H3 Max, Wan 3.0 e GPT Image 2.5: uma poça, cinco modelos de vídeo

Comparar modelos de vídeo pelos posts de lançamento não leva a lugar nenhum: todos são “os mais realistas” e “os melhores da categoria”. Então fizemos algo mais simples. Pegamos um prompt, enviamos para os cinco modelos de vídeo no ChatPlus e cronometramos quanto tempo cada um levou e o que voltou.

O prompt: “Uma rua de outono depois da chuva, golden hour. Uma jovem de capa de chuva amarela pula em uma poça, a água espirra, folhas de bordo giram ao redor dela. Ela ri e diz: ‘O outono chegou!’ Câmera na mão, som natural da rua.”

Dois dos cinco modelos são novos no ChatPlus: H3 Max e Wan 3.0. Também atualizamos o modelo de imagem padrão, então o GPT Image 2.5 agora roda onde antes ficava o GPT Image 2. Vamos passar por eles um a um e, no fim, dizer qual escolher em cada caso.

H3 Max: um clipe antes de o café esfriar

Comece pelo número que faz este modelo valer o teste. Onze segundos. Foi o tempo entre apertar o botão e receber um clipe pronto de cinco segundos com som, incluindo a fila e o download do arquivo. A geração em si leva só alguns segundos na GPU. Os outros modelos precisaram de pouco menos de um minuto a quase quatro minutos para o mesmo prompt.

De onde vem essa velocidade: a base é o MiniMax H3, um modelo de vídeo com pesos abertos da empresa chinesa MiniMax. A equipe da fal, uma das maiores plataformas para rodar modelos generativos, fez pós-treinamento nele e o reconstruiu para seus próprios servidores. O resultado saiu como H3 Max no fim de agosto. Pelas medições deles, a taxa de processamento aumentou cerca de 35 vezes em comparação com o H3 original e, em comparações cegas, nas quais espectadores escolhem o melhor entre dois clipes sem saber qual modelo fez qual, o H3 Max venceu uma dúzia de concorrentes.

Velocidade não é o único ponto forte. O H3 Max sempre gera som: ruído de rua, passos, risadas, falas curtas. No nosso teste, a mulher pulou na poça, as folhas giraram ao redor dela e a frase do prompt saiu clara. Não há chave para ligar ou desligar o som — e nem precisa, porque o áudio não custa nada a mais.

H3 Max, 11 segundos do pedido ao arquivo. Ligue o som para ouvir a frase no final.

Agora, os limites com sinceridade. A resolução é 768p, abaixo de Full HD. É mais que suficiente para stories, reels e rascunhos, não para uma tela grande. E, em cenas complexas com movimento rápido, o H3 Max é mais simples que os modelos caros: os detalhes ficam um pouco mais suaves e a física da água é mais modesta.

O preço compensa: 40 créditos de mídia por segundo, então um clipe de cinco segundos sai por 200 créditos. É o vídeo mais barato do ChatPlus. Nosso jeito de usar: testar cinco ou dez versões de um prompt, encontrar a ideia que funciona e, se quiser, mandar a versão final para um modelo mais caro.

Wan 3.0: vídeo com cara de filmado no celular

Wan é a família de modelos de vídeo da Alibaba. A terceira geração entrou em beta no início de agosto de 2026 e ficou disponível para todos em 24 de agosto. A Alibaba se concentrou em pessoas: rostos verossímeis de todos os tipos, expressões naturais, movimento sem aquele aspecto plastificado que muitos modelos de IA têm.

O modelo faz mais do que usamos hoje. Nativamente, ele gera clipes de até 30 segundos e aceita texto, imagens, áudio e até vídeo como entrada. No ChatPlus, você pode criar clipes de 5, 10 ou 15 segundos em 720p, a partir de uma descrição ou da sua própria foto.

No nosso teste, o Wan fez o clipe mais cotidiano dos cinco. Nada de brilho publicitário: uma rua comum, botas de borracha, folhas voando direto na lente. Parece mais um vídeo que uma amiga gravou no celular, exatamente o que “câmera na mão” pedia. O som e a fala aparecem.

Wan 3.0, 2 minutos e 37 segundos. O material com mais cara de celular entre os cinco.

Esperamos mais de dois minutos e meio. Isso é normal para modelos de vídeo nesse nível, mas depois do H3 Max parece uma eternidade.

Em preço, o Wan 3.0 fica no meio: 50 créditos de mídia por segundo, e o som não muda o custo. Um clipe de cinco segundos sai por 250 créditos. O Kling 3 Pro com som custa 420, e o Seedance Pro, 760. Se você precisa de uma pessoa convincente na tela sem pagar demais, comece pelo Wan.

Um prompt, cinco modelos

Veja como os cinco se saíram. O tempo vai do pedido ao arquivo pronto; o preço é para um clipe daquela duração com som.

Veo 3.1 do Google entregou o plano mais cinematográfico: sol direto na lente, um tapete de folhas vermelhas junto ao meio-fio, um grande splash, tudo com cara de comercial. O som do Veo é o melhor do grupo, uma trilha mixada em vez de ruído jogado por cima. Também é o segundo mais caro no ChatPlus. Para rascunhos, existe o Veo 3.1 Fast: mais rápido e muito mais barato.

