Kandinsky 6 e Wan 2.2: como criar uma influenciadora de IA

👁 118 leituras

Criei 5 influenciadoras de IA em imagens (veja o teste Influenciadora de IA sem aparência artificial) e agora dei vida a elas. Cada uma ganhou um vídeo vertical de 5 segundos, falando uma frase em polonês para o celular. Gerei os vídeos localmente em uma RTX 4090 com três modelos: Kandinsky 6.0 Lite e Pro, que geram imagem e voz, e Wan 2.2 5B, que gera apenas imagem. Os movimentos e rostos parecem os de vídeos reais feitos com celular. A fala em polonês ainda é um ponto fraco: no melhor modelo, o Whisper reconheceu, em média, 65% das palavras.

Como fiz o teste

1. Usei uma selfie de cada personagem gerada com FLUX.2 Klein 4B, que teve o resultado mais natural no teste de imagens e tem licença Apache 2.0.
2. Escrevi uma frase de 7 a 10 palavras para cada personagem e uma descrição breve das ações e dos sons de fundo.
3. Para o Kandinsky, usei a imagem como primeiro quadro, uma descrição da cena com a fala entre as marcações <S>...<E> e uma descrição separada do áudio. Para o Wan, usei a mesma descrição, mas sem áudio.
4. Usei resolução de 480 x 864 no Kandinsky e 544 x 960 no Wan, com 121 quadros, ou seja, 5 segundos.
5. Transcrevi a fala de cada clipe com o Whisper large-v3 e contei quantas palavras da frase eram audíveis. O teste foi feito em polonês.

Este é o comando usado para gerar o vídeo. A fala abaixo é uma tradução da frase em polonês usada no teste; a versão traduzida não foi testada:

Vídeo vertical de selfie feito com celular, com a mulher da imagem de referência, mantendo o mesmo rosto, as mesmas roupas e o mesmo lugar. Alguns fios de cabelo voam sobre o rosto dela. Ela sorri para o celular, olha para a câmera e diz em polonês: <S>Está ventando muito, mas o Morskie Oko está esperando. Vamos!<E> Movimento natural de câmera na mão, aspecto realista, sem filtros.

Áudio: vento forte de montanha, voz animada

Vídeos: 5 personagens, 3 modelos

Para cada personagem, os clipes aparecem nesta ordem: Kandinsky Pro, Kandinsky Lite e Wan 2.2. Os clipes do Kandinsky têm áudio gerado pelo modelo; os do Wan são silenciosos. Os textos entre aspas abaixo são traduções das frases polonesas usadas no teste, não novos testes em português.

Kasia, corredora de Gdańsk: “Dez quilômetros antes do café da manhã. Quem vai correr comigo amanhã?”

Amara, blogueira de culinária de Wrocław: “Hoje tem pierogi com jollof rice. Parece estranho, mas é uma delícia!”

Halina, jardineira de Łódź: “A colheita de cenouras foi boa este ano. Venha visitar minha horta!”

Mei, resenhista de tecnologia de Cracóvia: “Estou testando fones de ouvido novos. A resenha sai amanhã no canal.”

Zofia, guia de Zakopane: “Está ventando muito, mas o Morskie Oko está esperando. Vamos!”

Fala em polonês: o que dá para entender

As frases e os resultados desta tabela vêm do teste original em polonês. As frases entre aspas são traduções do material testado, não falas testadas em português.

O Pro reproduziu as frases em polonês melhor que o Lite, em média, mas não em todos os clipes: no vídeo da guia de Zakopane, o Lite chegou a 88%, enquanto o Pro ficou em 38%. Nenhum modelo foi perfeito. As palavras com dígrafos e letras com ponto superior e nomes incomuns, como “arroz jollof”, foram as que mais deram errado. Frases curtas e simples tiveram os melhores resultados: na frase (em tradução do original em polonês) “Está ventando muito, mas o Olho do Mar está esperando. Vamos!”, o Lite quase não errou. Para vídeos curtos no Instagram, em que você pode adicionar legendas, o Pro dá conta. Para falas mais longas, é melhor gerar a narração com uma inteligência artificial separadamente e adicioná-la ao vídeo.

