Texto para vídeo: escreva a cena e receba um vídeo com som

4 modelos fazem vídeos de 4 a 30 segundos em até 2K; 4 deles com som. Os vídeos começam em 25 créditos (US$ 0,25), sem assinatura, e os créditos não expiram. No ranking Artificial Analysis Text to Video Arena (consultado em 30 de outubro de 2026): Wan 3.0 em 1º lugar (Elo 1.175), MiniMax H3 em 3º, Seedance 2.5 em 4º.

Texto para vídeo com IA na zzo.ai: escreva o que deve acontecer, escolha um modelo e receba um vídeo com som em poucos minutos. Você vê o preço antes de gerar e paga com créditos de um pacote de pagamento único, sem assinatura. Se a geração falhar, os créditos voltam automaticamente para o seu saldo.

Prompt deste vídeo. Edite ou escreva o seu.

Áudio

Feito com estes modelos

Cada um mostra o prompt, o modelo e quanto custa aqui. Escolha um para começar a partir dele.

Confeiteira, plano-sequência de 30 segundos — “One unbroken handheld take, direct-flash 35mm snapshot look, fine grain, white tile and bright window light. 0-5s: from behind, a young pastry cook in a white jacket and a long black apron pipes the last pale-yellow buttercream flowers onto a small white cake on a scrubbed wooden bench in a narrow tiled pantry, steel bowls stacked on the shelves. 5-10s: she puts the piping bag down, turns the cake once on its plate to check it from every side, and straightens one flower with a fingertip. 10-15s: she lifts the cake on its plate, turns and carries it through the cramped kitchen past hanging ladles and a steaming stockpot, the camera following at shoulder height. 15-20s: she shoulders open a back door into a quiet, sunlit courtyard and walks across the flagstones. 20-25s: she sets the cake down on a weathered table laid for one and steps back to look at it. 25-30s: she wipes her hands on the apron and walks back inside, leaving the cake alone on the table in the sun. Sound: piping bag squeeze, a pot lid rattling, the door creak, birds outside.”Kling 4.0, 30 s, com som, 1.410 créditos, feito na Kling AI

Cidade cenográfica à noite, plano-sequência de 30 segundos — “One unbroken thirty-second Steadicam move through a working film studio backlot at two in the morning. No cuts anywhere in the take. 0 to 6s: the camera walks out of a scene dock past stacked flats and a rail of period costume, catching a grip taping down a cable run, then pushes through hanging plastic sheeting into open air. 6 to 14s: it crosses a New York street standing set with the rain machines at full pressure, water sheeting off fire escapes and pooling in the gutters, a stunt performer in a soaked overcoat waiting on her mark while a focus puller measures to her face. 14 to 22s: it turns left down a service alley between two sound stages, past a catering truck with its shutter half down and an electrician asleep in a folding chair, the rain noise falling away behind the wall. 22 to 30s: it comes out onto the lot road, cranes up over a parked camera truck and holds on the whole backlot under sodium light, rain still falling on one street and nowhere else. Anamorphic, sodium and mercury practicals, deep blacks, fine film grain. Sound: rain machines roaring then dropping off, a radio crackle, boots on wet asphalt, a generator running under everything, no music.”Wan 3.0, 30 s, com som, 1.200 créditos, feito na Wan

Barraca de macarrão: uma fala, depois chamas — “Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”MiniMax H3, 10 s, com som, 80 créditos

Comercial com uma flor mecânica — “The theme is "mechanical flower bloom". The image needs to highlight the generative video model's strengths in lighting and shadow, art detail, realism, camera movement, and cinematic character feel. The overall style is a high-end tech-brand ad with strong visual impact. The video uses a single-take macro push-in shot, starting from a metal flower bud in darkness, gradually entering the precision mechanical structure inside the petals, and finally climaxing on the image of the mechanical flower fully blooming with light radiating outward. It requires realistic physical lighting, refined metal and glass materials, delicate mechanical motion, stable composition, cinematic color grading, no subtitles.”Seedance 2.5, 15 s, com som, 890 créditos, feito na Dreamina

