Geração de Vídeo

Gere clipes de vídeo a partir de texto ou imagens e dê vida a imagens estáticas.

Disponível
46de 91
Fornecedores
15
Faixa de preço
US$ 0,0016 – US$ 4,80por execução padrão

46 modelos

  • Google Veo 3.1

    Google DeepMind

    Novo

    Latest Veo with image-to-video and context-aware audio

    audioi2v

    Modalidades: Vídeo

    US$ 0,48/s

  • Kling v3

    Kuaishou (Kling)

    Novo

    Cinematic video up to 15s with multi-shot and native audio

    audioi2v

    Modalidades: Vídeo

    US$ 0,2688/s

  • Kling v3 Omni

    Kuaishou (Kling)

    Novo

    Most versatile: multi-reference images, video editing, native audio

    audioi2vediting

    Modalidades: Vídeo

    US$ 0,2688/s

  • Novo

    Top-ranked for motion quality and visual fidelity

    top-quality

    Modalidades: Vídeo

    US$ 0,144/s

  • Google Veo 2

    Google DeepMind

    Google's state-of-the-art video generation model. Simulates real-world physics with various visual styles.

    high-quality

    Modalidades: Vídeo

    US$ 0,60/s

  • Google's Veo 3 served via Replicate. Text-to-video with native synchronized audio generation. High-fidelity motion and scene coherence in short clips.

    veotext-to-videoaudio

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,48/s

  • Tencent's HunyuanVideo, a 13B open-weights text-to-video diffusion transformer. Produces high-motion, photorealistic clips with smooth temporal consistency and was one of the first open models to rival closed systems on motion quality.

    hunyuanvideotext-to-video

    Modalidades: Texto, Vídeo

    ≈ US$ 3,06/execução

  • Kling v2.1

    Kuaishou (Kling)

    Kuaishou's Kling v2.1, generating 5 and 10 second videos at 720p or 1080p from text or an image. Known for cinematic camera work and realistic physical motion, available on Replicate via the official KwaiVGI account.

    videotext-to-videoimage-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,060/s

  • Kling v2.1 Master

    Kuaishou (Kling)

    Kuaishou's premium Kling v2.1 Master. Generates 1080p 5s and 10s clips from text or an image with strong dynamics and prompt adherence. The top tier of the Kling 2.1 family.

    text-to-videoimage-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,336/s

  • MiniMax Hailuo 02 on Replicate. Text-to-video and image-to-video producing 6s or 10s clips at 768p standard or 1080p pro. Known for accurate real-world physics and stable motion.

    hailuotext-to-videoimage-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,324/vídeo

  • Runway's Gen-4 Turbo on Replicate. Fast image-to-video generation producing 5s and 10s clips at 720p with strong character and scene consistency across shots.

    gen-4image-to-videofast

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,060/s

  • Google Veo 3 Fast

    Google DeepMind

    Novo

    Faster cheaper Veo 3 with audio

    fastaudio

    Modalidades: Vídeo

    US$ 0,18/s

  • Google Veo 3.1 Fast

    Google DeepMind

    Novo

    Faster Veo 3.1 with image-to-video and audio

    fastaudioi2v

    Modalidades: Vídeo

    US$ 0,18/s

  • Novo

    xAI video with native audio and lip-sync, up to 15s

    audioi2v

    Modalidades: Vídeo

    US$ 0,060/s

  • Hailuo 2.3

    MiniMax

    Novo

    Minimax model for realistic human motion and VFX

    i2v1080p

    Modalidades: Vídeo

    US$ 0,336/vídeo

  • Kling V2.5 Turbo Pro

    Kuaishou (Kling)

    Novo

    Kling 2.5 Turbo Pro: Unlock pro-level text-to-video and image-to-video creation with smooth motion, cinematic depth, and remarkable prompt adherence.

