Gemini Omni 1.2 vs Seedance, Kling, Veo e Wan: comparativo

👁 114 leituras

Seis modelos, duas cenas e exatamente o mesmo comando, vírgula por vírgula. Na primeira, a câmera precisa fazer um giro completo ao redor de uma vendedora de maçãs em uma feira livre de Cracóvia. Na segunda, dois vizinhos discutem ao lado de uma churrasqueira sobre qual supermercado vende a melhor linguiça. Cada clipe tem 6 segundos, 720p, com áudio gerado, solicitado na noite de 5 de novembro de 2026, no dia do lançamento do Gemini Omni 1.2 Flash.

Para a comparação, utilizei o Omni 1.2, seu antecessor Omni 1.1, o Veo 3.1 Lite da Google, o Seedance 2.0 Fast da ByteDance, o Wan 3.0 da Alibaba e o Kling 3.0 Standard. Todos foram chamados pela mesma API no OpenRouter, garantindo custos e tempos de resposta comparáveis. O Kling 4.0 e o Seedance 2.5 não estavam disponíveis por lá ou custavam várias vezes mais, detalhe que comento no final.

Resultados em uma tabela

Não avaliei as falas apenas de ouvido: passei cada arquivo pelo reconhecimento de voz do Whisper large-v3 e comparei as transcrições diretamente com o prompt original.

Cena 1: giro de câmera na feira

Comando (adaptado do teste original): giro suave de 360 graus da câmera ao redor de uma senhora idosa vendendo maçãs, mantendo a mesma escala da personagem, sem cortes. É um desafio complexo, pois o modelo precisa inventar a aparência da mulher por trás, preencher o cenário de fundo e depois retornar com precisão ao mesmo rosto inicial.

O Omni 1.2 entregou exatamente o solicitado. A câmera começa de frente, contorna a lateral, passa pelas costas - onde a mulher ajeita o lenço - e volta para o sorriso inicial. O rosto e o lenço floral são consistentes do início ao fim. O Omni 1.1 também tentou a rotação e chegou a mostrar a parte de trás, mas o movimento teve solavancos.

Os demais concorrentes não executaram o giro. O Veo 3.1 Lite e o Wan 3.0 travaram a câmera no tripé e apenas fizeram a senhora gesticular. O Seedance fez apenas uma aproximação sutil. Já o Kling fatiou a tomada em vários cortes com fundos diferentes, ignorando o pedido explícito de cena contínua.

Cena 2: discussão no churrasco

Comando (testado com áudio em polonês): dois homens de cinquenta anos ao lado de uma churrasqueira. O primeiro, de boina: “Eu te disse que a linguiça tinha que ser da Biedronka, não do Lidl!”. O segundo, de óculos: “Você vai comer e não vai reclamar.”

O Omni 1.2 manteve um plano contínuo e consistente, sem alterar os personagens ao longo do vídeo, e a sincronia labial acompanhou bem a fala. No entanto, o modelo engoliu o fim da primeira frase em polonês: em vez de “da Biedronka, não do Lidl” (z Biedronki, nie z Lidla), falou apenas “da Biedronka” (z Biedronki). Seis segundos para duas falas é um intervalo curto, e a IA preferiu cortar o trecho a acelerar a locução. Em outro teste usando uma imagem como referência para a mesma cena, ele conseguiu pronunciar tudo.

O Omni 1.1 falou o texto todo, mas dividiu a cena em três cortes e, no take intermediário, colocou um homem totalmente diferente com camisa verde na mesa. O Veo 3.1 Lite e o Wan 3.0 tiveram o melhor desempenho aqui: texto integral, dicção correta dos nomes dos mercados e plano contínuo. O Seedance 2.0 Fast trocou o segundo homem por outro segurando cerveja e balbuciou termos sem sentido (letras corrompidas no teste original em polonês, letras corrompidas no teste original em polonês). Já o Kling gerou algo bizarro: reescreveu o diálogo, trocou a primeira frase para “Eu disse a você que a linguiça deveria ser da Biedronka” (tradução do original em polonês) e transformou a segunda em uma fala sem coerência.

Quem vence o comparativo

Não há um vencedor absoluto, o que fica evidente nas duas propostas testadas.

• Movimento de câmera e consistência em plano contínuo: Omni 1.2. Foi o único a realizar uma rotação genuína sem cortes, sem desfigurar os personagens em nenhuma das tomadas.
• Melhor custo para falas corretas: Veo 3.1 Lite. Cobrando 0,05 USD por segundo, manteve o áudio impecável, embora com câmera totalmente estática e durações limitadas a 4, 6 ou 8 segundos.
• Velocidade de geração: Omni 1.1 e 1.2, ambos abaixo de um minuto. Wan e Kling exigiram quase três minutos de espera.
• Modelos a evitar para falas complexas: Kling 3.0 Standard e Seedance 2.0 Fast nessa configuração.

Vale ressaltar alguns pontos que ficaram de fora. O Seedance 2.5, atual modelo de ponta da ByteDance, sai por cerca de 0,23 USD por segundo em 720p no OpenRouter - mais de três vezes o valor do Omni 1.2 -, por isso não entrou neste comparativo inicial. O Kling 4.0 estava disponível via API apenas em um provedor, sem tabela de preços pública. Para conferir a relação detalhada de valores por segundo, veja o artigo sobre quanto custa o Gemini Omni 1.2 e acompanhe nosso comparativo anterior em cinco tomadas na arena de vídeo com IA.

Todos os testes de lançamento estão organizados no hub do Gemini Omni Flash.

// continue lendoAssinatura ou API? Compare 7 modelos de IABenchmarksSeedance 2.5, Wan 3.0 e InfiniteTalk: teste de lip-syncBenchmarksMercury Decide e Celeris-1: modelos de decisão comparadosBenchmarks