Estive totalmente imerso nas ferramentas de vídeo do GeminiOmni nas últimas duas semanas e quero escrever sobre o que me surpreendeu. No começo, presumi que o Sora 2 ainda seria o modelo a ser batido. Quando lancei /tools/text-to-video, já havia trocado calmamente o padrão para o Veo 3.1 Fast do Google — e não por causa da qualidade. Por causa da contabilidade.
Esta é uma nota de desenvolvimento, não um conjunto de benchmarks. Explicarei como tomei a decisão, como a matemática se apresentou e quais são os trade-offs se você quiser seguir o mesmo caminho.
A versão de 90 segundos
Se você está apenas dando uma olhada:
- Veo 3.1 Fast custa US$ 0,15 por segundo de vídeo gerado, cobrado por segundo, publicado abertamente na página de preços do Google.
- Sora 2 está disponível apenas através do ChatGPT Pro (US$ 200/mês) ou como um complemento do ChatGPT Plus por US$ 20/mês com limites mensais de geração. Não existe um número honesto por segundo que você possa colocar em um modelo financeiro.
- Para um negócio independente, a segunda coisa importa mais que a primeira. Não posso garantir um preço por vídeo para meus usuários quando meu próprio custo de insumo é "tanto quanto US$ 200/mês dividido por quantos clipes gerei este mês".
- Em termos de qualidade, o Sora 2 ainda está à frente em rostos fotorrealistas e movimentos de câmera complexos. O Veo 3.1 Fast vence no áudio nativo sincronizado e é bom o suficiente em todo o resto para trabalho de vídeo independente — demonstrações de produtos, iscas para redes sociais, B-roll de estilo de vida.
Como realmente fiz a comparação
Eu tinha uma lista de 30 prompts que refletem o tipo de coisa que os usuários do GeminiOmni digitarão. Cerca de um terço eram no estilo demonstração de produto ("uma mão derrama café expresso em um copo de vidro transparente, câmera lenta, iluminação de cozinha"). Um terço eram no estilo isca para redes sociais ("um zoom de 3 segundos na tela de um telefone enquanto alguém dá um duplo toque em uma postagem do Instagram"). O último terço era B-roll de estilo de vida ("luz da manhã através de uma varanda em Berlim, hera se movendo na brisa").
Gerei cada prompt em:
- Veo 3.1 Fast via API do Gemini Developer a US$ 0,15/seg
- Veo 3.1 Standard pela mesma API a US$ 0,40/seg
- Sora 2 através da minha conta ChatGPT Pro, apenas tempo de geração — sem custo justo por clipe disponível
Pontuei cada um em uma escala privada de 1 a 5 em quatro dimensões: fidelidade do assunto, plausibilidade do movimento, qualidade de áudio (quando aplicável) e aderência ao prompt.
Não estou publicando as pontuações por prompt porque são ruidosas com n=30 e não quero que ninguém as trate como um benchmark. O que vou compartilhar é o padrão:
- Veo 3.1 Fast superou o Sora 2 em áudio, todas as vezes. Passos sincronizados, sons de água, som ambiente da sala — o áudio nativo do Veo é o recurso matador, e o Sora não oferece isso.
- Sora 2 superou o Veo 3.1 Fast em rostos e movimentos labiais, especialmente em closes fechados. Se seu caso de uso envolve uma pessoa falando diretamente para a câmera, a diferença é real.
- Veo 3.1 Standard fechou cerca de metade da diferença de rosto/lábios por 2,7x o custo. Estou deixando como uma opção no plano Pro, não como padrão.
Dentro do loop da API, o panorama de custos foi:
- Clipe de 8 segundos no Veo 3.1 Fast: US$ 1,20
- Clipe de 8 segundos no Veo 3.1 Standard: US$ 3,20
- Clipe de 8 segundos no Sora 2: realmente não posso te dizer. Gerei 30 clipes naquele mês e paguei US$ 200 fixos.
Por que o preço por segundo importa mais do que você pensa
Aqui está o caso para negócios independentes a favor de preços transparentes por chamada, em dois parágrafos.
Se quero oferecer um plano "Pro" a US$ 19/mês com um limite de 100 clipes de vídeo, preciso conhecer meus custos unitários em cada clipe. Com o Veo 3.1 Fast a US$ 0,15/seg e uma saída média de 6 segundos, meu custo por clipe é de cerca de US$ 0,90. Um usuário Pro pesado que atinge o limite me custa US$ 90, deixando US$ 71 de margem para cobrir todo o resto, o que é viável. Os números são chatos e estão bem ali na página de preços.