Remadora ao amanhecer, plano-sequência de 15 segundos — “One unbroken handheld take on 16mm film, misty grey dawn, a muted palette of wet timber, slate water and fog with one faded-red accent. 0-4s: inside an old timber boathouse on a still lake, a young woman in a faded red rowing vest and grey leggings lifts a pair of long wooden oars down from a wall rack. 4-8s: she carries the oars on her shoulder down the wet wooden slipway, the camera following behind her at shoulder height. 8-12s: she steps carefully into a narrow white single scull tied at the jetty, sits, and slots the oars into their riggers. 12-15s: she pushes off from the jetty with one hand and takes her first stroke, the scull gliding out into the fog, ripples spreading toward the camera. Sound: creaking boards, her footsteps, water lapping, one distant bird call.”Kling 4.0, 15 s, com som, 705 créditos, feito na Kling AI

Chef, uma fala para a câmera — “A chef in her forties looks straight into the camera in a bright open kitchen and says, "The secret is you never crowd the pan." She smiles and turns back to the stove. Clean daylight from a window, white tile, flour on her apron, a strand of hair loose. Medium close-up, 50mm, slight handheld. Sound: her voice close and clear, a gentle sizzle, a knife on a board off screen.”MiniMax H3, 5 s, com som, 40 créditos

Águas-vivas no recife de coral — “A deep-sea coral-reef scene, a blue-toned tropical underwater world with large expanses of healthy, thriving colorful living coral, including branching coral, brain coral, plate coral, and soft sea-fan coral, with large schools of tropical fish weaving naturally among them. The foreground is crisp and vivid; the distance gradually turns bluer and grayer with reduced contrast. Natural light from above is filtered through the seawater into soft volumetric light, with fine suspended particles and a gentle sense of flow in the water, the soft corals swaying lightly and the fish schools moving smoothly and in coordination. Add a group of semi-transparent pale-lavender glowing jellyfish slowly appearing, 8-12 of them, in varying sizes. Their bell bodies carry a soft bioluminescent effect, tentacles drifting gently with the current, the tentacle tips bearing faint purple light points. The jellyfish are proportioned harmoniously with the corals and fish, the glow soft and not harsh, forming dreamy light spots against the dark seawater background. The jellyfish swarm's movement path is natural, rising in a slow ascending spiral, with some jellyfish swimming past in front of the lens to produce a slight lens-flare effect. Maintain the underwater blue-toned lighting, the jellyfish glow coexisting harmoniously with the faint reflections of the surrounding coral.”Seedance 2.5, 10 s, com som, 595 créditos, feito na Dreamina

Golpe de quadril no judô — “Real-time speed, 35mm documentary look, flat daylight from tall paper windows in an old wooden dojo with straw-yellow tatami. Two women judoka, one in a white judogi and one in a deep blue judogi, grip each other's lapels and sleeves. The woman in white steps in, turns her hip under her opponent and throws her in a clean hip throw; the woman in blue rotates over her hip through the air, lands flat on her back with a loud slap of the mat and immediately rolls up to her knees. Camera: low handheld, side-on, following the throw. Sound: bare feet on tatami, a sharp exhale, the slap of the landing.”Kling 4.0, 5 s, com som, 235 créditos, feito na Kling AI

Perseguição espacial de pelúcia — “A 20-second ultra-widescreen plush universe adventure clip, featuring ultra-fine plush textures throughout, cinematic space scale, a contrast between cute appearances and intense action, exaggerated FPV camera movements, and realistic soft-body physics. A spaceship made of plush fabric, buttons, zippers, and stuffing cotton carries three small plush animals — a rabbit, a fox, and a crow — fleeing at high speed through a universe composed of giant yarn planets, fluffy nebulae, and puppet giant beasts. A massive interstellar whale beast covered in deep blue long fur with eyes like two glass buttons chases the ship from within the nebula. The dynamics include the zipper ship launching via catapult, high-speed orbiting around a yarn planet, the giant whale bursting out from behind, navigating through a button asteroid belt, being swallowed by the whale beast, escaping through a golden zipper on its back, the whale slowly deflating as if losing its stuffing cotton, and finally flying through a pink-purple fluffy nebula toward a colorful button sun.”Wan 3.0, 20 s, com som, 400 créditos, feito na Wan

