HeyGen cobra um centavo por segundo, e o piso de preço dos modelos de vídeo acabou de mudar

A HeyGen lançou o HeyGen Video este mês, seu primeiro modelo de vídeo de propósito geral. Ele é construído sobre o MiniMax H3 e passou por pós-treinamento interno, cobrindo texto para vídeo, imagem para vídeo e referência para vídeo em um único modelo com som sincronizado. A tarifa promocional no lançamento é de US$ 0,01 por segundo, metade do preço padrão, voltada diretamente para uso empresarial com restrições orçamentárias.

Vale a pena refletir sobre esse número. Um clipe de dez segundos custa dez centavos. No ano passado, a mesma categoria de resultado era precificada em dólares por geração, e as equipes racionavam o uso.

A forma promocional em si é informativa. A HeyGen definiu a tarifa padrão em dois centavos por segundo e lançou pela metade disso, o que é um corte de preço destinado a tirar equipes de fornecedores incumbentes, e não a maximizar a receita por clipe. Uma tarifa promocional é uma aposta de que, uma vez que um fluxo de trabalho é construído em torno de um modelo, o custo de troca mantém o cliente após o fim do desconto.

A tarifa por segundo é o novo benchmark

O preço dos modelos de vídeo passou de por geração para por segundo de resultado, e as tarifas publicadas agora abrangem uma ordem de magnitude. O centavo promocional por segundo da HeyGen equivale a cerca de US$ 0,60 por minuto. O MiniMax H3, a base de pesos abertos, opera a US$ 4,80 por minuto. O Wan 3.0 está listado a US$ 12 por minuto. O Seedance 2.5 cobra US$ 34,12 por minuto. O Grok Imagine Video 1.5 fica em US$ 0,08 por segundo, ou US$ 4,80 por minuto, com áudio nativo e uma única tarifa publicada sem faixa de resolução.

A estrutura de tarifa única do Grok merece destaque por si só. A maioria dos fornecedores cobra por faixa de resolução, então uma renderização em 1080p custa mais do que uma em 480p. Uma única tarifa publicada sem faixas é mais fácil de orçar e mais difícil de burlar. Ela também sinaliza confiança de que a qualidade do modelo não depende fortemente de quantos pixels o comprador solicita.

A dispersão mostra que o mercado se segmentou. No topo está a qualidade para campanhas em que um único clipe importa. Na base está o volume para fluxos de trabalho em que cem clipes são gerados e a maioria é descartada.

O preço da HeyGen a coloca deliberadamente na extremidade inferior, e o enquadramento são casos de uso empresariais em que o orçamento é a restrição. Esse é um cliente diferente de uma agência que produz um anúncio principal. É uma empresa que quer vídeo em cada artigo de suporte, cada página de produto, cada fluxo de onboarding, e não consegue justificar um designer para cada um.

Pós-treinamento sobre a base de terceiros

A escolha de arquitetura é tão notável quanto o preço. A HeyGen não treinou um modelo de fundação do zero. Ela pegou o MiniMax H3, um modelo de pesos abertos, e fez pós-treinamento interno para seu caso de uso.

Este está se tornando o manual padrão. A Creatify fez a mesma coisa com o Boreal-H3, fazendo pós-treinamento do MiniMax H3 com dados reais de projetos de anúncios e relatando aumento na conclusão do briefing de 27,8% para 50% e na consistência do sujeito de 83,3% para 94,4% em relação à base. O padrão se repete porque a base é aberta e a diferenciação está nos dados de treinamento e na avaliação, não na execução de pré-treinamento.

Para equipes que constroem produtos de vídeo, o cálculo é direto. Treinar um modelo de fundação custa dezenas de milhões e leva meses. Fazer pós-treinamento de uma base aberta custa uma fração disso e produz um modelo ajustado ao seu padrão de qualidade específico. O risco é que a capacidade central do seu produto esteja sujeita aos termos de licença de outra pessoa, o que é uma questão em aberto para o H3, já que a MiniMax não publicou quais territórios sua licença cobre. Três produtos construídos sobre o H3 foram lançados esta semana em territórios que a licença pode não alcançar, e o laboratório os recebeu bem, o que está longe de conceder permissão.

A questão da licença é a parte do manual de pós-treinamento que recebe menos atenção. Um modelo pode ser baixado hoje e ficar indisponível amanhã, ou ser legal em um mercado e não em outro, e os termos muitas vezes são escritos para o propósito original do modelo, e não para os produtos construídos sobre ele. Qualquer pessoa cujo produto dependa de uma base aberta deveria ler a licença com a mesma atenção com que lê o relatório técnico. A vantagem de custo do pós-treinamento é real, e vem com um risco operacional que não aparece em uma comparação de preços.

O que o preço significa para o trabalho criativo

Quando um clipe de dez segundos custa dez centavos, a economia da iteração muda. Uma equipe pode gerar cinquenta variantes de uma demonstração de produto, assisti-las, manter as duas que funcionam e gastar cinco dólares fazendo isso. O gargalo se desloca do custo de geração para o tempo de revisão humana, que é o oposto de onde ele estava há dois anos.

Essa mudança tem consequências para como as equipes de vídeo são montadas e como os fluxos de trabalho são projetados. A geração barata significa que a parte cara é decidir o que é bom, e as pessoas que conseguem fazer esse julgamento rapidamente se tornam a restrição. Também significa que a enxurrada de resultados medíocres aumenta, porque o custo de produzir algo que ninguém precisava acabou de cair para quase zero.

Há um efeito menos óbvio sobre como as equipes planejam. Quando um clipe custa dez centavos, a estratégia racional muda de fazer uma boa versão para fazer muitas e selecionar. Isso favorece equipes boas em avaliação e desfavorece equipes boas em artesanato de produção, porque o artesanato que costumava ser o valor agora é um insumo commodity.

Também muda o que um cliente espera. Um briefing que costumava especificar um vídeo agora especifica cinco variantes para testes A/B, porque o custo marginal das quatro extras é insignificante. O trabalho se move para a estratégia, a montante, e para a análise, a jusante, e o meio, onde está a maior parte do trabalho de produção criativa, se esvazia.

A pergunta que o preço não responde

Geração barata não é o mesmo que geração útil. Um centavo por segundo compra um clipe, não um clipe que atende ao briefing. As diferenças que importam na produção — manter o rótulo de um produto legível, manter o rosto de um criador consistente do primeiro ao último quadro, seguir um roteiro em vez de uma vibe — são aquilo pelo que as faixas mais caras cobram.

Essa é a segmentação real que a dispersão de preços revela. O mercado está se separando em modelos para volume e modelos para precisão, e a diferença de preço entre eles é de aproximadamente um fator de cinquenta. Uma equipe que sabe em qual categoria seu trabalho se encaixa pode tomar uma decisão clara. Uma equipe que presume que o modelo barato dará conta pode descobrir a lacuna em uma entrega para cliente.

A tarifa promocional da HeyGen não vai durar a um centavo. O que ela faz é estabelecer um piso ao qual o resto do mercado tem de responder, e forçar todos que constroem recursos de vídeo a modelar sua economia unitária em um ponto de preço que teria sido implausível no ano passado. A pergunta interessante é quais capacidades acabam valendo pagar mais de um centavo por segundo.

A resposta provavelmente será estreita e específica. Legibilidade de rótulos, consistência de identidade e aderência ao briefing parecem pouco glamourosas, mas são elas que decidem se um clipe pode ser entregue. Todo o resto é uma questão de gosto, e o gosto é barato de iterar quando uma tomada custa dez centavos.