Cinco modelos de vídeo entraram no Azure. A inferência é da fal

Em 5 de novembro, a Microsoft e a fal anunciaram que cinco modelos de geração de vídeo estão disponíveis no Microsoft Foundry como preview pública, entregues como serviço de primeira parte do Azure. Os modelos vêm da Kuaishou, da Lightricks e da MiniMax. A inferência é da fal. A Microsoft não construiu nenhum deles.
O arranjo é a história. Por dois anos, a pergunta sobre modelos de vídeo era quem tinha o melhor. A pergunta que este anúncio responde é outra: quem fica com o caixa onde você os compra. A Microsoft acabou de se candidatar, e fez isso admitindo que não precisa ser dona dos modelos para ser dona da transação.
Os cinco, e para que serve cada um
O enquadramento da Microsoft é que trabalho criativo não é uma tarefa só. Uma equipe explorando várias direções para um briefing, uma loja transformando uma foto de produto aprovada em conceito de movimento, um desenvolvedor encadeando geração de imagem em geração de vídeo: cada um quer coisas diferentes de um modelo. Qualidade, movimento, controle, prazo e custo se equilibram de forma distinta em cada caso. Por isso os cinco são cinco posições num mapa, não cinco tentativas no mesmo benchmark.
**Kling v3 Pro** é o cinematográfico. Qualidade de imagem com movimento suave, geração de áudio nativa, elementos personalizados. O modo imagem-para-vídeo permite controlar como um quadro inicial específico vira um plano em movimento. É a escolha quando direção visual e desempenho de movimento pesam mais que o preço por segundo.
**LTX-2.5** vem em duas faixas. Fast é para iteração e preview, Pro é para entrega de alta fidelidade. Os dois fazem texto-para-vídeo e imagem-para-vídeo, e os dois trazem áudio sincronizado. A razão de lançar os dois é que uma equipe pode rascunhar e finalizar na mesma plataforma sem trocar de ferramenta, o que parece menor até você tentar manter o mesmo look entre dois fornecedores.
**MiniMax H3 Max e H3 Max Turbo** são variantes pós-treinadas do H3, com o pós-treino voltado a seguir instruções, qualidade visual e desempenho de raciocínio. O Turbo troca parte da qualidade por geração mais rápida e é feito para iteração de alta frequência.
Sobre escala, o fundador da fal, Burkay Gur, foi direto: aplicações de mídia generativa estão virando multimodelo, porque partes diferentes do trabalho precisam de coisas diferentes. O catálogo da fal cobre mais de 1.500 modelos entre imagem, vídeo, áudio e 3D, além de inferência, treino e infraestrutura. A Microsoft escolheu cinco. A seleção é o produto.
O detalhe da residência de dados
Escondida no anúncio está a frase que vai fechar contratos: os modelos são hospedados em regiões dos EUA, e o Foundry é o primeiro provedor a oferecer um endpoint do Kling hospedado nos EUA.
O Kling vem da Kuaishou, empresa chinesa. Para uma empresa americana com revisão de compras, “podemos usar o modelo, e a inferência roda numa região dos EUA sob contrato Azure” é uma conversa diferente de “podemos usar o modelo”. O modelo é idêntico. O papelório não.
Essa é a parte da tese multimodelo que fica subestimada. O argumento técnico para um intermediário é conveniência. O argumento comercial é que o intermediário absorve a superfície de conformidade. A Microsoft está vendendo o segundo.
Preço, e um número para você conferir
A cobrança é por segundo gerado, com resolução e modo de áudio mexendo no preço unitário. A Microsoft diz que os preços específicos vão aparecer na página de preços do Azure nas próximas semanas.

Um alerta. O texto oficial do blog e a tabela dele não descrevem a unidade de cobrança da mesma forma. Antes de colocar isso no orçamento, confirme na página de preços se o medidor lê por segundo ou por minuto, e multiplique. Esse tipo de divergência é comum em anúncios de preview e é exatamente o que transforma um experimento barato numa fatura surpresa.
Também não existe benchmark único de qualidade ou latência entre os cinco. A Microsoft diz isso. Escolher significa rodar seus próprios prompts, suas próprias imagens de origem, seus próprios tamanhos de clipe e suas próprias exigências de áudio em cada um. Status de preview significa sem SLA e com interface que pode mudar.
O truque com o ComfyUI é a parte útil
Um segundo post da Microsoft, publicado junto do anúncio, explica como ligar os modelos de imagem do Foundry e os modelos de vídeo da fal no ComfyUI com dois nós personalizados, sem nenhuma chave de API em lugar nenhum da cadeia.
Três passos.
Primeiro, faça o deploy dos modelos no seu projeto do Foundry. Pelo catálogo do portal ou pela CLI:
az cognitiveservices account deployment create ...
Os identificadores de modelo usados como exemplo são gpt-image-2.5-sunburst, FLUX.2-pro e MAI-Image-2.6 do lado de imagem, e Fal-MiniMax-H3-Max do lado de vídeo. Uma regra de nomes importa: o nome do deployment de imagem precisa ser igual ao nome do modelo, porque os nós deduzem a família do modelo a partir dessa string. Os nomes de deployment de vídeo podem ser o que quiser.