Sapo em animação de massinha — “Stop-motion claymation: a round green frog in a knitted scarf carries a stack of pancakes across a tiny kitchen set, sets it down, then looks at camera and blinks. Visible fingerprints in the clay, felt walls, warm practical lamps, stepped 12fps motion. Sound: playful pizzicato strings, soft clay squeaks, a plate clink.”MiniMax H3, 5 s, com som, 40 créditos

Como transformar texto em vídeo

1
Escolha um modelo
O Seedance 2.5 já vem selecionado. Troque para o Wan 3.0 ou o Kling 4.0 (Kling AI) para tomadas de até 30 segundos, ou para o MiniMax H3 (Hailuo AI) para rascunhos rápidos e de baixo custo. A tabela abaixo mostra o que cada um faz e quanto custa.
2
Descreva a cena
Escreva primeiro o que a câmera faz, depois quem aparece na imagem, o que faz e o que se ouve. Coloque as falas entre aspas. O guia de prompt mais abaixo tem os detalhes.
3
Defina duração, tamanho e som
Escolha a duração, a resolução, a proporção (9:16 para Reels, TikTok e Shorts) e se o vídeo terá som. O preço se atualiza a cada mudança, antes de você gastar qualquer coisa.
4
Gere e refine
A maioria dos vídeos fica pronta em poucos minutos e fica salva no seu histórico. Teste o texto do prompt com uma duração curta ou em resolução baixa e depois gere a versão de que você gostou em qualidade máxima.

Modelos disponíveis e preços

Atualizado em 30 de outubro de 2026

Modelo	Duração do vídeo	Resolução máxima	Áudio	Proporções	Vídeo de 5 s	Vídeo de 10 s	Posição na Arena
Seedance 2.5	4–15s	1080p	Sim	16:9, 9:16, 1:1, 4:3, 3:4, 21:9	300 créditosUS$ 3,00	595 créditosUS$ 5,95	4º · Elo 1.157Dreamina Seedance 2.5
Kling 4.0	5–30s	1080p	Sim	16:9, 9:16, 1:1, 21:9	160 créditosUS$ 1,60	315 créditosUS$ 3,15	Ainda sem posição
Wan 3.0	5–30s	1080p	Sim	16:9, 9:16, 1:1, 4:3, 3:4	100 créditosUS$ 1,00	200 créditosUS$ 2,00	1º · Elo 1.175
MiniMax H3	5–15s	2K	Sim	16:9, 9:16, 1:1, 4:3, 3:4, 21:9	40 créditosUS$ 0,40	80 créditosUS$ 0,80	3º · Elo 1.161MiniMax H3 (768p)

Os preços dos vídeos são para 720p com som (MiniMax H3: 768p), na versão de menor preço de cada modelo; resoluções maiores custam mais. A posição na Arena é a colocação e a pontuação Elo em votações às cegas, com dois resultados lado a lado (AA-Video-T2V v2.1, with audio, consultado em 30 de outubro de 2026), no ranking Artificial Analysis Text to Video Arena

Exemplos de texto para vídeo, com prompts

Cada exemplo vem com o prompt exato, as configurações e o preço. Use qualquer um no gerador acima do jeito que está ou edite antes.

A câmera se aproxima de um vaso de terracota — feito na Wan

Wan 3.0

Um produto em um só movimento

Uma aproximação lenta de um vaso em uma sala ensolarada, em uma única tomada. O prompt vem do teste Wan 3.0 vs Seedance 2.5 da Fuser.

Texto para vídeo
720p
5 s
com som
16:9

“Slow dolly-in on a matte terracotta vase standing on a travertine plinth in a sunlit plaster room. Late-afternoon light slides slowly across the wall as dust drifts through the beam. Calm, premium product film, shallow depth of field. Audio: soft room tone and a faint breeze.”