    kwaivgitext-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,084/s

  • Novo

    Fast affordable video with I2V support

    fastbudgeti2v

    Modalidades: Vídeo

    US$ 0,072/s

  • Novo

    Physics-accurate video generation up to 1080p

    i2v1080pphysics

    Modalidades: Vídeo

    US$ 0,084/s

  • Novo

    A faster and cheaper version of Seedance 1 Pro

    text-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,072/s

  • Seedance Lite

    ByteDance

    Novo

    Budget ByteDance video, fast and cheap

    budgeti2vfast

    Modalidades: Vídeo

    US$ 0,0432/s

  • Seedance Pro

    ByteDance

    Novo

    ByteDance video with T2V and I2V, up to 1080p

    i2v1080p

    Modalidades: Vídeo

    US$ 0,18/s

  • Wan 2.2 5B Fast

    Alibaba (Wan)

    Novo

    The fastest Wan 2.2 text-to-image and image-to-video model

    wan-videotext-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,030/vídeo

  • Novo

    Ultra-cheap I2V. Upload image and animate it.

    budgeti2vfast

    Modalidades: Vídeo

    US$ 0,060/vídeo

  • Novo

    Ultra-cheap T2V for pennies

    budgetfast

    Modalidades: Vídeo

    US$ 0,060/vídeo

  • Wan 3

    Alibaba (Qwen)

    Novo

    (50% off until Aug 30!) - Wan 3.0 generates video from a text prompt or a starting image, with cinematic motion and support for 480p, 720p, and 1080p output up to 30 seconds.

    text-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,12/s

  • AnimateDiff

    Community

    Plug-and-play motion module that animates personalized Stable Diffusion models without further training. 16-frame clips at 512x512.

    animationanimatediffopen-source

    Modalidades: Texto, Imagem, Vídeo

    ≈ US$ 0,1201/execução

  • ByteDance distillation of AnimateDiff. 4-step sampling for over 10x faster inference at comparable quality to multi-step base model.

    animationbytedancefast

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,00117/GPU s

  • CogVideoX-5B

    Community

    CogVideoX-5B from Tsinghua/Zhipu AI, an open 5B-parameter text-to-video diffusion transformer. Generates 6-second 720p clips with coherent motion and is widely used in research for its open weights and reproducibility.

    cogvideoxzhipuvideo

    Modalidades: Texto, Vídeo

    ≈ US$ 0,60/execução

  • Zhipu/Tsinghua's 5B open text-to-video model. 720x480 @ 8fps, 6s clips, image-to-video variant available.

    tsinghuacogvideoxtext-to-video

    Modalidades: Texto, Imagem, Vídeo

    ≈ US$ 0,4081/execução

  • EchoMimic

    Community

    Ant Group EchoMimic. Lifelike audio-driven portrait animation with editable landmark conditioning for fine-grained motion control.

    lipsyncant-groupportrait-animation

    Modalidades: Imagem, Vídeo, Áudio

    ≈ US$ 0,48/execução

  • Google FILM frame interpolation. Synthesizes high-quality intermediate frames between near-duplicate inputs, designed for large motion gaps.

    upscaleframe-interpolationopen-source

    Modalidades: Imagem, Vídeo

    ≈ US$ 0,0016/execução

  • LivePortrait

    Community

    Kuaishou LivePortrait. Efficient portrait animation driven by reference videos with stitching, retargeting and motion-control parameters.

    lipsynckuaishouportrait-animation

    Modalidades: Imagem, Vídeo

    ≈ US$ 0,0949/execução

  • Lightricks' 2B DiT video model. Realtime generation on consumer GPUs (~6s @ H100, 24fps).

    ltxtext-to-videoopen-weights

    Modalidades: Texto, Imagem, Vídeo

    ≈ US$ 0,0229/execução

  • Luma Labs' Ray-2 at 720p on Replicate. Text and image-to-video producing 5s and 9s clips with fast, coherent motion and strong camera control. Successor to Dream Machine.

    ray-2text-to-videoimage-to-video

    Modalidades: Texto, Imagem, Vídeo

    US$ 0,216/s

  • MagicAnimate

    Community

    ByteDance MagicAnimate. Temporally consistent human-image animation driven by a DensePose motion sequence with strong identity preservation.

    animationhuman-motionbytedance

    Modalidades: Imagem, Vídeo

    ≈ US$ 0,4081/execução

  • MiniMax's video generation model. Fast, high-quality video output with text-to-video capabilities.

