Mesmo quadro-base, mesma frase em português, 5 segundos na vertical. Aqui estão as 9 gerações, o que cada uma custou, quanto demorou e como se saiu em identidade, naturalidade e sincronia.
Clique em uma linha para abrir o vídeo. Em verde está o melhor valor de cada coluna; em vermelho, o pior.
Transcrição automática (ElevenLabs STT, idioma por) do áudio gerado pelo próprio modelo. “Front-end” no lugar de “frontend” e nomes próprios trocados contam como diferença no texto, mas a frase foi dita por inteiro em todos.
Não rodei os extras para poupar saldo: os modelos que valiam a pena já estão na comparação. O Genjutsu falhou uma vez por saldo (sem cobrança) e foi refeito depois da recarga.
Imagem-para-vídeo, até 4K. Perfil separado do 2.5.
Variante do Wan 3.0, parecida em custo-benefício.
1080p, até 15 s.
Aceita áudio de referência.
A folha de identidade (retrato, corpo e rótulos) não serve como primeiro quadro. Gerei um quadro limpo no fal (Nano Banana 2 edit), peito para cima, com a folha como autoridade do rosto. O primeiro enquadramento, mais aberto, deixou o rosto pequeno; o segundo, de peito para cima, deu rosto grande e muito melhor sincronia labial.
Frase: “Eu sou Felipe Vieira, dev frontend sênior, com 16 anos de experiência.” — 11 palavras, cerca de 29 sílabas, cabe em 5 s.
FORMAT: One continuous 5-second vertical 9:16 shot. No cuts. SCENE CONTEXT: a senior frontend developer introduces himself straight to the camera for a social-media video, in his own home workspace. FIRST FRAME: the attached image is the exact first frame of the shot; keep his face, beard, glasses, hair, outfit, room and lighting identical to it. CAMERA: locked-off medium close-up at eye level with a very slow push-in of about 5 percent. No handheld shake, no zoom jumps, no cuts. ACTION: He already faces the lens with a closed warm smile. At 0.3 s he starts to speak with a natural conversational rhythm, small head nods on the stressed words. His lip movements match every word. He finishes before the last second and holds a small warm smile. He never looks away, never walks, never turns his body. SPEECH: In Brazilian Portuguese, exactly once, spoken only by him: "Eu sou Felipe Vieira, dev frontend sênior, com 16 anos de experiência." AUDIO: only his clear warm mid-low voice over very quiet room tone. No music, no other voices, no subtitles, no captions. LOOK: photoreal live action, warm window key light and cool monitor rim light, shallow depth of field, natural skin texture. CONTINUITY: exactly one person; round tortoiseshell glasses stay on; same turtleneck, beard and hair; the room does not change.
Texto e arrobas nunca saem do modelo (as letras vêm erradas). Entram depois, como legenda animada: terceiro inferior com nome e cargo, e cartela final com Instagram, TikTok e YouTube. Cada vídeo foi conferido com 6 quadros (rosto, óculos, barba, boca) e pela transcrição da fala. As notas deste relatório são minha leitura visual desses quadros, não uma métrica automática.