Dica: Um movimento de câmera por vídeo, com a velocidade: “slow dolly-in”.

100 créditos

Cookie girando, vídeo vertical — feito na Dreamina

Seedance 2.5

Um anúncio vertical para redes sociais

Em 9:16, o Seedance 2.5 gera um quadro realmente vertical, e não um recorte de uma imagem horizontal, e acrescenta o som. O prompt de uma frase vem do tutorial da própria ByteDance.

Texto para vídeo
720p
6 s
com som
9:16

“A strawberry sandwich cookie slowly completes one full rotation while the camera moves smoothly around it and keeps the product centered.”

Dica: Mantenha o objeto no centro do quadro, onde legendas e botões do app não o cobrem.

360 créditos

MiniMax H3

Uma fala olhando para a câmera

Ela olha para a lente e diz a fala exatamente como foi escrita, com o som da cozinha ao redor, na versão rápida H3 Max Turbo.

Texto para vídeo
768p
5 s
com som
16:9

“A chef in her forties looks straight into the camera in a bright open kitchen and says, "The secret is you never crowd the pan." She smiles and turns back to the stove. Clean daylight from a window, white tile, flour on her apron, a strand of hair loose. Medium close-up, 50mm, slight handheld. Sound: her voice close and clear, a gentle sizzle, a knife on a board off screen.”

Dica: Coloque a fala entre aspas e diga quem fala e como: “looks straight into the camera … and says, “…””.

40 créditos

Kling 4.0

Uma tomada única de 30 segundos

Seis momentos cronometrados em uma tomada contínua, cada um na sua janela de tempo. O prompt vem do guia do Kling 4 da Fuser. Como no teste da Fuser, o resultado saiu com luz do dia suave, e não com o flash direto que o prompt pede.

Texto para vídeo
1080p
30 s
com som
16:9

“One unbroken handheld take, direct-flash 35mm snapshot look, fine grain, white tile and bright window light. 0-5s: from behind, a young pastry cook in a white jacket and a long black apron pipes the last pale-yellow buttercream flowers onto a small white cake on a scrubbed wooden bench in a narrow tiled pantry, steel bowls stacked on the shelves. 5-10s: she puts the piping bag down, turns the cake once on its plate to check it from every side, and straightens one flower with a fingertip. 10-15s: she lifts the cake on its plate, turns and carries it through the cramped kitchen past hanging ladles and a steaming stockpot, the camera following at shoulder height. 15-20s: she shoulders open a back door into a quiet, sunlit courtyard and walks across the flagstones. 20-25s: she sets the cake down on a weathered table laid for one and steps back to look at it. 25-30s: she wipes her hands on the apron and walks back inside, leaving the cake alone on the table in the sun. Sound: piping bag squeeze, a pot lid rattling, the door creak, birds outside.”

Dica: Comece com “One unbroken take” e dê a cada cinco segundos o seu próprio momento (“0-5s: …, 5-10s: …”).

1.410 créditos

Kling 4.0

Ação rápida entre duas pessoas

Um golpe de quadril limpo, com cada braço e perna na pessoa certa e o baque da queda no som. A câmera fica parada, em vez do movimento baixo de câmera na mão que o prompt pede.

Texto para vídeo
1080p
5 s
com som
16:9

“Real-time speed, 35mm documentary look, flat daylight from tall paper windows in an old wooden dojo with straw-yellow tatami. Two women judoka, one in a white judogi and one in a deep blue judogi, grip each other's lapels and sleeves. The woman in white steps in, turns her hip under her opponent and throws her in a clean hip throw; the woman in blue rotates over her hip through the air, lands flat on her back with a loud slap of the mat and immediately rolls up to her knees. Camera: low handheld, side-on, following the throw. Sound: bare feet on tatami, a sharp exhale, the slap of the landing.”

