Veo 2 e Kling 2 liberados: vídeo SOTA via API

O gargalo nunca foi criatividade, foi custo por segundo

Geração de vídeo com Veo 2 e Kling 2 finalmente saiu do demo fechado e chegou à API geral para desenvolvedores. E a primeira pergunta que importa para quem opera não é sobre qualidade, é sobre conta. Quanto custa cada segundo, quanto tempo leva para retornar e o que dá para colocar em produção sem estourar orçamento. Depois de testar mentalmente os números e o fluxo, a sensação é clara. Estamos diante do melhor vídeo generativo já liberado via API, mas também do mais caro e imprevisível para escalar.

O fato

O Google colocou o Veo 2 na API do Gemini, depois de uma passagem inicial pela Fal, e também liberou acesso via Gemini Advanced e Whisk para uso criativo. O preço oficial gira em torno de 0,35 dólar por segundo de vídeo gerado. Na prática, um clipe de 10 segundos sai por cerca de 3,50 dólares, sem contar retries, variações e testes de prompt. Do outro lado, o Kling 2, desenvolvido na China, também entrou em disponibilidade geral para desenvolvedores. O custo divulgado fica perto de 2 dólares por clipe de 10 segundos, mas com um detalhe que muda tudo para time pequeno. A venda é em pacotes, com mínimo de cerca de 700 dólares por mês por 3 meses. Ou seja, não é pay as you go de verdade. É compromisso.

Os dois modelos lideravam o Video Arena Leaderboard na época do lançamento, o que ajuda a explicar o barulho. Não é só mais um gerador de vídeo. São os dois topos do ranking liberados no mesmo período, com vídeos de demonstração que realmente impressionam em realismo, movimento de câmera, consistência de personagem e física. Para quem acompanha Sora contra Veo contra Kling, essa foi a semana em que a disputa saiu do Twitter e foi para o endpoint.

Como funciona na visão de quem vai operar

Pense nos dois como APIs assíncronas de render, não como LLM de resposta instantânea. Você envia prompt de texto, e opcionalmente imagem de referência, define duração, proporção e parâmetros de segurança, recebe um job id e faz polling até o vídeo ficar pronto. Latência real varia de 1 a 5 minutos para clipes curtos de 5 a 10 segundos, dependendo da fila e da resolução. Não dá para usar em fluxo síncrono de produto. Você precisa de fila, webhook, storage intermediário e UX que esconda a espera.

Arquitetura provável por trás é difusão de vídeo com backbone transformer, condicionada em texto e imagem, com upscaler separado. Isso explica o custo por segundo quase linear e a sensibilidade a movimento complexo. Quanto mais movimento de câmera, mais gente em cena e mais interação física, maior o tempo de inferência e maior a chance de artefato. Minha inferência técnica, sem confirmação oficial completa, é que o Veo 2 roda em TPU com pipeline em duas etapas, geração base em baixa resolução seguida de refinamento temporal. O Kling 2 parece seguir lógica parecida em cluster de GPU, com foco forte em coerência temporal, o que justificaria a qualidade elogiada em rostos e roupas.

No custo, faça a conta de operador. No Veo 2, 0,35 dólar por segundo significa 21 dólares por minuto bruto. Com taxa de acerto típica de 1 em 3 para um clipe bom, e mais 2 variações por rodada, um minuto utilizável facilmente passa de 60 a 80 dólares. No Kling 2, o custo unitário parece menor, mas o ticket de entrada de 2.100 dólares no trimestre trava teste pequeno. Para validar prompt, você vai queimar centenas de dólares antes de ter um template estável. E ainda tem egress de CDN, armazenamento e reencode para web, que ninguém coloca no marketing.

O que isso muda na prática

Quem ganha agora são estúdios pequenos, agências de performance e times de produto que precisam de B-roll sintético, mockup de campanha e protótipo rápido. Antes você precisava de diária de captação, banco de imagens caro ou 3D pesado. Agora dá para gerar 20 variações de um hero de landing page em uma tarde e testar qual segura atenção. Para social e ads, onde o criativo morre em dias, isso é vantagem direta de velocidade.

Quem perde são pipelines que dependiam de vídeo stock genérico e freelancers de motion simples. Também perde quem achava que era só plugar a API e vender Hollywood em uma API. Skill issue é real aqui. Os melhores resultados que circulam vêm de gente que entende direção, luz, lente, bloqueio de cena e escreve prompt como roteiro técnico, não como frase solta. Prompt ruim gera vídeo liso, com cara de plástico e movimento estranho nas mãos.

Se você vai testar essa semana, faça uma ação prática. Monte um harness de avaliação com 10 prompts fixos, mesma seed quando possível, grade de 5 segundos, 10 segundos e com imagem de referência contra só texto. Registre custo por tentativa, tempo de fila, nota de 1 a 5 para consistência e artefato, e retenha só os templates com taxa de aproveitamento acima de 30 por cento. Sem isso você vai queimar verba achando que o modelo piorou, quando na verdade seu prompt oscila.

• Comece pelo Veo 2 via API do Gemini para testes pontuais, porque não exige pacote mínimo e facilita iterar prompt.
• Use Kling 2 apenas se você já tem volume previsto de centenas de clipes por mês e pipeline de curadoria para aproveitar o lote.
• Sempre gere com imagem de entrada para produto, rosto e logo, texto puro só funciona bem para paisagem e abstrato.

Onde cada um se encaixa

Minha leitura operando os dois na cabeça é simples. Veo 2 é mais flexível para experimentar e integrar em fluxo Gemini existente, com documentação, safety e faturamento mais previsível por segundo. Kling 2 entrega pico de realismo em humanos e movimento que impressiona diretor, mas cobra pedágio comercial e exige operação maior. Para protótipo e MVP, Veo 2 vence. Para campanha hero com verba garantida, vale cotar Kling 2 e negociar o pacote.

A tensão que ninguém quer admitir

Aqui está a dúvida real. Isso escala ou só move o gargalo de produção para curadoria e custo. Gerar é fácil, escolher, corrigir e manter consistência em sequência de 30 segundos ainda é manual e caro. Personagem muda de rosto entre cortes, texto na cena sai com erro, física quebra em interação complexa. Você economiza na filmagem e gasta em revisão, re-render e pós. O custo por segundo anunciado nunca é o custo por segundo utilizável.

Tem também o risco de infraestrutura. Vídeo é ordens de magnitude mais pesado que imagem. Se seu app viralizar e cada usuário pedir 3 clipes, sua conta de inferência explode no mesmo dia e sua fila trava. Sem rate limit por usuário, cache agressivo e limite de duração, você não tem produto, tem rombo. Vale a pena para conteúdo premium e lote controlado. Para UGC aberto e gratuito, ainda não fecha.

Conclusão

Veo 2 e Kling 2 colocam o estado da arte de geração de vídeo na mão do desenvolvedor, com qualidade que finalmente dá para usar em peça real. Mas o jogo agora é operação. Quem controlar prompt, avaliação e custo por clipe bom leva. Quem só chamar o endpoint vai pagar caro para aprender. Será que seu caso de uso sobrevive a 70 dólares por minuto utilizável ou só parece legal no demo.