A VideoGen promete vídeos de dez minutos a partir de um prompt. Ninguém o colocou num benchmark.

A VideoGen anunciou o Model 1 em 20 de outubro com uma alegação que é ou mudança de categoria ou frase de marketing, e a diferença importa: um prompt vira um vídeo finalizado, com vários planos, de até dez minutos, com diálogo, som e música.

Dez minutos é mais ou menos vinte vezes a geração em passada única mais longa dos líderes atuais. Kling 4.0, Seedance 2.5 e Wan 3.0 anunciam até 30 segundos numa geração, com recursos de extensão que chegam a no máximo uns dois minutos. Se você vem acompanhando esse mercado, dez minutos soa como outro produto.

É e não é. O release é explícito: vídeos mais longos "são montados a partir de múltiplos planos gerados". O Model 1 não renderiza dez minutos numa passada. Ele planeja um filme, gera plano por plano, confere os planos e monta o corte. O modelo é um componente de um pipeline que, por acaso, é vendido como produto único.

O que a empresa de fato entregou

A VideoGen é uma empresa de San Francisco, Y Combinator Summer 2024, fundada em 2023. Até agora, o produto dela transformava um prompt, um roteiro ou um artigo em vídeo usando modelos de outras empresas. O Model 1 é próprio.

As capacidades publicadas: texto-para-vídeo e imagem-para-vídeo, até 16 imagens como referência visual, duração-alvo e proporção que você pode especificar, e geração conjunta de áudio e vídeo, de modo que diálogo, efeitos sonoros e música saem juntos. O acesso começou em 20 de outubro como lançamento para parceiros privados, com disponibilidade geral prometida depois de mais testes de segurança. A empresa também abriu inscrições para um fundo de US$ 1 milhão em créditos gratuitos, voltado a cineastas, estúdios, estudantes e, notavelmente, jornalistas que cobrem o lançamento.

O enquadramento honesto do argumento é que a parte difícil não é o modelo de vídeo. É o planejamento. Um vídeo de dez minutos precisa de roteiro, personagens consistentes entre cenas, diálogo que não se repita e uma lista de planos que some a duração pedida. Isso é um problema de modelo de linguagem, e a VideoGen construiu um arranjo de modelos de linguagem para resolvê-lo.

Dentro da sala dos roteiristas

Uma leitura de terceiros do whitepaper técnico da VideoGen descreve um pipeline com papéis distintos. Uma camada de planejamento propõe conceitos, um crítico os pontua contra uma rubrica por categoria (filme, marketing, social, explicativo, clipe musical, microdrama), os dois melhores viram roteiros com marcação de tempo, e um reescritor converte cada cena no formato de prompt estruturado que o modelo de vídeo espera, com campos separados para planos, diálogo, paisagem sonora e música de fundo.

Essa mesma análise relata três "leitores" de modelo separados que checam apenas as falas e o texto em tela, sinalizando diálogos confusos, e registra a ressalva do próprio whitepaper de que estes são "proxies automatizados, não participantes humanos". Há também código comum fazendo checagens comuns: as durações das cenas somam, todo falante tem descrição de voz.

Essa é a parte do anúncio que vai decidir se o produto funciona. Um clipe de vinte ou trinta segundos sobrevive a um prompt vago. Dez minutos não. Os erros se acumulam, os personagens derivam, e a quinta cena começa a contradizer a primeira. Uma camada de planejamento que pega esses problemas antes da renderização vale mais que um renderizador melhor, porque renderizar é a parte cara.

É também a parte que os concorrentes copiam mais rápido. Um arranjo de planejamento multi-modelo é software, não avanço de pesquisa.

Os números que ainda não são números

A VideoGen diz que espera que o Model 1 custe mais de 50% menos que modelos comparáveis, com base em validação interna. Diz também que preço final, benchmarks oficiais e validação de terceiros estão em andamento. As duas afirmações estão no mesmo release, e a segunda deveria governar como você lê a primeira.

O único número medido que a empresa compartilha é um experimento de renderização: um adaptador de oito passos cortou o tempo médio de render de clipe em 58,2% contra a linha de base de 28 passos do mesmo sistema. A VideoGen é cuidadosa ao chamar isso de configuração experimental, não de ganho de velocidade garantido, o que é a ressalva certa e também uma admissão de que o número não é especificação de produto.

Então o estado atual é: uma alegação de capacidade com um demo reel, uma alegação de custo sem tabela de preços e uma alegação de qualidade sem benchmark. O demo reel é a seleção da própria empresa, o que o torna melhor caso, não teste.

Por que duração é o placar errado

Aqui vai o contexto incômodo. A imprensa especializada chinesa noticiou este mês que 98,7% dos microdramas de IA não recuperam o custo em até seis meses após o lançamento. O negócio de microdramas da ByteDance, segundo as reportagens, queimava dezenas de milhões de yuans por dia em tokens. O gargalo nesse mercado não é a capacidade de gerar imagem. É distribuição e roteiro.

Isso não torna um modelo de dez minutos inútil. Reenquadra para que ele serve. Se a restrição é contar história, uma ferramenta que planeja um arco narrativo e mantém personagens consistentes mira a restrição real. Se a restrição é atenção, dez minutos são um passivo, porque ninguém assiste dez minutos de nada sem um motivo.

Os casos de uso realistas são os pouco glamourosos. Pré-visualização para uma gravação, quando o diretor precisa ver a cena antes de pagar equipe. Vídeos explicativos de produtos que ninguém vai fazer comercial. Conteúdo de treinamento interno. Um vídeo gerado de dez minutos que está 70% certo e leva uma tarde vale muito quando a alternativa é uma edição de duas semanas.

Para qualquer coisa que um público escolha assistir, a duração não é o argumento de venda. O planejamento é.

Como avaliar quando você tiver acesso

Peça os casos de falha, não o reel. Especificamente: o que acontece no minuto sete, quando o modelo tem que lembrar a jaqueta de um personagem do minuto dois. Se o diálogo repete uma fala que já usou. Se o áudio continua sincronizado num corte montado, que é onde pipelines que geram planos de forma independente costumam quebrar.

Depois rode o teste entediante: dê a ele um briefing com um produto específico e uma alegação específica, e veja se o planejador inventa um fato. A rubrica do whitepaper, segundo os relatos, inclui checagens que rejeitam alegações inventadas nas categorias de marketing e explicativo, o que sugere que a empresa sabe que esse é o modo de falha que faz um cliente ser processado.

E verifique a marca d'água. A VideoGen diz que as saídas carregam marcas d'água invisíveis identificando a origem sintética. Num ano em que proveniência está virando exigência de compras, isso é recurso, não nota de rodapé, e vale confirmar que sobrevive ao seu pipeline de edição.

Dez minutos a partir de um prompt é uma expansão real do que uma única pessoa consegue tentar. Não é substituto para um diretor, e o release da própria empresa não chega a afirmar isso. A pergunta interessante é o que acontece quando a camada de planejamento fica boa o suficiente para que o fator limitante passe a ser se você tinha algo a dizer.