Dica: Identifique quem faz o quê pela roupa (“the woman in white … the woman in blue”) para o modelo não misturar as duas.

235 créditos

Seedance 2.5

Um filme de marca sofisticado

Luz sobre metal e vidro é onde o Seedance 2.5 vai melhor. O prompt define o estilo, uma única aproximação em macro e os materiais, e o vídeo segue tudo, do botão escuro até a flor se abrindo com luz.

Texto para vídeo
720p
15 s
com som
16:9

“The theme is "mechanical flower bloom". The image needs to highlight the generative video model's strengths in lighting and shadow, art detail, realism, camera movement, and cinematic character feel. The overall style is a high-end tech-brand ad with strong visual impact. The video uses a single-take macro push-in shot, starting from a metal flower bud in darkness, gradually entering the precision mechanical structure inside the petals, and finally climaxing on the image of the mechanical flower fully blooming with light radiating outward. It requires realistic physical lighting, refined metal and glass materials, delicate mechanical motion, stable composition, cinematic color grading, no subtitles.”

Dica: Use a mesma estrutura para o seu produto: estilo, uma tomada, materiais, “no subtitles”.

890 créditos

Wan 3.0

Uma fala e, depois, o grande momento

Ele diz a fala como foi escrita e, em seguida, a chama do wok sobe. O prompt vem do teste Seedance 2.5 vs Wan 3.0 da Krea, em que o Wan 3.0 também acertou as chamas e o Seedance não. As placas atrás dele têm letras inventadas.

Texto para vídeo
720p
8 s
com som
16:9

“Medium close-up, 50mm. A night-market noodle vendor in a white apron stands behind a steaming wok under bare hanging bulbs. He looks into the camera and says: "Thirty years. Same pan, same recipe." Then he tosses the noodles high and flames jump up from the wok. Camera: gentle living handheld that barely breathes, slight push-in. Audio: his voice, sizzling oil, crowd chatter, distant scooters. Photorealistic, warm practical light.”

Dica: Coloque a fala no início e a grande ação depois (“first …, only then …”).

160 créditos

MiniMax H3

Estilo stop-motion

O visual de massinha e o movimento quadro a quadro se mantêm durante o vídeo inteiro. Por volta dos 4 segundos, o modelo cortou para um close sem que isso fosse pedido.

Texto para vídeo
768p
5 s
com som
16:9

“Stop-motion claymation: a round green frog in a knitted scarf carries a stack of pancakes across a tiny kitchen set, sets it down, then looks at camera and blinks. Visible fingerprints in the clay, felt walls, warm practical lamps, stepped 12fps motion. Sound: playful pizzicato strings, soft clay squeaks, a plate clink.”

Dica: Acrescente “one continuous shot” se não quiser cortes.

40 créditos

Como escrever um bom prompt para vídeo com IA

O que colocar no prompt, na ordem em que os modelos entendem com mais facilidade.

Comece pela câmera

Abra com o enquadramento, a lente ou o movimento de câmera; depois o personagem, a ação e a luz. Vários guias de prompt usam essa ordem, e a reescrita de prompt dos modelos preserva melhor o enquadramento quando ele vem primeiro.

“Medium close-up, 50mm, slow push in. A night-market noodle vendor in a white apron stands behind a steaming wok…”

Uma ação por vídeo, ou um tempo para cada ação

Um vídeo de 5 segundos comporta bem uma ação. Em tomadas mais longas, dê a cada parte o seu intervalo de tempo: a Fuser mediu que os cortes do Wan 3.0 caíram a menos de um quadro dos tempos escritos, e o guia do Kling 4 da Fuser sugere cerca de uma ação a cada cinco segundos.

“0-5s: she pipes the last flower. 5-10s: she steps back and wipes her hands…”

Escreva “one continuous shot” se não quiser cortes

O Kling 4.0 faz vídeos com várias tomadas por padrão, e o Wan 3.0 às vezes corta para outro ângulo no meio do vídeo. Os guias dos dois fabricantes resolvem do mesmo jeito: diga isso na primeira linha.

