Ranking da Arena de IA Texto-para-Vídeo — 2026

Ranking Completo — 31 Modelos

A tabela abaixo representa o estado completo da Arena em 29 de janeiro de 2026. Cada link de modelo leva você diretamente para a documentação oficial ou endpoint da API para que você possa testá-los.

O Fio da Navalha no Topo

Deixe-me colocar isso em perspectiva. Dois pontos. Isso é tudo que separa o Veo 3.1 Audio do Sora 2 Pro agora. Quando comecei a acompanhar este ranking meses atrás, o Google tinha uma vantagem confortável. Essa vantagem acabou. Os sete principais modelos — quatro do Google, dois da OpenAI, um da xAI — estão todos agrupados em uma faixa de 33 pontos. No benchmarking competitivo de IA, isso é um cara ou coroa em qualquer prompt.

O que faz o Veo 3.1 manter a coroa não é mais a fidelidade visual bruta — é a geração de áudio sincronizada. Quando gero uma cena de rua, os passos combinam com o tipo de pavimento. Os sons da chuva mudam com a distância da câmera. O motor de um carro acelera em sincronia. Isso não é áudio de pós-produção em camadas; é gerado na mesma passagem direta que o vídeo. Essa capacidade única é o que mantém o Veo em #1, porque quando os juízes humanos assistem a dois clipes lado a lado, aquele com som correspondente simplesmente parece mais real.

Mas o Sora 2 Pro está ganhando em áreas que o Veo não enfatiza. Tenho executado prompts pesados em física — um copo de água derrubado de uma mesa, uma bandeira em vento variável, tecido preso em uma maçaneta — e o Sora consistentemente produz resultados fisicamente mais precisos. A água espirra com a massa certa. O tecido estica antes de rasgar. Fragmentos de vidro se espalham com momento crível. Se o seu clipe depende da confiança do público na física, o Sora é o lugar certo. O Veo cria beleza; o Sora cria crença.

O Sora 2 em #7 continua sendo a variante de trabalho — ligeiramente menos refinada que a Pro, mas mais rápida de gerar e mais do que capaz para a maioria dos trabalhos de produção. Ainda uso o Sora 2 padrão para 70% das minhas tarefas de vídeo da OpenAI porque a relação qualidade-velocidade é excelente.

O Fator Grok

Esta é a história que ninguém viu chegando. O Grok Imagine Video estreou e pousou em #4 — bem entre as duas variantes Veo 3.1 do Google e seus modelos Veo 3. Para um produto de vídeo de primeira geração da xAI, isso é extraordinário. Tenho testado extensivamente desde que apareceu, e o que me impressiona é o quão bem ele lida com a composição cinematográfica. As escolhas de enquadramento são frequentemente melhores do que o que recebo de modelos que estão iterando há mais de um ano.

A resolução de 720p é a limitação atual. Em um mundo onde a Kling está forçando o modo turbo de 1080p e o Veo renderiza em alta resolução nativa, 720p parece uma troca deliberada — a xAI provavelmente priorizou a coerência temporal e a qualidade do movimento em vez da contagem bruta de pixels. Jogada inteligente. Prefiro assistir a um clipe nítido e suave de 720p do que a um clipe de 1080p com trepidação de quadros. O que importa aqui é a trajetória: se a xAI conseguir escalar a resolução mantendo essa qualidade de movimento, eles estarão lutando pelos dois primeiros lugares até meados de 2026.

O Meio Lotado — Onde Vivem as Escolhas Reais

A maioria dos criadores não gastará seus orçamentos em chamadas de API de primeira linha para cada clipe. A realidade do trabalho de produção é que 80% das suas necessidades de vídeo não exigem o melhor modelo absoluto — elas exigem o modelo certo. E entre as posições #8 e #22, há uma densidade notável de capacidade especializada.

O Wan 2.5 da Alibaba em #8 lidera o próximo grupo. Achei excepcionalmente forte em prompts artísticos e abstratos — o tipo de descrições poéticas e metafóricas que os modelos ocidentais tendem a interpretar muito literalmente. Quando escrevo "solidão se dissolvendo em uma multidão", o Wan 2.5 realmente produz algo visualmente evocativo, em vez de apenas renderizar uma pessoa em pé sozinha perto de outras pessoas.

O Seedance v1.5 Pro da Bytedance (#9) tornou-se minha escolha para trabalhos de câmera complexos. Tomadas orbitais, dollys lentos, transições de grua para portátil — o Seedance lida com coreografia de câmera de vários segmentos melhor do que qualquer coisa, exceto o Veo. O mais antigo Seedance v1 Pro (#18) e Seedance v1 Lite (#25) permanecem viáveis para prompts mais simples — e a um custo significativamente menor.

