Benchmark 2026: 12 modelos de vídeo com IA em pt-PT

Toda a gente publica «rankings» de modelos de vídeo com IA. Quase ninguém mostra o método. Nós fizemos o contrário: pegámos nos mesmos prompts, escritos em português de Portugal, e corremo-los por doze modelos. Mesma duração, mesma proporção, mesma descrição. Depois pontuámos, plano a plano, sete critérios que interessam a quem produz conteúdo para o mercado português.

O resultado tem duas surpresas que valem por si só o artigo — uma sobre a voz, outra sobre o texto no ecrã. Vamos lá.

O método, em três parágrafos

Escolhemos três prompts representativos do trabalho real de um criador português. O principal foi este: «Um pequeno café numa rua do Porto ao amanhecer; uma empregada coloca uma placa de ardósia com a palavra "Aberto"; câmara em travelling lento da esquerda para a direita; luz dourada, 85 mm.» Este único prompt testa quatro coisas ao mesmo tempo — a qualidade da imagem, o movimento de câmara pedido (o travelling), a coerência do gesto da empregada ao longo dos segundos, e o texto no ecrã (a palavra «Aberto», com a grafia europeia).

O segundo prompt tinha uma pessoa a falar para a câmara — «uma jovem diz: bom dia, hoje vou mostrar-te a minha cidade» — para avaliar a voz e o sotaque nos modelos que geram áudio nativo. O terceiro era um plano de produto (uma garrafa de vinho do Douro a girar) para medir estabilidade e reflexos.

Cada modelo gerou pelo menos quatro clips por prompt, para que uma geração com sorte (ou azar) não distorcesse a nota. Pontuámos de 0 a 10. Onde um critério não se aplica — por exemplo, voz num modelo que não produz áudio — usámos «n/a».

A tabela do benchmark

Custo/min é uma média por minuto final de vídeo, já contando com as várias tentativas típicas para chegar a um plano usável. Os números batem certo, à vírgula, com a comparação de fundo que fizemos em os melhores modelos de IA para vídeo em 2026 — este artigo é a versão com prompts reais e pontuação por critério.

Surpresa nº 1 — a voz sai em português do Brasil

Este foi o achado mais claro e mais citável do benchmark. Os dois modelos com áudio nativo — Veo 3 e Sora — geram narração convincente… em português do Brasil. Sem exceção. No segundo prompt, a «jovem» dizia «bom dia, hoje vou mostrar VOCÊ a minha cidade», com entoação inequivocamente brasileira e vocabulário a condizer. Um português reconhece em meio segundo.

A razão é estrutural, não é um bug: os modelos são treinados com uma proporção esmagadora de dados em pt-BR, porque o Brasil tem mais de 200 milhões de falantes contra os cerca de 10 milhões de Portugal. Sem instrução explícita, «português» significa, para o modelo, «português do Brasil». Explicámos o mecanismo em detalhe em vídeo com IA em português de Portugal ou do Brasil.

Tentámos forçar o sotaque europeu no próprio prompt («sotaque de Lisboa, português europeu, usa tu»). Melhorou o vocabulário nalguns casos, mas a entoação manteve-se brasileira nove em cada dez vezes. Conclusão prática: não peça a voz ao modelo de vídeo. Gere o clip sem áudio e acrescente a narração numa camada separada de dobragem em pt-PT, com uma voz europeia real. É exatamente o fluxo que descrevemos em dobragem de vídeo com IA em português — e é o que resolve o problema de forma limpa.

Começar grátis no iaVideo.pt

Surpresa nº 2 — o texto no ecrã trai quase todos

A palavra «Aberto» na placa de ardósia foi um teste cruel de propósito. Resultados:

• Veo 3 — o único que escreveu «Aberto» legível e correto na maioria das tentativas. Nota 7.
• Nano Banana (modelo de imagem) — como gera fotogramas fixos, controla melhor a tipografia; acertou «Aberto» com frequência. É por isto que aparece na tabela apesar de não ser um modelo de vídeo: serve para gerar o primeiro fotograma com o texto certo, que depois se anima.
• Todos os outros — falharam. Apareceram «Abeto», «Aberta», «Abierto» (com contaminação de espanhol) e, mais frequentemente, letras que parecem português mas não formam nada.

O padrão é consistente: caracteres com cedilha (ç) e til (ã, õ) são o calcanhar de Aquiles de todos os modelos. Um logótipo com «Coração» ou «São João» quase nunca sai limpo. A recomendação é dura mas honesta: não confie o texto ao modelo de vídeo. Ou gera o texto no primeiro fotograma com um modelo de imagem, ou — mais seguro — sobrepõe o texto por cima, já editado corretamente em pt-PT, no editor.