“One unbroken take, no cuts. The camera follows…”

Falas entre aspas, logo no início

Coloque as falas entre aspas, diga quem fala e em que idioma, e posicione a fala cedo no vídeo, para que dê tempo de terminar. Uma fala escrita para o último segundo costuma ser cortada.

“He looks up and says in English, “Thirty years, same pan, same recipe.” Only then the wok flares.”

Diga o som que você quer e o que não quer

Todos os modelos daqui geram som e, sem orientação, escolhem o próprio, muitas vezes uma música. O guia da ByteDance usa instruções negativas só para som e legendas: termine com “No background music” ou “No subtitles”.

“Sound: oil hissing, a crowd murmuring, no background music. No subtitles.”

Detalhes concretos valem mais que adjetivos

Palavras como “cinematic” ou “epic” não dão nada de concreto ao modelo. Uma cor, um material, uma hora do dia e um objeto ao fundo dão. Não conte com quantidades exatas de objetos nem com textos pequenos escritos corretamente.

“A red bicycle leaning on a wet brick wall at dusk, a sodium street lamp flickering behind it.”

Qual modelo de texto para vídeo usar?

Os quatro modelos criam vídeos com som a partir de um prompt escrito, mas se comportam de formas diferentes. As notas abaixo vêm de testes independentes com o mesmo prompt feitos pela Fuser, pela Krea e pela Atlas Cloud, dos guias de prompt dos próprios fabricantes e dos exemplos que nós mesmos geramos. Posições no ranking e preços estão na tabela acima.

Wan 3.0 (da Alibaba) é o que segue o prompt de forma mais literal. No teste da Krea, ele entregou “the most literal, dramatic version of a prompt”, e nas cinco rodadas da Fuser com as mesmas entradas pegou detalhes que o Seedance 2.5 deixou passar. Gera até 30 segundos de uma vez e custa menos por segundo que o Seedance 2.5. Pontos fracos: às vezes corta para outro ângulo no meio do vídeo, e a mixagem de som sai alta (Krea, Fuser).

Seedance 2.5 (da ByteDance, dona do TikTok) tem o visual mais polido, com cara de cinema: luz sobre metal, vidro e pele, uma mixagem mais discreta e falas em mais de dez idiomas. É o mais caro dos quatro por segundo, suaviza rostos em close a 720p, e ações rápidas podem deformar. O guia da ByteDance recomenda um movimento de câmera por tomada (ByteDance).

Kling 4.0 é o modelo para ação e tomadas longas: as tomadas únicas de 15 a 30 segundos de todos os testadores se mantiveram, ele deixou cada braço e perna na pessoa certa no nosso golpe de judô e escreveu certo a placa e a legenda do nosso exemplo. Ele acrescenta cortes e música se você não pedir o contrário, e ignora algumas palavras de estilo, como o tipo de película (Fuser).

MiniMax H3 (o modelo do Hailuo AI) aparece aqui em duas versões. O H3 Max Turbo é o vídeo mais rápido e de menor preço da página, bom para testar o texto do prompt antes de gastar mais. O H3 padrão acrescenta 2K. Ele renderiza 768p como 1344×768, e não como 720p, e reescreve prompts curtos, o que pode acrescentar um corte (Krea).

Texto para vídeo ou imagem para vídeo?

O texto para vídeo inventa tudo a partir das suas palavras, então duas gerações com o mesmo prompt dão dois vídeos diferentes. Quando o produto, o personagem ou a composição precisam bater com algo que você já tem, comece por uma foto: o modo imagem para vídeo usa a sua imagem como quadro inicial. Um fluxo comum é criar a imagem no gerador de imagem com IA e depois animá-la.

