Quem chega em vídeo vindo de imagem leva um susto. A mesma placa que devolve uma imagem em dois segundos leva de seis a dez minutos para produzir cinco segundos de vídeo. Não é o mesmo problema em maior escala: é outro problema.
1. O que tem dentro · 2. O cérebro · 3. Os olhos (OCR) · 4. A memória (documentos) · 5. Imagem · 6. Vídeo ← você está aqui · 7. Voz · 8. Ferramentas e agentes · 9. Juntando tudo e a conta
Por que vídeo é outro patamar
Cinco segundos a 24 quadros por segundo são 120 imagens. Se fosse só isso, seriam 120 vezes o custo de uma imagem — já muito, mas administrável.
Só que não basta gerar 120 imagens: elas precisam ser o mesmo mundo. O casaco não pode mudar de cor no quadro 40, a câmera precisa se mover de forma coerente, a mão que sobe tem que continuar subindo. Para isso o modelo processa os quadros em conjunto, com atenção temporal entre eles — e é essa parte que consome memória e tempo de forma desproporcional.
| Alvo | Tempo típico de geração | Placa mínima |
|---|---|---|
| 5 s, 480p, 24 qps | ~2 a 4 min | 24 GB (R$ 2,78/h) |
| 5 s, 720p, 24 qps | ~6 a 10 min | 48 GB (R$ 7,08/h) |
| 10 s, 720p, 24 qps | ~15 a 25 min | 48 GB (R$ 7,08/h) |
| 5 s, 1080p direto | raramente vale | gere em 720p e amplie depois |
Preços de agosto de 2026, para uma GPU avulsa, sem interrupção programada. O catálogo muda: confira a vitrine antes de fechar a conta.
A conta que coloca tudo em perspectiva
Um clipe de 5 segundos em 720p, oito minutos numa placa de R$ 7,08 por hora, custa R$ 0,94 — cerca de R$ 0,19 por segundo de vídeo.
Comparando com as outras peças desta série, com os mesmos números:
| Peça | Uma unidade custa | Equivale a |
|---|---|---|
| Mensagem de texto | R$ 0,0025 | 1 mensagem |
| Imagem gerada | R$ 0,0020 | ~1 mensagem |
| Página de OCR + estruturação | R$ 0,00087 | menos de 1 mensagem |
| 5 segundos de vídeo | R$ 0,94 | ~376 mensagens |
É por isso que nenhuma plataforma grande dá vídeo ilimitado, e todas contam quantos você gerou. A peça não escala com uso gratuito.
O pipeline que funciona: imagem primeiro
A forma ingênua é pedir o vídeo direto do texto. Funciona, e é o caminho mais caro e menos controlável: você espera oito minutos para descobrir que o enquadramento não era o que queria, ajusta uma palavra e espera mais oito.
O caminho que os estúdios usam é outro:
- O cérebro escreve o roteiro e descreve cada cena. Custa centavos e leva segundos.
- Gere a imagem-chave de cada cena (parte 5). Dois segundos e R$ 0,002 por tentativa — você itera até a composição ficar certa, praticamente de graça.
- Anime a partir da imagem aprovada (imagem para vídeo, com o Wan 2.2). Muito mais previsível do que texto para vídeo, porque metade das decisões visuais já está tomada.
- Gere a narração (parte 7) e monte tudo com ferramenta de vídeo comum.
Iterar em imagem custa R$ 0,002 e 2 segundos. Iterar em vídeo custa R$ 0,94 e 8 minutos — quase 500 vezes mais caro e 240 vezes mais lento.
Toda decisão criativa que você conseguir tomar na etapa de imagem é uma decisão que você não vai pagar em vídeo. Essa é a regra inteira.
O caso de uso que aparece de verdade
Vídeo genérico é vitrine. O que clientes realmente pedem, com frequência, é rosto falante: um avatar, um apresentador de treinamento, um porta-voz de comunicado interno.
Para isso não se usa geração de vídeo do zero — usa-se LivePortrait, que anima uma foto parada a partir de um áudio ou de um vídeo de referência. É ordens de grandeza mais barato, roda numa placa de 12 GB, e o resultado é mais consistente porque a identidade vem de uma foto real e não da imaginação do modelo.
Animar o rosto de uma pessoa real sem consentimento explícito e documentado é o caminho mais curto para um processo — e, dependendo do conteúdo, para crime. Não é uma questão de termos de uso: é a lei.
Regra do produto: só anima rosto com autorização registrada de quem é. Guarde o consentimento junto do arquivo. E marque de alguma forma o material gerado como sintético.
Onde o cérebro entra
Em tudo que não é pixel, e essa parte custa quase nada:
- Roteiro e divisão em cenas a partir de um briefing de duas linhas.
- Prompt visual de cada cena, no formato que o modelo de imagem entende (parte 5).
- Narração escrita no tempo certo — 150 palavras por minuto é a régua.
- Legendas, título, descrição e cortes para redes sociais.
Um vídeo de 30 segundos consome talvez R$ 0,02 de texto e R$ 5,60 de geração. O cérebro é 0,4% da conta e responde por boa parte da qualidade percebida.
O conselho honesto: não monte ainda
Se você está construindo a sua plataforma agora, vídeo é a última peça da fila, e por três razões:
- Quase ninguém usa. Na distribuição típica que vimos na parte 1, vídeo é ~0,2% das interações.
- É a peça que mais muda. Os modelos de vídeo abertos evoluem rápido; o que você montar hoje vai estar desatualizado em três meses — e sem base instalada de usuários, você reconstruiu por nada.
- É a peça que mais frustra. A expectativa do usuário está calibrada pelos anúncios das grandes; o resultado aberto de 5 segundos em 720p pode decepcionar quem esperava um comercial.
Quando a demanda aparecer, ela vem específica ("preciso de vídeos de produto para o catálogo", "quero o avatar do treinamento"). Aí sim monte — e monte para aquele caso, com uma placa grande alugada por hora, ligada só enquanto a fila tem trabalho.
Comece pela peça que todo mundo usa
Vídeo é rajada rara numa placa cara. O cérebro é o que roda em toda interação, todo dia — e ele é cobrado por token, em reais, sem máquina para administrar.
Ver a API por token →Próxima parte: voz — ouvir e falar, com dois modelos e não um.
Continue: custo por segundo de vídeo · LivePortrait em 1 clique · parte 7: voz