Os pesos-pesados — Veo 3 e Sora

Empataram no topo da imagem, e por boas razões. O Veo 3 tem o melhor controlo de iluminação e de profundidade de campo, e entende vocabulário de lente («85 mm», «grande-angular»). O Sora ganha-lhe na coerência entre planos sucessivos e no «frame coreográfico» — quando há várias pessoas em cena, todas se movem de forma coerente.

O senão é o mesmo para ambos: caros e lentos. Uma render pode demorar 15 a 40 minutos e custar mais do triplo de um modelo chinês. Reserve-os para os planos centrais do seu vídeo, não para as variações. Se quer aprofundar, temos guias dedicados ao Veo 3 em português.

O melhor equilíbrio — Kling 2.5

Se tivéssemos de escolher um modelo para trabalho geral, seria o Kling 2.5. Fica logo atrás dos dois grandes em imagem, mas tem a melhor física humana do lote — saltos, danças, mãos a pegar em objetos saem naturais — e custa um terço. A armadilha é o controlo fino: pedir «mulher de meia-idade a sentar-se num café do Chiado» pode dar uma jovem, noutro bar. Para anúncios milimétricos, é problema; para reels e redes sociais, é irrelevante.

Para nós, o Kling é o modelo de iteração: gera-se cinco vezes, escolhe-se a melhor, e parte-se daí. Detalhamos o fluxo em Kling AI para vídeo em português.

O mais rápido e barato — Seedance Pro

O Seedance da ByteDance fez cada clip em 10 a 20 segundos — de longe o mais rápido — e o mais barato da tabela. A qualidade fica um degrau abaixo do Kling, mas para prototipagem é insubstituível. O nosso método na prática: escrever cinco prompts alternativos, gerar os cinco no Seedance em três minutos, escolher a melhor composição, e voltar a gerar essa em Kling ou Veo com qualidade alta.

Os secundários — Runway, Luma, Hailuo, Pika, Wan, Grok

Cada um tem o seu nicho, mas nenhum ganhou uma categoria em absoluto:

• Runway Gen‑4 — o melhor controlo de câmara depois dos grandes; ótimo quando o movimento tem de ser exato. Veja o Runway em português.
• MiniMax Hailuo — forte em estilos cartoon e anime.
• Luma Dream Machine — bom para o abstrato, surreal, ondas de luz.
• Pika 2.5 — útil para loops curtos e GIFs.
• Wan 2.5 (Alibaba) — barato e decente, mas fila lenta para a Europa.
• Grok Imagine (xAI) — boa relação preço-velocidade, pouco controlo de câmara.

Os especialistas — Hedra e Nano Banana

Não competem com os modelos de vídeo geral porque fazem outra coisa. O Hedra pega numa fotografia e num áudio e produz um avatar a falar com sincronização labial — e como você é que fornece o áudio, pode alimentá-lo com uma voz europeia e ter, finalmente, pt-PT correto. O Nano Banana é um modelo de imagem, praticamente gratuito, ideal para gerar o primeiro fotograma (com texto legível, como vimos) que depois se anima com Kling ou Seedance.

A receita prática que tirámos do benchmark

Depois de doze modelos e umas centenas de clips, o fluxo que recomendamos a um criador português é este:

1. Prototipar (€) — Seedance, cinco versões em minutos, escolher a melhor composição.
2. Produzir (€€) — Kling 2.5 para o render final da maioria dos planos.
3. Rematar (€€€) — Veo 3 ou Sora só nos planos-âncora, onde a qualidade paga a lentidão e o custo.
4. Texto — gerar no primeiro fotograma (Nano Banana) ou sobrepor por cima; nunca confiar no modelo de vídeo.
5. Voz — nunca do modelo; sempre uma camada de dobragem em português europeu.

Este é precisamente o desenho do gerador de vídeos com IA do iaVideo.pt: os doze modelos numa só conta, com preços em euros e pagamento por Multibanco, MB WAY ou cartão. Escreve a frase, escolhemos (ou testamos em paralelo) o modelo certo, gerimos a fila e devolvemos o vídeo — com a voz em pt-PT tratada à parte, como este benchmark mostrou que tem de ser.

Como reproduzir este teste você mesmo

Nada aqui é fé cega. Comece grátis, com créditos de boas-vindas e sem cartão, e corra o seu próprio prompt pelos vários modelos lado a lado. Escreva uma frase que inclua um movimento de câmara, uma pessoa em ação e uma palavra portuguesa com acento — e veja com os seus olhos onde cada modelo brilha e onde tropeça. O plano gratuito deixa marca de água; o Growth (€27/mês) e o Pro (€49/mês) removem-na e dão-lhe créditos para todos os modelos. Em meia hora tem o seu próprio benchmark, feito à medida do trabalho que realmente faz.