A cada poucas semanas, um novo modelo de vídeo com IA afirma parecer "indistinguível de imagens reais", e a cada poucas semanas alguém publica um clipe com mãos de seis dedos ou água que corre morro acima. Se você está tentando decidir se o Veo 3 do Google merece um lugar no seu fluxo de trabalho, as demonstrações chamativas não vão ajudar. Um benchmark repetível vai. Este artigo apresenta um teste de realismo que você mesmo pode rodar, mostra as cenas que expõem os pontos fracos mais rápido, resume as notas de qualidade que avaliadores publicaram e indica quatro alternativas que você pode usar hoje.
Uma observação antes de começarmos: o Veo 3 não está no PicassoIA. O Veo 3.1, seu sucessor, está, assim como vários concorrentes. Eles são tratados na seção de alternativas, com links diretos.
Por que o Veo 3 ainda é avaliado em benchmarks
O Veo 3 foi lançado em maio de 2025 e mudou as expectativas para o vídeo com IA porque gerava áudio sincronizado junto com a imagem: diálogos, passos, ruído ambiente, tudo em uma única passagem. Antes disso, a maioria dos modelos de texto para vídeo entregava clipes sem som e deixava o design de som por sua conta.
O Veo 3.1 veio em 15 de outubro de 2025, cerca de cinco meses depois. Uma análise de terceiros descreve as duas versões como compartilhando a mesma arquitetura básica, com os ganhos aparecendo na qualidade de áudio, na sincronização labial e no suporte a vídeo vertical, e não em um redesenho completo. Essa afirmação vem de uma fonte secundária, então trate-a como uma opinião informada, não como uma especificação confirmada.
Por que isso importa para um benchmark? Porque o Veo 3 continua sendo o ponto de referência com o qual muitos criadores comparam. Quando surge um novo modelo, a primeira pergunta costuma ser "ele é melhor que o Veo 3?". Para responder com justiça, você precisa de um teste que não dependa de clipes escolhidos a dedo.

💡 Uma nota de transparência: as fotografias deste artigo são quadros de referência ilustrativos de cada cena de teste, mostrando como se parece uma aprovação. Não são saídas do Veo 3, e o artigo não publica notas inventadas para o Veo 3. Os números citados mais adiante vêm de avaliações públicas e são descritos com minhas próprias palavras.
A rubrica de pontuação
Realismo não é uma coisa só. Um clipe pode ter uma pele impecável e ainda falhar porque o vapor do café se repete em loop. Um bom benchmark divide o realismo em partes e atribui pesos a elas.
Seis categorias, uma nota para cada
Avalie cada categoria de 1 a 10 e depois aplique os pesos abaixo.
| Categoria | O que você verifica | Peso |
|---|
| Rostos e pele | Poros, assimetria, taxa de piscadas, microexpressões | 20% |
| Mãos e corpo | Contagem de dedos, pegada, flexão das articulações, marcha | 20% |
| Física | Água, tecido, fumaça, gravidade, colisões | 20% |
| Câmera e luz | Comportamento da lente, profundidade de campo, sombras consistentes | 15% |
| Estabilidade temporal | Objetos que mantêm forma e identidade ao longo dos quadros | 15% |
| Correspondência de áudio | Som combina com a ação, sincronização labial, sem defasagem | 10% |
Rostos, mãos e física recebem os pesos mais altos porque o público percebe essas falhas na hora. O áudio recebe o peso mais baixo apenas porque muitos projetos o substituem na pós-produção.
A regra dos 5 segundos
Assista a cada clipe uma vez em velocidade normal e depois de novo com o som desligado. A maioria dos defeitos se esconde na segunda exibição. Se você notar algo estranho nos primeiros cinco segundos, o público também vai notar. Reduza a nota da categoria em pelo menos dois pontos.
Mantenha o prompt constante
Use o mesmo texto de prompt em todos os modelos que você comparar. Troque o modelo, não a redação. Gere pelo menos três versões por prompt, porque um único clipe com sorte diz quase nada sobre consistência. Avalie a versão mediana, não a melhor.

