Veo 3.1 vs Seedance 2.0 vs Kling 3.0: qual modelo de vídeo com IA faz anúncios melhores?

A pergunta que mais ouvimos de profissionais de performance é alguma versão de "qual modelo de vídeo com IA eu devo usar para anúncios?". A resposta honesta é que essa é a pergunta errada. Não existe um único melhor modelo, e o ranking muda a cada poucas semanas, conforme saem novas versões. O que importa é casar o modelo com a cena. Um clipe UGC de alguém falando para a câmera, um giro de produto de destaque e uma peça de motion estilizada pedem, cada um, um motor diferente.

Na Hermoso nós roteamos Veo 3.1, Seedance 2.5 e Kling 3.0 em produção, escolhendo por trabalho em vez de apostar num só. Esta é a visão de quem está na prática: onde cada modelo realmente merece seu lugar num anúncio, com base nos renders que entregamos, e não em benchmarks publicados.

Veo 3.1: áudio nativo e sincronia labial

O grande destaque do Veo 3.1 para anúncios é que ele gera a fala de forma nativa, na mesma passada que a imagem, então lábios e áudio vêm de um único processo. Essa propriedade sozinha resolve o sinal mais teimoso do vídeo de IA: o bater de lábios de filme dublado que aparece quando um áudio de TTS é colado numa boca gerada separadamente. A percepção humana pega esse descompasso sem piedade, e nenhuma correção de cor esconde.

Por isso o Veo é o nosso padrão no momento em que uma boca aparece na câmera e precisa falar: depoimentos de alguém falando para a câmera, fundadores falando direto com o público, qualquer conceito UGC construído em torno de alguém falando. Quando o formato é uma pessoa entregando uma fala, a sincronia labial nativa vale mais do que qualquer outra diferença de qualidade entre os modelos.

A contrapartida é que o Veo tem uma política de conteúdo mais rígida. Ele tende a bloquear demais nomes de marca, semelhanças com pessoas reais e qualquer coisa perto de bebida alcoólica, o que pode barrar um prompt que estava limpo. No nosso pipeline, uma recusa ali dispara um fallback automático para outro modelo, em vez de virar beco sem saída. Mesmo assim, é algo a considerar se a cena depende de uma marca citada ou de um rosto conhecido.

Seedance 2.0: áudio nativo, uma tomada contínua e consistência guiada por referência

O Seedance 2.0 é o nosso burro de carga para as cenas em que os anúncios realmente vivem: o produto numa mão de verdade, sendo girado, apoiado, servido. Com uma foto real do produto como referência, ele mantém a identidade do objeto de verdade impressionantemente bem (formato da garrafa, geometria do rótulo, a cor exata) em vez de inventar um primo plausível, como faz um prompt de texto sem referência. Para criativos de DTC e de bens de consumo, em que o produto na tela tem que ser o produto da prateleira, essa fidelidade da referência ao vídeo é tudo.

A segunda coisa que o Seedance faz e que combina com anúncios é textura. Ele renderiza um granulado convincente de câmera na mão, de celular: aquela captura um pouco imperfeita e sem glamour que parece UGC autêntico, e não um comercial brilhoso. Direcione o prompt para pele fosca e luz neutra e ele chega naquele visual de "alguém filmou isso no celular" melhor do que as alternativas.

Mais duas propriedades completam o pacote. O Seedance gera áudio de forma nativa (voz, som ambiente, os ruídos da cena) na mesma passada que a imagem, então um anúncio UGC já pode sair falando, com um ambiente que combina com o lugar, em vez de um clipe mudo esperando dublagem. E ele segura até quinze segundos numa única passada contínua, o que importa mais do que parece: uma tomada significa nenhuma emenda entre momentos, nenhuma luz restabelecida no meio do anúncio, nenhum corte caindo no meio de uma palavra. Para UGC curto, em uma passada, de quinze segundos ou menos, o Seedance costuma ser para onde mandamos, porque ele mantém produto, granulado e som juntos numa tomada limpa. O principal limite é o mesmo de todos os modelos (veja movimento, abaixo): não peça para ele jogar ou derrubar nada.

Seedance 2.5: trinta segundos numa tomada sem cortes

Aí chegou o Seedance 2.5 e mudou o teto sob o qual tudo o que está acima foi escrito. Pedimos trinta segundos. Recebemos 30,08: uma única tomada contínua, com som e zero cortes secos. Não trinta segundos montados a partir de clipes. Trinta segundos em que a câmera simplesmente nunca parou.