Duração, resolução e formato

Escolha a menor duração que comporte a ação. Um vídeo de 5 segundos comporta um movimento; em 10 segundos cabem dois ou três momentos cronometrados; de 20 a 30 segundos servem para uma tomada única e longa no Kling 4.0 ou no Wan 3.0. A resolução é o que mais muda o preço, e gerar de novo em resolução maior cria uma tomada nova, não uma versão ampliada do seu rascunho; por isso, use 720p só para testar o texto do prompt. Escolha a proporção antes de gerar: 16:9 para YouTube e sites, 9:16 para celular, 1:1 para o feed, e 21:9 no Kling 4.0, no Seedance 2.5 e no MiniMax H3 para um quadro largo de cinema.

Quanto você paga

Cada vídeo tem um preço em créditos que depende do modelo, da duração, da resolução e do som, e você vê esse preço antes de gerar. Os créditos vêm de pacotes de pagamento único e não expiram, então não há plano mensal para cancelar. Se um vídeo falhar, exceder o tempo ou for recusado, os créditos voltam automaticamente para o seu saldo.

Como fizemos os exemplos desta página

Cada exemplo mostra o prompt, o modelo e as configurações usadas, além do preço dele hoje na zzo.ai. A maioria dos prompts vem de testes e guias publicados, com a fonte indicada em cada card, para você comparar o nosso resultado com o deles. Alguns exemplos foram feitos no app do próprio fabricante do modelo, com o mesmo modelo, prompt e configurações, e estão marcados assim. Nenhum vídeo foi editado, e quando um vídeo não seguiu parte do prompt, o card diz isso.

Quando o resultado sai errado

Os problemas mais comuns, por que acontecem e o que mudar.

O vídeo corta para outro ângulo que você não pediu

Por quê: O Kling 4.0 vem com várias tomadas ativadas por padrão, e os testes mostraram o Wan 3.0 cortando no meio do vídeo mesmo quando instruído a não cortar.

Solução: Comece o prompt com “One continuous shot, no cuts” e mantenha a ação em um só lugar. Se ainda cortar, gere de novo ou teste o Seedance 2.5.

Entrou uma música que você não queria, ou o som está alto demais

Por quê: Os modelos preenchem o silêncio com a própria trilha. Testes independentes mostraram que o Kling 4.0 e o Wan 3.0 mixam o som mais alto que o Seedance 2.5.

Solução: Descreva os sons que você quer e termine com “No background music”. Abaixe o volume no seu editor ou desative o som no Seedance 2.5 e no Wan 3.0.

Palavras em placas ou rótulos saem com erros

Por quê: Texto dentro da imagem ainda é difícil para modelos de vídeo; a ByteDance e a Alibaba dizem isso nas próprias notas.

Solução: Use textos curtos e entre aspas, ou acrescente os títulos em um editor. O Kling 4.0 escreveu certo a placa e a legenda do nosso exemplo.

Movimentos rápidos deformam mãos, braços ou objetos

Por quê: Movimentos rápidos e amplos são a parte mais difícil para todos os modelos; o guia da ByteDance recomenda movimentos lentos e contínuos.

Solução: Deixe a ação mais lenta ou descreva um movimento de cada vez. Para lutas, esportes e dança, o Kling 4.0 se saiu melhor nos testes independentes.

A fala é cortada

Por quê: Uma fala escrita para o fim do vídeo não tem tempo para terminar.

Solução: Mova a fala para o início, encurte-a ou escolha um vídeo mais longo.

O vídeo foi recusado ou falhou

Por quê: O filtro do próprio modelo ou a nossa verificação de política bloqueou o prompt ou o resultado, ou o modelo excedeu o tempo limite. No Seedance 2.5, nomes de marcas, de películas fotográficas e de diretores também podem causar recusa.

Solução: Nada é cobrado: os créditos voltam automaticamente para o seu saldo. Reescreva o prompt sem nomes de pessoas reais ou de marcas e consulte a Política de Uso Aceitável.

Perguntas frequentes

Atualizado em 30 de outubro de 2026

Qual é o melhor modelo de IA para texto para vídeo hoje?

Depende do trabalho. No ranking de texto para vídeo da Artificial Analysis, montado com votos às cegas entre vídeos lado a lado, o Wan 3.0 está em primeiro, com o MiniMax H3 e o Seedance 2.5 logo atrás (as posições e a data em que conferimos estão no topo desta página). O Kling 4.0 ainda não está no ranking; em testes independentes, ele se destacou em ação rápida e em tomadas longas e contínuas.