Testes de realismo que expõem os pontos fracos
Estas seis cenas foram escolhidas porque cada uma pressiona um tipo diferente de falha dos modelos de vídeo. Execute-as na ordem.
Teste 1: Pele e rostos
Ideia de prompt: um pescador idoso consertando uma rede em um píer de madeira ao nascer do sol, close-up, luz lateral suave. Observe os poros, a umidade dos olhos e se as rugas se movem naturalmente quando ele franze os olhos. Pele excessivamente lisa é o sinal clássico de um modelo que gera "um rosto" em vez de um rosto sob luz.
Uma aprovação significa textura visível, iluminação levemente irregular na bochecha e olhos que acompanham o trabalho em suas mãos. Uma reprovação parece cerosa, com olhos que encaram além da câmera.

Teste 2: Mãos e dedos
Ideia de prompt: close-up de uma mão envolvendo uma xícara de café de cerâmica, vapor subindo, manga de lã. As mãos são o teste de estresse mais antigo em mídia generativa porque a geometria é complicada e os dados de treinamento estão cheios de visões parciais.
Conte os dedos no quadro 1, no quadro 60 e no último quadro. Verifique se os dedos se deformam ao segurar e se a xícara não atravessa a palma. Falhas nas mãos costumam aparecer no meio do movimento, não no primeiro quadro, então nunca julgue pela miniatura.

Teste 3: Água e física
Ideia de prompt: plano de ângulo baixo, água servida de uma jarra de aço em um copo sobre uma mesa de carvalho, gotas respingando, luz de janela vinda da direita.
A água é implacável. Ela exige refração, uma tensão superficial crível, respingos que seguem arcos e um copo que se enche na velocidade certa. Muitos modelos produzem um copo que enche enquanto o jato ainda está no ar. Se o nível do líquido não sobe em proporção ao que foi servido, reduza a nota de física com força.
Um benchmark da Tsinghua chamado WorldReasonBench chegou a uma conclusão semelhante em uma escala maior: modelos de vídeo podem parecer deslumbrantes e ainda assim falhar em raciocinar sobre como o mundo físico funciona. O Veo 3.1 esteve entre os modelos avaliados. Em resumo, acabamento visual e correção física são habilidades separadas.

Teste 4: Paisagens e movimentos de câmera
Ideia de prompt: tomada aérea de drone seguindo uma van branca por uma estrada costeira à beira de falésias na hora dourada.
Aqui você verifica a paralaxe, a névoa atmosférica, o movimento das ondas e se o veículo mantém a mesma forma e cor enquanto a câmera se move. Paisagens são onde a maioria dos modelos de vídeo se sai melhor, já que as cenas perdoam mais erros. Uma nota alta aqui não deve pesar muito no seu veredito geral.

Teste 5: Multidões e movimento de fundo
Ideia de prompt: uma jovem caminhando por um mercado noturno ao ar livre, câmera na mão, lâmpadas quentes no alto.
É nas pessoas do fundo que a deriva de identidade aparece. Observe os figurantes: os rostos se deformam ao passar? Os donos das barracas mantêm as mesmas mãos e aventais? A jaqueta da personagem principal mantém as costuras? O desfoque de movimento nos transeuntes deve parecer um obturador real, não um filtro de borrão.

Teste 6: Áudio nativo
Ideia de prompt: uma pessoa serve água em um copo em uma cozinha silenciosa; ouvimos o despejo e depois o arrastar de uma cadeira.
Este é o recurso marcante do Veo 3, então merece uma verificação própria. Feche os olhos e ouça. O despejo deve começar quando o jato atinge o copo. O arrastar da cadeira deve coincidir com o movimento visível. O tom ambiente deve permanecer estável durante todo o clipe. Se você trabalha com falas, verifique a sincronização labial em sons plosivos como "b" e "p", em que os lábios se fecham visivelmente.