    fastaffordable

    Modalidades: Vídeo

    US$ 0,60/vídeo

  • Mochi 1

    Genmo

    Genmo's Mochi 1, an open text-to-video model with high-fidelity motion built on a 10B Asymmetric Diffusion Transformer. Released under Apache 2.0, it was the largest open video model at launch and is strong on smooth, physically plausible movement.

    mochivideotext-to-video

    Modalidades: Texto, Vídeo

    ≈ US$ 0,5041/execução

  • Mochi 1

    Community

    Genmo's 10B open-weights text-to-video model. AsymmDiT architecture, 5.4s @ 480p.

    genmomochitext-to-video

    Modalidades: Texto, Vídeo

    ≈ US$ 0,5041/execução

  • MuseTalk

    Community

    Tencent MuseTalk real-time lip-sync model. Audio-driven mouth-region editing in latent space at 30+ fps on a single GPU.

    lipsynctencentrealtime

    Modalidades: Vídeo, Áudio

    ≈ US$ 0,0624/execução

  • Real-Time Intermediate Flow Estimation. Doubles or quadruples FPS of an existing video via learned optical-flow-based frame interpolation.

    upscaleframe-interpolationopen-source

    Modalidades: Vídeo

    ≈ US$ 0,0444/execução

  • SadTalker

    Community

    Stylized audio-driven talking-head generator. Synthesizes 3D motion coefficients from audio to animate a single portrait image with natural head movements.

    lipsynctalking-headopen-source

    Modalidades: Imagem, Vídeo, Áudio

    ≈ US$ 0,1165/execução

  • SwinIR Video

    Community

    SwinIR transformer-based super-resolution and denoising applied per-frame to video. Handles classic, real-world and lightweight upscaling.

    upscaletransformeropen-source

    Modalidades: Vídeo

    ≈ US$ 0,0277/execução

  • ToonCrafter

    Community

    Tencent ToonCrafter generative cartoon interpolation model. Synthesizes smooth in-between frames between two cartoon keyframes.

    animationtooncrafterinterpolation

    Modalidades: Imagem, Vídeo

    ≈ US$ 0,0852/execução

  • V-Express

    Community

    Tencent V-Express. Audio-driven portrait animation with progressive training, weak-condition learning, and expressive lip sync.

    lipsynctencentportrait-animation

    Modalidades: Imagem, Vídeo, Áudio

    US$ 0,00168/GPU s

  • VideoCrafter

    Community

    Tencent VideoCrafter latent video diffusion. Text-to-video and image-to-video generation up to 2s at 1024x576 with strong motion fidelity.

    upscalevideo-generationtencent

    Modalidades: Texto, Imagem, Vídeo

    ≈ US$ 0,1561/execução

  • Wav2Lip

    Community

    Lip-sync model that re-syncs a target video's lip movement to an arbitrary audio track. Robust to identity and language with a lip-sync discriminator loss.

    lipsyncvideo-editopen-source

    Modalidades: Vídeo, Áudio

    ≈ US$ 0,0067/execução

45 modelos indisponíveis no momento

As páginas permanecem online, mas os modelos não podem ser executados no momento.

Modelos de geração de vídeo para marketing, motion e prototipagem

Os modelos de vídeo transformam um prompt — ou um frame estático, ou um pequeno clip de referência — em imagem em movimento. É a categoria mais jovem e volátil do catálogo: a cada trimestre surge um novo flagship que recoloca o nível de qualidade. Recorra a um quando precisar de conteúdo em movimento mais depressa do que um editor humano consegue produzir.

Preços, compensações e armadilhas

O pricing em vídeo é sobretudo por segundo de output e não por token. No Railwail, um clip de cinco segundos custa hoje entre 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) e 3,00 USD (Veo 2); o Veo 3 com áudio custa 0,48 USD por segundo. Os tiers com som custam mais do que os mudos. Os multiplicadores de resolução somam-se à duração: 720p é o padrão, 1080p custa cerca de 2× mais e 4K é raro e caro.