Segundo, dê acesso sem chave ao ComfyUI. Os nós usam DefaultAzureCredential, ou seja, autenticam com a identidade Entra que a máquina já tem. Num notebook, é a sua sessão de az login. No Azure, é a identidade gerenciada. Essa identidade precisa do papel Cognitive Services User no recurso do Foundry, ou Foundry User. Não há chave para guardar, rotacionar ou vazar num JSON de workflow compartilhado, que é o jeito mais comum de comprometer um setup de ComfyUI.
Terceiro, cole o endpoint do projeto, que se parece com https://xxx.services.ai.azure.com/api/projects/xxx.
A arquitetura é a consequência interessante. A geração acontece no Foundry. O ComfyUI só orquestra. Então a máquina que roda o ComfyUI não precisa de GPU, e o exemplo da Microsoft é uma chamada de texto-para-imagem alimentando uma chamada de imagem-para-vídeo para produzir um plano cinematográfico de cinco segundos, montado em hardware que pode ser um notebook.
Para quem já manteve uma instalação de ComfyUI com quarenta nós personalizados e um zoológico de checkpoints locais, o formato é genuinamente outro. O workflow vira cliente fino. O que se perde é trabalhar offline e trocar por um modelo local no meio do grafo.
O vizinho incômodo no mesmo ciclo de notícias
Entre 5 e 6 de novembro, o guia de atualizações de segurança da Microsoft trouxe duas entradas CVSS 10.0. Uma era no registro de dispositivos do Entra. A outra era a CVE-2026-85889, falha de autenticação ausente no Azure AI Foundry, CWE-306, vetor de rede, sem privilégios exigidos, sem interação do usuário.
A nota da Microsoft diz que clientes não precisam fazer nada, porque a correção foi aplicada na infraestrutura da própria Microsoft e não existe versão instalada no cliente para corrigir. Reportada pelo pesquisador Rémy Marot, sem evidência de exploração em campo.
Duas coisas merecem ser separadas aqui. Uma nota 10.0 mede impacto no pior caso, não probabilidade, e a avaliação de explorabilidade da própria Microsoft é baixa. E um anúncio de CVE em nuvem é notificação, não tarefa. Você não corrige. Você vai ler os logs em busca de deployments e chamadas incomuns na janela antes da correção.
Ainda assim, pertence ao mesmo parágrafo do lançamento, porque as duas coisas tratam da mesma mudança. Quando a plataforma roda os modelos, guarda as chaves e é dona do endpoint, o perímetro de segurança se move para dentro de um serviço que você não pode inspecionar. Essa é a conta da conveniência.
O que testar de verdade
Se você está avaliando isso, a comparação interessante é se um intermediário com cinco modelos vence um fornecedor com um modelo no seu pipeline real. Colocar Kling contra LTX contra MiniMax no abstrato diz muito pouco.
Rode o mesmo briefing nos cinco. Meça o tempo do prompt até um clipe utilizável, não até um clipe. Depois meça a taxa de nova tentativa, porque um modelo que precisa de três tentativas para acertar o movimento custa o triplo, independentemente da etiqueta. Depois veja se o áudio, quando existe, sobrevive à edição. Sincronia que deriva é pior do que não ter áudio.
E mantenha a saída em mente. O apelo de um intermediário é poder trocar o modelo por baixo sem mudar a integração. Teste isso trocando um e vendo o que quebra. Se a resposta for “o formato do prompt”, você tem um intermediário. Se a resposta for “tudo”, você tem um fornecedor com etapas extras.
A Ignite acontece de 17 a 20 de novembro, com uma sessão dedicada a Foundry e fal no dia 19. Preço e disponibilidade geral devem vir depois. Até lá, é um preview sem SLA, o que serve para experimento e não serve para lançamento de produto.
Artigos relacionados
O Antigravity levou os agentes para a nuvem. O que fica de fora é o seu setup local
A versão 2.29 do Antigravity coloca o agente em uma VM na nuvem que sobrevive ao seu laptop e usa voz para aprovar permissões. O setup local não vai junto.
A NVIDIA abriu quatro modelos de mundo de 16B. O que ninguém mediu é o aprendizado de política
Quatro modelos de mundo abertos de 16B e um decodificador que emite geometria de uma só vez. A NVIDIA entregou as duas metades, mas admitiu que falta medir o aprendizado de política.
Quatro dos repositórios em alta no GitHub são bibliotecas de skills. O problema agora é empacotar
Skills de agente ocupam mais de um quarto das tendências do GitHub, vindas da Anthropic, Google e Cloudflare. O formato é simples; o empacotamento é um caos de quatro caminhos.
A Thinking Machines lançou um modelo de 594B e empurrou os pesos para a semana seguinte
O Inkling 2 Small chega com contexto de um milhão de tokens e visão como canal de verificação. Os pesos abertos, prometidos para a semana seguinte, ainda não têm data.