Notas de qualidade de avaliações públicas
Números oficiais e comparáveis para o Veo 3 são difíceis de encontrar. Uma busca por resultados do MovieGen Bench para o modelo não encontrou nenhum relatório primário. Uma fonte secundária afirma que execuções independentes do MovieGenBench e do VBench colocam o Veo 3.1 no nível mais alto em aderência ao prompt, qualidade visual e sincronização de áudio, mas os números que sustentam isso não puderam ser localizados, então essa afirmação permanece não verificada.
O que existe são notas de avaliadores individuais. Veja o que uma avaliação detalhada da família Veo relatou:
| Modelo | Geral | Fidelidade visual | Estilo e realismo cinematográfico |
|---|
| Veo 3.1 | 7,2 / 10 | 7,1 / 10 | 7,0 / 10 |
| Veo 3.1 Fast | 6,9 / 10 | 7,1 / 10 | não informado aqui |
O mesmo avaliador observou que o Veo 3.1 ainda pode produzir cenas com o clássico "visual de IA". Uma nota 7 em 10 é respeitável, mas não é "indistinguível da realidade", o que serve como um choque de realidade útil diante do marketing.
O que as notas realmente dizem
Duas lições se destacam:
- As versões rápidas mantêm a maior parte da fidelidade visual. O modelo Fast igualou o padrão nessa subnota. Se você está iterando ideias, a opção mais barata e rápida perde pouco.
- As notas de avaliadores são subjetivas. Um avaliador diferente, com prompts diferentes, chegará a outro resultado. Sua própria rubrica, aplicada aos seus casos de uso, vale mais do que qualquer número publicado.
Custo versus qualidade
Relata-se que o Veo 3.1 custa cerca de 15% a mais que o Veo 3 para saídas somente de vídeo. Para uma campanha curta, é trocado miúdo. Para um lote de centenas de clipes, a diferença se acumula, o que é mais um motivo para aplicar a rubrica antes de se comprometer com um modelo.

Alternativas ao Veo 3 que você pode usar hoje
O Veo 3 ainda não está no PicassoIA. Para resultados semelhantes hoje, estes quatro modelos de vídeo estão disponíveis, e cada um pode ser testado com a mesma rubrica de seis testes acima.
| Modelo | Melhor para | Observações |
|---|
| Veo 3.1 | Sucessor mais próximo do Veo 3 | Texto para vídeo em 1080p com áudio nativo |
| Veo 3.1 Fast | Iteração rápida | Mais rápido e leve, bom para testar prompts |
| Kling v3 Video | Movimento cinematográfico | Forte movimento de câmera e fluxo de cena |
| Sora 2 | Áudio sincronizado da OpenAI | Texto para vídeo com som correspondente |
Veo 3.1 para a correspondência mais próxima
Se você gostou do Veo 3 e quer a mesma família de resultados, o Veo 3.1 é a primeira parada óbvia. Ele mantém a abordagem de áudio com vídeo, e os ganhos relatados estão na qualidade do som, na sincronização labial e nos formatos verticais. É também o modelo a que se referem as notas públicas de avaliação acima.
Veo 3.1 Fast para testes
Rode seus primeiros rascunhos no Veo 3.1 Fast. Como os avaliadores acharam sua fidelidade visual próxima à do modelo padrão, ele é uma forma sensata de checar composição, ritmo e redação do prompt antes de gastar tempo com renderizações finais.
Kling v3 para trabalho de câmera
O Kling v3 Video vale a pena em qualquer comparação quando suas cenas dependem de câmeras em movimento: planos de acompanhamento, órbitas e passagens estilo drone como o Teste 4. Rode primeiro as cenas de paisagem e de multidão e avalie o quanto ele mantém a identidade estável.
Sora 2 para áudio e narrativa
O Sora 2 também gera áudio sincronizado, então é o rival direto mais justo para o Teste 6. Uma comparação publicada entre o Sora 2 e o Veo 3.1 usou sete prompts voltados para áudio, o que mostra como o som se tornou central nessas comparações.