O compromisso aqui é duração versus coerência. A maioria dos modelos comerciais limita o output a cinco-dez segundos porque clips mais longos derivam — personagens trocam de roupa, fundos transformam-se e a física falha. Para narrativas mais longas, gere uma sequência de planos mais curtos e cole em pós-produção. O image-to-video (frame inicial + prompt de movimento) costuma produzir resultados mais estáveis do que o puro text-to-video, sobretudo para personagens e planos de produto.

Atenção à duração dos clips: a maior parte dos modelos gera entre quatro e dez segundos por chamada (Kling v2.1: 5 ou 10 s, Veo 3.1 Fast: 4, 6 ou 8 s), e a qualidade tende a baixar no limite superior. Se o argumento exige mais, planeie vários planos. Atenção também ao som: muitos modelos saem mudos e tem de sobrepor áudio à parte — o Veo 3 e o Veo 3.1 são exemplos de modelos que geram áudio.

As top picks acima cobrem o líder de realismo flagship, o cavalo de batalha mais barato, o modelo de clip mais longo e a opção de preview mais rápida da categoria.

Tarefas típicas

  • Anúncios sociais de formato curto
  • Demos de produto e explainers
  • Videoclips e curtas estilizadas
  • Storyboards para rodagens live-action
  • B-roll gerado por IA
  • Protótipos de animação de personagens

Guias por caso de uso

Comparações de modelos

Perguntas frequentes

Que modelo de vídeo é o mais realista?

O Veo 3 e o Veo 3.1 destacam-se em movimento foto-realista, física e áudio integrado. O Runway Gen-4 e o Kling v2.1 ficam próximos em qualidade visual mas saem mudos. Para output artístico e estilizado, o Pika e o Dream Machine batem flagships com frequência por uma fração do custo.

Que duração pode ter um clip gerado?

A maior parte dos modelos gera 4 a 10 segundos por chamada — por exemplo, Kling v2.1 5 ou 10 segundos e Veo 3.1 Fast 4, 6 ou 8 segundos. Clips mais longos custam mais. Para além dos 10 segundos, vale a pena gerar uma sequência de planos e editar em conjunto — a deriva de qualidade domina hoje sobre a duração em chamada única.

O pricing de vídeo é por segundo ou por chamada?

Sobretudo por segundo de output. No Railwail, um clip de 5 segundos custa hoje entre 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) e 3,00 USD (Veo 2); alguns modelos como Hailuo ou Wan são faturados por clip. Os tiers com som e resoluções a partir de 1080p custam mais. Cada página de modelo mostra o preço de uma execução padrão.

Posso gerar vídeo a partir de uma imagem inicial?

Sim — image-to-video é hoje o workflow mais fiável. Forneça um frame estático mais um prompt de movimento e obtém output muito mais estável do que apenas a partir de texto, sobretudo para animação de personagens e planos de produto. A maior parte dos flagships suporta ambos os modos.

O áudio está incluído?

O Veo 3 e o Veo 3.1 conseguem gerar áudio sincronizado (diálogo, efeitos sonoros, música). Muitos outros modelos produzem vídeo mudo — gera o áudio à parte com um modelo TTS ou de música e sobrepõe-no na pós-produção. Verifique o suporte de áudio na página do modelo antes de integrar.

Que resoluções são suportadas?

Os tiers padrão entregam 720p. Os tiers Pro acrescentam 1080p a cerca de 2× do custo. O output 4K é raro e caro em 2026; para finais em resolução mais alta, faça upscaling em pós com um upscaler de vídeo dedicado.

Quão rápida é a geração de vídeo?

O tempo de relógio depende do modelo: 30 segundos a 2 minutos para um clip de 5 segundos em infraestrutura flagship, 5-15 minutos em GPUs partilhadas open-weights. Planeie uma UX assíncrona — mostre progresso e permita que o utilizador volte mais tarde.

Há direitos de uso comercial concedidos?

Os tiers comerciais (Veo, Runway, Kling Pro, Pika) concedem uso comercial perpétuo e isento de royalties. Alguns modelos open-weights de investigação restringem-se ao uso não comercial — a licença está listada em cada página de modelo. Leia antes de colocar o output numa campanha paga.

Criar com uma API

Todos os modelos disponíveis através de uma API compatível com OpenAI. Créditos pré-pagos em USD, sem assinatura.