Veo 3.1, 54 segundos. Contraluz e cor com cara de comercial.

Kling 3 Pro seguiu outro caminho. Durante o clipe inteiro, a câmera ficou nos pés dela e nos respingos; ouvimos a frase, mas nunca vimos o rosto. O modelo não errou — só leu “pula em uma poça” de forma literal. A força real do Kling está em outro lugar: dar vida a fotos, como veremos abaixo.

Kling 3 Pro, 1 minuto e 46 segundos. Botas, respingos e reflexos, mas sem rosto.

Seedance Pro da ByteDance levou mais tempo e mostrou o tratamento mais cuidadoso do movimento. Lâminas limpas de água saltando da poça, folhas congeladas no ar e uma câmera que vai de um plano aberto até o rosto dela rindo, como se um operador estivesse correndo ao lado.

Seedance Pro, 3 minutos e 54 segundos. De plano aberto a close em uma tomada só.

A conclusão: não existe um único “melhor” modelo. Cada um tem sua personalidade, e o certo depende do trabalho.

GPT Image 2.5 substitui o GPT Image 2

Agora, imagens. Em 8 de setembro, a OpenAI lançou o GPT Image 2.5 em duas versões. Sunburst é a precisa: segue melhor o prompt e é melhor para editar imagens existentes. Flare é a mais rápida e simples. O ChatPlus usa Sunburst.

O GPT Image 2 já era nosso padrão porque é muito bom com texto dentro de imagens. A versão 2.5 é ainda mais caprichada com lettering e segura melhor prompts longos cheios de detalhes. Testamos com o mesmo tema de outono: a mulher de capa de chuva amarela em uma mesa de café com uma xícara de chocolate quente, mais texto escrito à mão na vitrine. Pouco mais de meio minuto depois, tínhamos a imagem, com um título manuscrito no vidro e uma pequena linha de preço embaixo, sem nenhuma letra quebrada. Ele ainda adicionou por conta própria um quadro de menu ao fundo, que também saiu limpo.

GPT Image 2.5, 36 segundos. As duas linhas no vidro saíram certas de primeira.

As edições também ficaram mais confiáveis. Envie uma foto e diga o que mudar: o modelo altera o que você pediu e tem menos chance de redesenhar o resto.

Os preços não mudaram: 10 créditos de mídia por imagem em qualidade padrão e 50 em alta. Se você tinha o GPT Image 2 selecionado, não precisa fazer nada: o gerador mudou sozinho para o 2.5. Teste o GPT Image 2.5.

Primeiro a imagem, depois o vídeo

O resultado mais interessante do teste aconteceu por acaso. Pegamos aquela imagem do café feita no GPT Image 2.5 e a entregamos ao Kling 3 Pro para animar. O vapor subiu do chocolate, gotas escorreram pelo vidro, a mulher sorriu. E o texto na vitrine não deformou em nenhum frame, embora texto costume ser a primeira coisa que modelos de vídeo quebram.

Imagem pelo GPT Image 2.5, movimento pelo Kling 3 Pro.

Isso dá uma receita confiável para capas, cartões e clipes para redes sociais. Primeiro desenhe o frame perfeito no GPT Image 2.5: barato e com o texto certo. Depois dê vida a ele no Kling 3 Pro ou no Wan 3.0. É muito mais previsível do que descrever a cena inteira em palavras e torcer para o modelo de vídeo organizar tudo corretamente.

Um porém. O Seedance Pro não anima fotos de pessoas reais, porque a ByteDance bloqueia isso. Para retratos e fotos de família, use o Kling 3 Pro: ele mantém o rosto reconhecível do primeiro ao último segundo.

Qual modelo escolher

Em resumo, depende do trabalho.

Rápido e barato — testar uma ideia, fazer um story, experimentar variações de prompt — H3 Max. Cerca de dez segundos e 200 créditos por tentativa.

Uma pessoa com aparência real em uma cena cotidiana, sem cara de publicidade — Wan 3.0. Som incluído, preço intermediário.

Dar vida à sua própria foto — Kling 3 Pro. Rostos, roupas e lettering permanecem como estavam na imagem.

Um clipe cinematográfico com som de qualidade de filme — Veo 3.1, e Veo 3.1 Fast para rascunhos.

Movimento complexo — dança, esporte, água, mudanças de plano — Seedance Pro, se você topar esperar e pagar mais.

Você pode trocar de modelo direto no gerador de vídeo, por exemplo começando pelo H3 Max. Vídeo e imagens usam os mesmos créditos de mídia, e o preço de um clipe aparece antes de você começar.

Em resumo

O ChatPlus tem dois novos modelos de vídeo. H3 Max é a versão acelerada pela fal do MiniMax H3: um clipe com som em cerca de dez segundos, 200 créditos de mídia por cinco segundos, 768p. Wan 3.0 da Alibaba traz pessoas realistas e movimento natural, com som incluído no preço, 250 créditos por cinco segundos. O modelo de imagem padrão agora é o GPT Image 2.5 da OpenAI: mais limpo com texto e edições, com os mesmos preços de 10 e 50 créditos. No nosso teste com um único prompt, o H3 Max foi o mais rápido, o Veo 3.1 o mais cinematográfico, e o Seedance Pro o mais cuidadoso com movimento.