Benchmark de realismo do Google DeepMind: filmagens que passam por reais, com som ambiente e diálogo falado gerados na mesma passagem. Digite um prompt abaixo e experimente.
Desenvolvedor
Google DeepMind
Tipo
Texto / imagem para vídeo
Áudio
Nativo, com diálogo
Duração
8 s por clipe
Saída máx.
1080p
Tempo de renderização
1–3 min
Nível aqui
Créditos pagos
Nosso veredito em uma linha: quando o clipe precisar passar por filmagem, renderize-o no Veo. Quando você ainda estiver explorando, faça primeiro um rascunho nos níveis rápidos.
Veo é o modelo pelo qual os recém-chegados são avaliados. Todo carro-chefe lançado neste verão — Seedance 2.5, MiniMax H3, Wan 3.0, FLUX 3 — colocou o Veo em seus gráficos comparativos, porque ele tem as duas coisas mais difíceis de falsificar: realismo físico que resiste ao escrutínio e um histórico mais longo do que uma semana de lançamento. Seu áudio nativo ainda faz o que a maioria dos rivais não consegue: uma fala entre aspas no prompt volta falada, sincronizada com o rosto.
Julgado com base nas nossas próprias renderizações e no registro publicado, revisado à medida que os fatos mudam — isso é um recurso desta página, não uma isenção de responsabilidade.
• Realismo físico.
A luz ricocheteia, os tecidos caem naturalmente, os líquidos escorrem como líquidos. O menor número de “sinais de AI” entre tudo o que hospedamos, e a resposta padrão quando um cliente vai olhar de perto.
• Áudio nativo com diálogo.
Ambiência, efeitos e falas curtas sincronizados com a ação. Escreva o som no prompt e ele é renderizado — sem etapa de trilha sonora.
• Aderência ao prompt.
As instruções de câmera — dolly, pan, rack focus — são seguidas, não apenas usadas como inspiração. Prompts de lista de tomadas rendem mais aqui do que em qualquer outro lugar.
• Histórico comprovado.
Classificações independentes, meses de uso em produção, modos de falha conhecidos. Em um verão de carros-chefe com uma semana de idade, a confiabilidade entediante é um recurso.
• Limite de 8 segundos.
Os clipes mais curtos da nossa linha atual — Seedance 2.5 chega a 30 segundos, FLUX 3 a vinte. Peças mais longas significam encadear e planejar cortes.
• Custo e velocidade.
1–3 minutos por renderização com o maior custo de créditos aqui. É o modelo de finalização, não o modelo de esboço.
• Filtros mais rigorosos.
Figuras públicas, crianças, violência — recusados no nível do modelo. Trabalhos bloqueados não consomem créditos aqui, mas espere ter que reformular um pouco.
• Animação estilizada.
Os visuais de anime e artesanais saem estranhamente brilhantes. FLUX 3 e Seedance lidam melhor com a estilização.
Copie para o gerador acima, troque os colchetes, renderize.
"Close-up médio de um [pescador marcado pelo tempo] em um cais ao amanhecer, olhando um pouco além da câmera. Ele diz: 'A tempestade vai chegar cedo este ano.' Gaivotas ao longe, corda rangendo. Luz nublada, estilo documental."
O diálogo entre aspas gera áudio falado sincronizado com o rosto. Mantenha as linhas com menos de ~10 palavras. A demonstração ao lado do gerador é exatamente este prompt.
"Órbita lenta de 180° ao redor de uma [máquina de espresso preto fosco] sobre uma bancada de concreto. O vapor sobe; ouvimos o baixo chiado da haste de vapor e uma suave ambiência de café. Luz matinal da janela, pouca profundidade de campo, 35mm."
Escrever o áudio no prompt ('ouvimos...') é a jogada específica do Veo — metade do valor está nessa frase.
Carregar: uma imagem estática
"Movimento sutil de câmera na mão, como se fosse filmado com um telefone. [subject] respira e desloca o peso naturalmente; o fundo permanece fixo. Tom ambiente silencioso do cômodo, trânsito distante."
"Como se fosse filmado em um telefone" dá realismo à física, e instruções mínimas de movimento impedem que os rostos se desloquem na conversão de imagem para vídeo.
Três modelos nativos de áudio. Os mesmos prompts nos três, avaliados pelo que lançaríamos — esta tabela espelha a da página do FLUX 3, então os dados batem onde quer que você chegue. Todos os três selecionáveis no gerador acima.
O modelo de geração de vídeo da Google DeepMind — o mais forte em criar filmagens que parecem reais, com áudio gerado nativamente junto com a imagem: ambiência, efeitos e diálogos curtos. Funciona a partir de texto ou anima uma imagem estática, até 1080p, 8 segundos por clipe.