A KlingAI agora coloca quatro modelos no ranking (#12 a #14, mais #22). Essa proliferação diz algo sobre a estratégia deles: em vez de um carro-chefe, eles estão construindo uma linha. O Kling O1 Pro em #14 é novo e fascinante — ele aplica raciocínio de cadeia de pensamento à geração de vídeo, gastando mais tempo de computação para entender o que você realmente quer antes de renderizar. Os primeiros resultados sugerem que isso melhora drasticamente a aderência ao prompt para cenas complexas de vários elementos. O Kling 2.5 Turbo 1080p em #12 é o demônio da velocidade — 1080p nativo em velocidades turbo, ideal para iterar conceitos antes de se comprometer com uma renderização final em outro lugar.

O Ray 3 da Luma AI em #15 é o realizador silencioso ao qual continuo voltando. Onde outros modelos perseguem o realismo cinematográfico, o Ray 3 tem uma qualidade estética distinta — ligeiramente onírica, com transições de iluminação deslumbrantes que parecem quase pintadas à mão. Para peças de humor e trabalhos de marca que precisam parecer elevados em vez de fotorrealistas, é incomparável.

A linha Hailuo da MiniMax (#16, #17, #19) continua sendo o motor de iteração deste ranking. Quando estou rascunhando — testando vinte variações de um conceito antes de escolher uma direção — a velocidade e a estrutura de custos do Hailuo o tornam a escolha óbvia. A lacuna de qualidade entre o Hailuo 02 Pro e a versão padrão é menor do que você esperaria, o que torna a camada padrão genuinamente útil para pré-visualização de produção.

O Hunyuan Video 1.5 da Tencent em #21 é o azarão que eu observaria com mais cuidado. As publicações de pesquisa da Tencent sugerem que eles estão investindo pesadamente em consistência temporal — a capacidade de manter a aparência do personagem e a lógica da cena em clipes gerados mais longos. Esse é o problema não resolvido mais difícil em vídeo IA, e quem quer que o resolva primeiro remodelará esses rankings da noite para o dia.

O Avanço do Open-Source

Algo importante está acontecendo na metade inferior deste ranking. O Kandinsky 5.0 Pro (#20) e o Kandinsky 5.0 Lite (#26) são modelos totalmente open-source competindo com sistemas proprietários que custam milhões para serem desenvolvidos. A variante Pro está em #20, à frente da Tencent, à frente dos modelos Kling mais antigos, à frente do Veo 2. Isso é uma declaração.

O LTX-2 19B em #27 da Lightricks é novo no ranking e representa o outro ramo do vídeo open-source: um modelo que você pode baixar, ajustar e implantar em sua própria infraestrutura. Com 19 bilhões de parâmetros, não é pequeno, mas roda em hardware de consumo de ponta. Para estúdios que precisam processar imagens proprietárias sem enviar quadros para uma API de terceiros, isso não é uma conveniência — é um requisito.

O Wan v2.2 da Alibaba (#24) une os dois mundos — pesos abertos no Hugging Face, apoiados pela infraestrutura de nuvem da Alibaba. O Mochi v1 (#31) da Genmo AI completa as entradas open-source. Embora esteja no final do ranking hoje, a pesquisa da Genmo sobre arquiteturas eficientes pode render dividendos em iterações futuras.

Para Onde Isso Vai

Tenho acompanhado a geração de vídeo por IA desde as primeiras demos da Runway, e nunca vi uma pressão competitiva tão intensa. Aqui está o que espero nos próximos seis meses, com base em tendências de pesquisa, roteiros de API e no que estou ouvindo das equipes que trabalham nesses modelos:

Áudio se tornará o padrão. Agora, a geração de áudio sincronizada é o principal diferencial do Veo. Até o terceiro trimestre de 2026, espero que Sora, Grok e pelo menos dois modelos chineses lancem recursos de áudio comparáveis. Quando isso acontecer, o ranking mudará drasticamente — a vantagem atual do Veo evapora no momento em que todos puderem igualá-la.

Resolução deixará de importar. Estamos nos aproximando do ponto em que a geração 4K nativa é tecnicamente viável, mas perceptualmente desnecessária para a maioria das aplicações. O próximo campo de batalha é a consistência temporal — um modelo pode gerar 30 segundos de vídeo contínuo e coerente onde o rosto de um personagem não se transforma, onde a física permanece consistente, onde a iluminação não muda aleatoriamente? É aí que a pesquisa Hunyuan da Tencent e a abordagem de raciocínio O1 da Kling podem superar a qualidade visual pura.

A guerra de custos de API está prestes a começar. No momento, modelos premium como Veo 3.1 e Sora 2 Pro têm preços premium. Mas com a MiniMax oferecendo qualidade genuinamente competitiva a uma fração do custo, e modelos open-source como Kandinsky e LTX-2 oferecendo custo marginal zero para implantação auto-hospedada, os provedores de primeira linha terão que comprimir os preços. Isso é bom para todos os criadores.

A xAI não ficará em 720p. A estreia do Grok em #4 com uma desvantagem de resolução é talvez o ponto de dados mais revelador em todo este ranking. Eles provaram que a arquitetura do modelo funciona. O escalonamento de resolução é um problema de engenharia, não de pesquisa. Eu ficaria surpreso se o Grok não estiver oferecendo vídeo 1080p até o verão.

Minhas Escolhas por Caso de Uso