Com qual modelo devo começar?

Comece pelo Seedance 2.5 para anúncios bem-acabados e vídeos com falas; pelo Wan 3.0 para seguir o prompt à risca e fazer tomadas longas por um preço menor; pelo Kling 4.0 para ação entre pessoas e texto na tela; e pelo MiniMax H3 (H3 Max Turbo) para rascunhos rápidos e de baixo custo.

Quanto custa criar um vídeo a partir de texto?

Depende do modelo, da duração, da resolução e do som. A tabela desta página mostra o preço de 5 e de 10 segundos de cada modelo, e o gerador mostra o preço exato antes de você começar. Você paga cada vídeo com créditos; não há assinatura.

Qual a duração máxima? Dá para fazer um vídeo de 1 minuto?

Até 30 segundos em uma única tomada no Kling 4.0 e no Wan 3.0, e até 15 segundos no Seedance 2.5 e no MiniMax H3. Para um vídeo mais longo, gere um vídeo por cena e junte as partes em um editor.

O vídeo sai com som, falas e música?

Sim. Todos os modelos daqui geram o som junto com a imagem. Escreva os sons e as falas no prompt. No Seedance 2.5 e no Wan 3.0 você pode desativar o som; o Kling 4.0 e o MiniMax H3 sempre incluem som.

Dá para fazer vídeo vertical para TikTok, Reels ou Shorts?

Sim. Escolha 9:16 no gerador. Os quatro modelos oferecem essa proporção em texto para vídeo, e a tabela mostra todas as proporções de cada um.

A IA consegue colocar texto ou legendas no vídeo?

Às vezes. O Kling 4.0 escreveu certo a placa e a legenda do nosso exemplo, e a MiniMax diz que o H3 renderiza texto com precisão; o Seedance 2.5 e o Wan 3.0 costumam errar o texto dentro da imagem. Quando o texto precisa sair exato, acrescente-o em um editor.

Por que meu vídeo cortou para outra cena?

Alguns modelos acrescentam cortes por conta própria, principalmente o Kling 4.0 e o Wan 3.0. Comece o prompt com “One continuous shot, no cuts” para pedir uma única tomada.

Quanto tempo leva para gerar um vídeo?

Normalmente de um a cinco minutos; tomadas longas em 1080p podem levar dez minutos ou mais. Os vídeos prontos ficam no seu histórico, onde você pode baixá-los.

O que acontece se a geração falhar ou for bloqueada?

Os créditos daquele vídeo voltam automaticamente para o seu saldo, seja porque o modelo falhou, excedeu o tempo ou recusou o prompt, seja porque a nossa verificação de política bloqueou o resultado. Você só paga pelos vídeos que recebe.

Posso fazer um vídeo de uma pessoa real ou de um famoso?

De figuras públicas, não, e de ninguém sem o consentimento da pessoa. Personagens fictícios descritos no prompt podem. A Política de Uso Aceitável lista o que não é permitido.

Posso usar os vídeos comercialmente?

Sim. Os vídeos que você gera são seus para usar, inclusive em anúncios e trabalhos para clientes, desde que sigam os nossos termos e não copiem a marca, o personagem ou a imagem de outra pessoa.

Preciso de assinatura?

Não. A zzo.ai vende apenas pacotes de créditos com pagamento único. Os créditos não expiram e funcionam em todos os modelos, no site e pela API.

Texto para vídeo ou imagem para vídeo: qual usar?

Use texto para vídeo quando você parte de uma ideia. Use imagem para vídeo quando o visual, o produto ou o personagem precisa ser igual a uma foto que você já tem; o vídeo começa na sua imagem.

Mais ferramentas

Imagem para vídeo Gerador de imagem com IA Fotos de produto com IA Editor de fotos com IA Cartaz e flyer com IA Remover fundo Todos os modelos e preços