Para criativo de anúncio, isso é mais importante do que parece uma simples melhora de especificação. Quinze segundos foram o teto prático de uma tomada gerada desde que essa categoria existe, então qualquer coisa mais longa era costurada: renderizar os momentos separadamente, igualar a luz, esconder as emendas. As emendas são onde um anúncio de IA se entrega. A cor muda um tom, o som ambiente cai por um quadro, o cabelo do ator volta ao lugar entre um momento e outro. Uma passada única de trinta segundos acaba com as emendas acabando com a costura. Um pre-roll inteiro, uma história completa de produto, uma demonstração com começo e fim podem rodar como uma única cena contínua.

O som vem junto. O 2.5 gera áudio sincronizado na mesma passada que a imagem (diálogo, ambiente, os ruídos do lugar), e isso vem ligado por padrão. O custo é o mesmo com o áudio ligado ou desligado. Ele também pega a foto de uma pessoa real e a anima de forma fotorrealista: entregue um rosto e é essa pessoa que aparece na câmera, com textura de pele real, e não uma versão estilizada dela.

A contrapartida é a resolução. O 2.5 renderiza em 480p e 720p, sem opção de 1080p, então um anúncio de destaque que precisa terminar em full HD continua sendo trabalho do 2.0. Que é exatamente o tipo de decisão para a qual o roteamento existe: duração, resolução e se um rosto real precisa aparecer são três perguntas diferentes, e a resposta certa para as três ao mesmo tempo raramente é um modelo só.

Kling 3.0: identidade por referência de rosto, a mesma pessoa em todo render

O ponto forte do Kling 3.0 para anúncios é a identidade. Dê a ele uma imagem de referência de um rosto e ele mantém essa pessoa, com os mesmos traços e a mesma presença, entre tomadas e entre renders. Isso entrega às equipes de performance o que elas realmente querem de atores de IA: um criador recorrente. O rosto que estrelou o hook vencedor da semana passada pode estrelar as três variações desta semana, e o seu público encontra uma pessoa conhecida em vez de um estranho em cada anúncio. Um integrante do elenco que venceu vira um ativo que você reutiliza, e não um lance de sorte que não se repete.

O resto do pacote 3.0 também combina com anúncios. Como o Seedance, ele gera áudio de forma nativa na mesma passada que a imagem. Aceita qualquer duração de três a quinze segundos em vez de travar em durações fixas, o que deixa a tomada se ajustar ao roteiro, e não o contrário. E o image-to-video que fez os Klings anteriores ficarem populares continua excelente: comece de uma imagem estática (uma foto do produto, um quadro-chave, uma arte da marca) e ele adiciona movimento crível, movimentos de câmera e dinamismo controlado, em vez de só mexer de leve numa imagem quase parada.

Onde tomamos cuidado com todos os modelos, Kling incluído, é o movimento balístico: um objeto em voo livre de verdade sob a gravidade. Uma garrafa jogada fica um instante a mais no ar, gira num ritmo constante, cai sem peso. Isso não é uma fraqueza específica do Kling; massa e impulso ainda são difíceis para todos. A solução é coreografia, não escolha de modelo. Mantenha os produtos segurados, girados, apoiados, servidos: movimentos em que uma mão carrega o objeto e o modelo nunca precisa resolver a gravidade sozinho.

Então, qual ganha?

Uma regra prática, do jeito que realmente aplicamos:

• Alguém fala para a câmera e o close importa → Veo 3.1, pela fala nativa com sincronia labial.
• Produto real, segurado ou manuseado, granulado de UGC, uma tomada de até 15 segundos → Seedance 2.5, ancorado numa foto real do produto.
• Um anúncio longo sem nenhum corte, de até trinta segundos → Seedance 2.5, que segura uma tomada contínua do começo ao fim, em 480p ou 720p. Chegando à Hermoso. Hoje o roteamento vai até uma tomada única de quinze segundos e costura qualquer coisa mais longa.
• O mesmo rosto em toda a campanha, ou movimento adicionado a uma imagem estática → Kling 3.0, ancorado numa referência de rosto.

O motivo de isso continuar sendo uma regra prática, e não uma lei, é que os modelos vivem ultrapassando uns aos outros. Uma nova versão pode dar a um modelo um ponto forte que antes era de outro. É exatamente por isso que não pedimos para quem usa escolher: a Hermoso manda cada trabalho para o modelo mais adequado para aquela cena e reajusta o roteamento conforme saem os lançamentos, então a escolha acima acontece automaticamente, a cada render, sem você acompanhar changelog nenhum.