Como obter resultados semelhantes no PicassoIA
Este passo a passo usa o Veo 3.1, a opção mais próxima do Veo 3 na plataforma.
Passo 1: Abra a página do modelo
Vá até a página do Veo 3.1 e escolha o modo texto para vídeo. Se você quer apenas testar uma ideia rapidamente, abra o Veo 3.1 Fast em uma segunda aba.
Passo 2: Escreva um prompt estruturado
Use esta ordem, que espelha como um diretor passaria as instruções de um plano:
- Sujeito e pose inicial: quem ou o que está no quadro.
- Ação ao longo do tempo: o que acontece, em ordem.
- Câmera: sensação da lente, movimento, ângulo.
- Luz e atmosfera: hora do dia, direção da fonte.
- Som: o que devemos ouvir, escrito em frases simples.
Exemplo: Um pescador idoso senta em um píer de madeira ao nascer do sol, consertando uma rede. Ele para, franze os olhos para o horizonte e depois retoma. Aproximação lenta, aspecto de lente de 85mm, sol baixo e suave vindo da esquerda. Ouvimos gaivotas, água batendo nas estacas e o farfalhar da corda.
Passo 3: Defina resolução e duração
Escolha a maior resolução que a página oferece para renderizações finais e uma duração mais curta para experimentos. Clipes curtos falham menos, porque há menos tempo para a deriva.
Passo 4: Gere três versões
Nunca julgue por um único resultado. Gere três versões de cada prompt de teste e depois avalie a mediana na rubrica.
Passo 5: Compare com um concorrente
Envie exatamente o mesmo prompt para o Kling v3 Video ou para o Sora 2. Mantenha a redação idêntica para que o modelo seja a única variável.
💡 Dica de prompt: descreva a iluminação pela direção e qualidade, como "luz suave de janela vinda da direita", em vez de expressões vagas como "iluminação cinematográfica". Os modelos respondem muito melhor a descrições físicas do que a rótulos de gênero.
Erros comuns a evitar
- Empilhar ações demais. Uma ação principal a cada cinco a oito segundos gera um movimento mais limpo.
- Descrever apenas emoções. "Ela se sente nostálgica" não dá ao modelo nada para renderizar. Descreva o olhar, a pausa, o movimento da mão.
- Ignorar a linha de som. Se você omite a direção de áudio, o modelo improvisa, e o resultado pode destoar da ação.
- Julgar um clipe pela miniatura. Sempre assista à duração completa, duas vezes.
Rode seu próprio benchmark em 30 minutos
Você não precisa de um laboratório. Aqui está um plano compacto que cabe em meia hora.
| Tempo | Tarefa |
|---|
| 0 a 5 min | Escreva os seis prompts e guarde-os em um arquivo de texto |
| 5 a 20 min | Gere três versões de cada um em dois modelos |
| 20 a 27 min | Assista a cada clipe duas vezes, uma delas sem som |
| 27 a 30 min | Preencha a rubrica e calcule as notas ponderadas |
Para calcular uma nota ponderada, multiplique a nota de cada categoria pelo seu peso e some os resultados. Um modelo com nota 8 em rostos, 6 em mãos, 7 em física, 8 em câmera, 7 em estabilidade e 9 em áudio chega a cerca de 7,3 no geral. Acima de 8 é excelente. Abaixo de 6 significa que você vai gastar mais tempo consertando clipes do que usando-os.
Como ler o resultado
Não busque apenas o total mais alto. Um modelo com geral 7, mas com 4 em mãos, pode ser inutilizável para uma demonstração de produto, enquanto o mesmo modelo pode ser perfeito para imagens de cobertura de paisagens. Associe o ponto fraco ao seu projeto. Se seus vídeos mostram pessoas manuseando objetos, dê às mãos peso dobrado. Se você faz conteúdo de viagem, reduza esse peso.
Quando testar de novo
Os modelos são atualizados com frequência, e uma versão que reprovou em um teste no trimestre passado pode passar hoje. Guarde seu arquivo de prompts e rode-o de novo sempre que sair uma nova versão. Com o tempo, você terá um placar pessoal muito mais útil do que qualquer clipe de comparação em redes sociais.
Sua vez: monte uma bateria de testes
Benchmarks só são úteis quando você os executa. Escolha os seis prompts deste artigo, abra o Veo 3.1 no PicassoIA e gere suas primeiras versões hoje. Depois envie os mesmos prompts para o Kling v3 Video, o Sora 2 e o Veo 3.1 Fast e compare as notas lado a lado.
Você logo vai ver qual modelo combina com seu estilo, seu orçamento e sua tolerância a mãos estranhas. Quando quiser experimentar mais opções, veja tudo o que está disponível em picassoia.com/en/all-models e comece a montar sua própria bateria de testes.