Se tentasse executar o mesmo negócio no Sora, o custo de insumo seria uma função degrau que depende se eu estava acima ou abaixo da cota oculta da OpenAI neste mês. Eu estaria a uma mudança de cota de uma inversão de custos unitários. Não posso garantir isso. Nenhum negócio independente pode.
Isso não é uma crítica à qualidade do Sora. É uma crítica ao modelo de negócios. A OpenAI está vendendo o Sora para consumidores através de uma assinatura fixa do ChatGPT. O Google está vendendo o Veo para desenvolvedores através de uma API medida. O primeiro modelo é ótimo para usuários do ChatGPT e inutilizável para construtores downstream. O segundo é o oposto.
A questão do áudio é real
Quero dedicar uma seção ao áudio sincronizado do Veo 3.1 porque o subestimei.
Quando você gera "uma pessoa atravessa um piso de madeira, luz da manhã, vista lateral" no Veo 3.1, você obtém a imagem e os passos em uma única passagem do modelo. Alinhados em fase. Estéreo. Com a reverberação correta da sala para o espaço visível. Presumi que isso seria um truque — "efeitos sonoros de IA" — e estaria obviamente errado metade das vezes.
Não está obviamente errado. É tão próximo do certo que continuo esquecendo que foi gerado. Os passos coincidem com os mesmos quadros dos impactos visíveis dos pés. A reverberação da sala escala com o tamanho aparente da sala. O som ambiente corresponde à cena (murmúrio de café para filmagens de café, vento para filmagens externas).
Para vídeos independentes para redes sociais, isso remove completamente a etapa de pós-produção de áudio. Você não precisa buscar uma biblioteca de áudio stock. Não está pagando um designer de som para B-roll. Não está executando uma passagem de sincronização separada. O modelo fez isso, e é bom o suficiente para ser publicado.
Toda ferramenta de "vídeo com IA" que não tem áudio sincronizado agora está competindo com uma que tem, pelo mesmo preço. As que não têm, têm um problema.
O que construí por cima
A rota padrão em /tools/text-to-video agora é Veo 3.1 Fast. O plano Pro tem uma opção para Veo 3.1 Standard se um usuário precisar da fidelidade extra em closes de rosto. Adicionei um pequeno limite no lado do servidor para gerações no plano Gratuito (5 por mês, 720p, com marca d'água) porque a US$ 0,15/seg a matemática só funciona se os usuários Gratuitos converterem a uma taxa razoável.
Algumas escolhas de implementação opinativas, caso você esteja construindo algo semelhante:
- Mantenho o prompt do usuário e a resposta ampliada com o nome do modelo no servidor por 30 dias em contas Pro e descarto imediatamente no Gratuito. Armazenar prompts é arriscado para a privacidade e não vale a economia.
- Exibo o nome do modelo abaixo de cada clipe gerado — literalmente um pequeno selo "Veo 3.1 Fast". As pessoas merecem saber pelo que pagaram.
- Não renovo créditos automaticamente. Se você comprou um pacote de 400 créditos e não o usou em 12 meses, ele expira. Prefiro perder uma venda de US$ 29 do que ser a empresa que drena silenciosamente sua carteira.
O que ficar de olho no I/O
Duas coisas para ficar de olho no Google I/O 2026 na próxima semana, ambas que mudariam minhas escolhas padrão:
Gemini Omni. Um novo modelo de vídeo vazou através da interface do aplicativo Gemini — strings como "Crie com Gemini Omni: conheça nosso novo modelo de vídeo, remixe seus vídeos, edite diretamente no chat" surgiram em 5 de maio. Se o Google lançar um modelo de vídeo classe Omni com a mesma economia de API do Veo, os padrões independentes mudam novamente. Escreverei sobre isso no dia em que for lançado.
API do Sora 2. A OpenAI deu indícios de uma API do Sora medida. Se for lançada a um preço transparente por segundo abaixo de US$ 0,30, a diferença de qualidade facial provavelmente vence. Se for lançada atrás de vendas empresariais ou mistérios de cota, construtores independentes devem ignorá-la. Acreditarei na API medida quando vir a página de preços.
Leia a seguir
- Imagem para vídeo no Veo 3.1 — quadros de referência para consistência de personagens
- Texto para vídeo com IA — padrão atual + opção Pro
- Preços do GeminiOmni — como escolhi US$ 19 / US$ 79
— Lena