E a escolha do modelo é a menor metade de um bom anúncio, de qualquer forma. Os sinais que entregam um anúncio de IA (pele de cera, texto de rótulo embaralhado, um tom dourado de glamour, física que nenhum objeto obedece) são, na maioria, decisões de pipeline tomadas antes e depois de o modelo rodar. O modelo em si raramente é o culpado. O gerador de anúncios com IA da Hermoso já traz esses ajustes: uma camada de realismo antibrilho, fotos reais do produto compostas nas cenas, todo texto e logo aplicados na pós em vez de pintados pelo modelo, fala nativa reservada para bocas na câmera. O modelo é escolhido por você; o ofício já vem embutido.

Por baixo, o mesmo Studio também pesquisa o que já está vencendo no seu mercado nas bibliotecas de anúncios da Meta, do Google e do LinkedIn, além do TikTok orgânico, então os conceitos já nascem apoiados em criativos comprovados antes de um único quadro ser renderizado. O plano gratuito inclui 250+ créditos grátis que você pode ganhar, sem cartão; os custos exatos aparecem no app antes de cada render. O jeito mais rápido de encerrar o debate sobre modelos é gerar um anúncio com o seu próprio produto e julgar o resultado. O roteamento já terá escolhido por você.

Perguntas frequentes

Qual modelo de vídeo com IA é o melhor para anúncios?

Não existe um único melhor. O Veo 3.1 lidera em áudio nativo e sincronia labial para falas na câmera; o Seedance 2.0, em fidelidade ao produto guiada por referência, áudio nativo e UGC em tomada única de até 15 segundos; o Seedance 2.5, em duração de tomada única (30 segundos medidos sem nenhum corte, com áudio nativo); e o Kling 3.0, em identidade por referência de rosto, a mesma pessoa entre renders, além de image-to-video. A escolha certa depende da cena, e o ranking muda a cada lançamento. A Hermoso manda cada trabalho para o modelo mais adequado.

Qual a duração máxima de uma única tomada gerada por IA?

Trinta segundos, no Seedance 2.5. Pedimos trinta e medimos 30,08 numa única cena contínua, com áudio nativo e sem cortes secos. Antes dele, o teto era quinze segundos, e é por isso que anúncios mais longos vinham sendo costurados a partir de vários clipes. Uma passada só significa nenhuma emenda para esconder: nenhuma mudança de cor, nenhum som ambiente caindo entre um momento e outro. Ele renderiza em 480p e 720p, então um anúncio que precisa terminar em 1080p continua sendo trabalho para uma tomada mais curta.

Qual modelo tem a melhor sincronia labial?

Na nossa experiência, o Veo 3.1, porque ele gera a fala de forma nativa na mesma passada que a imagem, então lábios e áudio vêm de um único processo. O bater de lábios estranho vem de dublar um TTS gerado à parte sobre uma boca renderizada, então reserve isso para cortes em que nenhuma boca aparece.

Qual modelo mantém meu produto real com a aparência certa?

O Seedance 2.0 mantém bem a identidade do produto quando recebe uma foto real como referência e o objeto é composto na cena. Prompts de texto descrevem categorias; imagens de referência fixam a identidade, e é por isso que ancorar numa foto verdadeira ganha de descrever o produto em palavras.

Qual modelo mantém o mesmo ator em toda a campanha?

O Kling 3.0. Dê a ele uma referência de rosto e ele mantém a identidade dessa pessoa entre renders, então um criador recorrente pode estrelar uma série inteira de anúncios em vez de aparecer um rosto novo em cada peça.

Por que vídeos de IA têm dificuldade com objetos jogados ou derrubados?

O movimento balístico (um objeto em voo livre sob a gravidade) é onde a física de todos os modelos atuais ainda quebra de forma visível, não importa qual você use. Coreografe em volta disso: mantenha os produtos segurados, girados, apoiados ou servidos, para que uma mão carregue o objeto e o modelo nunca precise resolver a gravidade sozinho.

Eu preciso escolher o modelo na Hermoso?

Não. A Hermoso manda cada render para o modelo mais adequado para aquela cena e reajusta o roteamento conforme saem novas versões, então você nunca precisa acompanhar changelog nem escolher modelo. Você descreve o anúncio; o roteamento cuida do resto.