Comparação dos modelos

* Um clipe do Pro levou 40 minutos porque outro programa estava usando a placa de vídeo naquele período. Medi todos os tempos com a placa parcialmente ocupada. Com a placa livre, os clipes anteriores do Kandinsky Lite levaram cerca de 2 min, e os do Pro, cerca de 6,5 min (veja o teste Kandinsky 6.0 localmente).

O que funcionou e o que não deu certo

• O rosto permanece fiel à imagem. Os três modelos mantiveram sardas, óculos, penteados e roupas do primeiro quadro. Apenas a corredora no vídeo do Wan parece um pouco mais jovem no final.
• Movimento de câmera de celular. Há leve balanço da câmera, uma mão ajeitando o cabelo e olhos semicerrados ao sol. Ninguém posa como em um anúncio.
• Gestos estranhos. No clipe do Wan, a blogueira de culinária levanta uma colher com pierogi quase até o nariz. A resenhista de tecnologia quase não se mexe diante do espelho.
• Palavras em polonês. No clipe do Lite, “pierogi” virou uma palavra que prefiro não reproduzir. Antes de publicar um clipe, ouça até o fim.

Como fazer o teste no seu computador

1. Crie a imagem da personagem seguindo as orientações do teste Influenciadora de IA sem aparência artificial.
2. Instale o Kandinsky 6 no ComfyUI, seguindo o guia do teste Kandinsky 6.0 localmente, e abra o modelo “Image to Video+Audio”.
3. Carregue a imagem em “Load Image”, defina a largura como 480 e a altura como 864. Em “Beautify Prompt”, mude enabled para false e escreva a descrição com a fala entre <S>...<E>.
4. Use frases curtas, de 6 a 10 palavras, sem nomes estrangeiros. Gere de 2 a 3 versões e escolha aquela em que todas as palavras são audíveis.
5. Use o Wan 2.2 5B, com o modelo “Wan 2.2 5B ti2v”, quando quiser um clipe sem fala, por exemplo, para adicionar música.

Lembre-se de indicar que o conteúdo foi criado com IA. Expliquei as orientações na seção sobre identificação do teste de imagens.

Perguntas frequentes

Dá para criar uma influenciadora de IA que fala de graça?

Sim, localmente. Kandinsky 6.0, com licença MIT, e Wan 2.2, com licença Apache 2.0, são gratuitos e permitem uso comercial. Você precisa de uma placa NVIDIA com 24 GB de VRAM. O Kandinsky Pro também exige 64 GB de RAM.

Qual modelo fala melhor em polonês?

Kandinsky 6.0 Pro: reconheceu, em média, 65% das palavras nos meus 5 clipes. O Lite ficou em 57%. O Wan 2.2 não gera áudio.

Qual pode ser a duração dos vídeos?

Os modelos foram treinados para vídeos de 5 segundos. Para criar um vídeo mais longo, junte vários clipes, usando o último quadro de um como início do próximo.

Quanto tempo leva?

Em uma RTX 4090, são cerca de 1,5 min para um clipe de 5 segundos com o Lite ou o Wan e até cerca de 7 min com o Pro.

Fontes

• Kandinsky 6.0 no Hugging Face (licença MIT)
• Wan 2.2 TI2V 5B no Hugging Face (licença Apache 2.0)
• Teste próprio em RTX 4090, 17 de outubro de 2026: 15 clipes, Whisper large-v3.

// continue lendoCustomer.io: como criar sua primeira automaçãoGuiasSuno: criar música, custos e primeiros passosGuiasSkyReels V4: por que caiu do 1º para o 9º lugarBenchmarks