Ranking de modelos de vídeo de outubro de 2026: Luma Ray 3.14 vence com o mesmo prompt por 5 tokens

Doze modelos de vídeo, uma tarefa, 8 segundos de vídeo

Doze redes neurais de vídeo, um único prompt de texto, condições idênticas: 720p, 16:9, 8 segundos, sem nenhuma dica sobre o comportamento específico de cada modelo. O teste foi feito em 9 de outubro de 2026. Pela pontuação total, o vencedor foi o Luma Ray 3.14 (9,1 de 10), que cumpriu a tarefa em dois minutos por 5 tokens — o mais barato de toda a lista. O Seedance 2.5 cumpriu a tarefa sem nenhuma concessão e entregou a melhor imagem, mas custou 138,7 tokens — 27 vezes mais que o líder.

Em março de 2026, a OpenAI encerrou o Sora, o modelo com o qual todos os outros eram comparados apenas um ano antes. Ninguém ocupou totalmente o lugar dele no ranking: doze geradores dividiram esse espaço. As fichas técnicas dos demais são bastante parecidas entre si (1080p, som, 10 a 15 segundos, suporte a imagens de referência), e os rankings comuns só comparam esses números. A diferença em como um modelo realmente funciona só aparece quando ele é testado em uma tarefa real.

Metodologia: por que 8 segundos e 720p

O 720p foi escolhido de propósito, mesmo que metade dos modelos trabalhe com resoluções maiores. Comparar 4K com 720p não faria sentido: a diferença de resolução ofuscaria qualquer diferença de qualidade. Os doze modelos foram testados nas mesmas condições.

Os 8 segundos foram escolhidos porque o Veo 3.1 não gera mais que isso em uma única execução. Colocar 8 segundos ao lado de 15 não seria justo. Cada modelo foi executado apenas uma vez (na prática, geralmente são necessárias várias tentativas). É mais interessante ver se os modelos acertam já na primeira tentativa. Mesmo nesse cenário, o Veo 3.1 entregou um dos resultados mais fracos da metade superior da lista.

Foram avaliados: se o objeto se mantém consistente do primeiro ao último quadro, como fogo, vapor, fumaça e água se comportam, e se o modelo realmente seguiu o prompt. O som foi avaliado separadamente: Runway e Luma não geram som próprio. O Grok Imagine 1.5 Preview e o Runway Gen-4 Turbo só funcionam a partir de um quadro inicial, não a partir de texto. Para esses dois, foi gerado um quadro inicial usando os próprios modelos de imagem de cada um (Grok Frames e Runway Frames), e o vídeo foi então gerado a partir dessa imagem — ainda assim, uma única execução, como para os demais.

Resultados: os doze modelos, em ordem

Luma Ray 3.14 (9,1/10, 5 tokens, 2 minutos) — a melhor relação preço-velocidade. Exige correção de cor, não gera som, sem suporte a referência de personagem.

Seedance 2.5 (138,7 tokens, 6 minutos) — o único que cumpriu a tarefa sem concessões, melhor qualidade de imagem, o mais caro do teste.

Gemini Omni Flash 1.1 (10,5 tokens, 1 minuto) — econômico e rápido, com teto de 720p e dez segundos.

Kling 3.0 (3 a 15 segundos) — som e sincronia labial sem falhas, funciona bem em cenas com vários planos e diálogos.

Wan 2.7 (3,2/10, 10 minutos de geração) — perde nas três categorias avaliadas.

Veo 3.1 — sua única execução acabou sendo a mais fraca de toda a metade superior da lista.

Grok Imagine 1.5 Preview — só funciona a partir de um quadro inicial; não pode ser executado a partir de texto.

Runway Gen-4 Turbo — só funciona a partir de um quadro inicial.

Outros quatro modelos da lista aparecem na tabela-resumo, mas o material original não traz uma análise individual deles.

Como as pontuações foram calculadas

A pontuação final é composta por três partes: qualidade de imagem e aderência ao prompt (80%), velocidade de geração (10%) e economia de tokens (10%). A qualidade pesa mais porque um vídeo é encomendado, acima de tudo, pela imagem. Velocidade e preço só ajustam essa base.

A escala de velocidade é linear: 1 minuto = 10 pontos, 10 minutos = 1 ponto. A economia de tokens: 5 tokens = 10 pontos, 138,7 tokens = 1 ponto (os tokens são pontuados pela dispersão dentro da lista, não pelo número absoluto).

As doze execuções passaram pelo mesmo ambiente, pela mesma conta e pelo mesmo formato de contabilização de tokens. Cada serviço conta os tokens de um jeito diferente, e o consumo entre plataformas distintas não pode ser somado diretamente. Aqui, uma única unidade de medida foi usada em todo o teste, por isso os números são comparáveis.

O prompt do teste foi deliberadamente complexo (uma rua, macarrão, fogo, vapor, chuva, neon, movimento de câmera, mãos em primeiro plano, filme 35mm, pouca profundidade de campo) — uma tarefa simples demais não teria revelado as diferenças.