Geradores de vídeo multi-referência comparados

A imagem-para-vídeo usa uma imagem como primeiro quadro. Ela é precisa nesse quadro e menos confiável depois, porque o modelo preenche tudo o que a imagem não mostra.

A geração multi-referência não fixa um quadro. Ela lê todas as imagens em conjunto como uma descrição dos sujeitos e então compõe um novo plano. Na prática, isso tem três efeitos. O sujeito pode aparecer em ângulos que nenhuma das imagens mostra. Vários sujeitos podem dividir o mesmo plano, cada um com as próprias referências. E as mesmas referências podem ser reutilizadas em todas as cenas, o que mantém uma série consistente.

O custo é o controle sobre o primeiro quadro exato. Alguns modelos permitem combinar referências com um quadro inicial; outros não.

Kling 3.0 Omni: até 7 imagens ou elementos de referência, ou um vídeo de referência de 3 a 10 segundos mais até 4 imagens ou elementos, segundo o guia da Kling. Clipes de até 15 segundos em 720p ou 1080p. Um elemento pode ter uma voz vinculada. Disponível pela API da Kling e pela fal.ai.

Kling 4.0: até 15 entradas de referência no total, incluindo até 10 imagens, até 5 vídeos com 30 segundos somados e até 7 elementos, com clipes de 3 a 30 segundos, segundo o guia da Kling. Foi lançado no app da Kling em 15 de outubro de 2026. O acesso à API está marcado como em breve.

Veo 3.1: até 3 imagens de referência de uma mesma pessoa, personagem ou produto, segundo a documentação do Google. Os clipes de referência têm 8 segundos, em 16:9 ou 9:16. O Google chama isso de Ingredients to Video. O Veo 3.1 Lite não aceita referências.

Seedance 2.5 e MiniMax H3: ambos aceitam múltiplas imagens de referência, e alguns provedores também aceitam referências de vídeo e áudio. Os limites publicados variam muito conforme o provedor, de cerca de 9 a 30 imagens no Seedance 2.5 e de 5 a 9 no MiniMax H3, então confira os limites exatos do provedor que você usa.

Um limite maior ajuda quando um plano tem vários sujeitos. Para um único personagem, o retorno cai rápido. Cada imagem extra é mais uma chance de surgir um figurino diferente, outra luz ou um fundo estranho.

Uma boa regra prática: de três a cinco imagens por sujeito, escolhidas para cobrir os ângulos, e só tantos sujeitos por plano quanto a cena exigir.

Um personagem recorrente, clipes curtos para redes sociais: o Kling 3.0 Omni é hoje a escolha mais prática. Tem API pública, clipes de até 15 segundos e elementos criados para sujeitos recorrentes.

Um personagem, um produto e um local no mesmo plano: um modelo com limite maior e vários sujeitos por pedido, como o Seedance 2.5 num provedor com limites generosos, ou o Kling 4.0 quando a API abrir.

Anúncios que precisam começar numa composição exata: um modelo que permita quadro inicial com referências. Os endpoints Omni da Kling na fal.ai expõem campos de imagem inicial e final junto com os elementos.

Apenas três boas imagens: o Veo 3.1 é feito exatamente para três.

Sujeitos reutilizáveis. Você deve enviar as referências de um personagem uma única vez e escolhê-lo depois, sem reanexar arquivos a cada prompt.

Regras claras sobre a função de cada imagem. A ferramenta deve informar qual imagem é tratada como vista principal e quantas imagens ela realmente envia ao modelo.

Histórico por sujeito. Todos os clipes de um personagem juntos, para você identificar a deriva.

Rótulos honestos de modelo. Uma ferramenta deve dizer qual modelo e versão gerou cada clipe.

Preços claros. Você deve saber o custo de um clipe antes de clicar em gerar.

O RefVid é um gerador multi-referência construído em torno de personagens e produtos salvos. Cada ativo guarda de 1 a 5 imagens de referência, sendo a primeira a vista principal, e cada vídeo usa um ativo. A geração roda hoje no Kling 3.0 Omni, o custo aparece no botão antes de você começar, e cada clipe fica listado na página do ativo. O RefVid vai migrar para o Kling 4.0 quando a API dele abrir.