pelo verificador de conteúdo?
A fal não informa isso para este erro. A regra geral é que um 422 pode ser cobrado se tempo de GPU tiver sido usado antes de o erro ser detectado.
Existe uma API que reembolsa gerações bloqueadas?
A WaveSpeedAI reembolsa integralmente toda tarefa com falha, incluindo as tarefas interrompidas por uma verificação de conteúdo.
/filters:quality(82)/media/images/1773962750383987480_n3hqzHRZ.webp)