
Geração de Vídeo FastFrames vs Google Veo 3.1: Tempo Real Contra Filme Finalizado
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
Esses dois sistemas não estão competindo pelo mesmo trabalho, e a maneira mais rápida de perceber isso é perguntar o que cada um se recusa a fazer. FastFrames Video Generation, que a Apple lançou em 16 de novembro de 2026, com o artigo saindo no dia 17, não vai te entregar um arquivo que você possa mandar para um cliente: ele fica limitado a 480p, é silencioso e não tem nenhum endpoint hospedado. Google Veo 3.1 não vai te entregar um frame em menos de um segundo: o nível padrão é cobrado por minuto de saída finalizada, e sua latência é medida em dezenas de segundos. Um é infraestrutura para algo interativo. O outro é uma produtora. Compará-los apenas pela qualidade seria comparar uma câmera a uma equipe de filmagem.
Seis dimensões, e quem mediu cada uma
Comece pelo que é medido e tenha cuidado com quem mediu. Os números do Veo 3.1 abaixo vêm dos rankings de vídeo da Artificial Analysis conforme capturados em outubro de 2026, antes de o FastFrames existir. Os números do FastFrames vêm da Tabela 1 do próprio artigo da Apple, com os mesmos prompts e seeds a 480p. Nenhum órgão independente executou o FastFrames, e nenhum ranking o pontuou. Onde você vê um número do Veo, trata-se de uma medição de terceiros; onde vê um número do FastFrames, trata-se de uma alegação do fornecedor.
• Latência — FastFrames-S a 36 ms por frame em um único B200, cerca de 28 solicitações por segundo, contra o Veo 3.1 a dezenas de segundos por clipe, vendido por duração em vez de por frame.
• Resolução — FastFrames a 832×480, sem outra opção, contra o Veo 3.1 a 720p, 1080p e 4K nativo, dependendo do plano.
• Áudio — O FastFrames não gera áudio algum, enquanto o Veo 3.1 gera nativamente estéreo a 48 kHz com diálogo, música e efeitos na mesma chamada, com generate_audio desativado por padrão.
• Preço — FastFrames não tem preço porque não tem endpoint; você compra GPUs, enquanto o Veo 3.1 custa US$ 24,00 por minuto de saída, ou US$ 9,00 no nível Fast e US$ 4,80 no Lite.
• Acesso — FastFrames como pesos para download sob a licença AMLR da Apple, auto-hospedado em Linux com CUDA 12.8 vs. Veo 3.1 por meio da API do Google e plataformas de terceiros, sem pesos.
• Proveniência — O FastFrames não publica nenhuma, enquanto o Veo 3.1 incorpora marcas d'água SynthID e credenciais de conteúdo C2PA em cada saída.

O que o Veo 3.1 realmente está lhe proporcionando
A proposta do Veo 3.1 não é “o mais bonito”. É “finalizado”. O modelo recebe um prompt de texto, até três imagens de referência, uma seed e um prompt negativo, e retorna um clipe de 4, 6 ou 8 segundos com estéreo de 48 kHz sincronizado — diálogo, ambiência e efeitos gerados junto com a imagem, movimento labial sincronizado com a fala. A extensão de cena encadeia esses clipes. Os níveis acrescentam resolução até 4K nativo. Cada arquivo traz uma marca d'água SynthID e uma credencial C2PA, o que é a diferença entre um ativo que uma equipe jurídica aprovará e um que não.
Em qualidade, é bom e não é líder. Na captura de outubro de 2026 do ranking de imagem para vídeo do Artificial Analysis, o Veo 3.1 ficou em décimo segundo lugar, com Elo 1.082 e intervalo de ±7 em 7.040 amostras. O nível Fast ficou em décimo sétimo, com 1.066 ±6 em 14.688 amostras, e o nível Lite ficou em décimo quinto, com 1.071 ±8 em 5.122 — três níveis, qualidade estatisticamente indistinguível, preços cinco vezes diferentes. No ranking de texto para vídeo, ficou em décimo nono lugar, com 962 ±10 em aproximadamente 3.000 amostras. Lendo esses dados em conjunto, a conclusão prática é que a escolha de nível do Veo 3.1 é uma decisão de orçamento, não de qualidade, e que seu verdadeiro diferencial competitivo é o áudio, o 4K e a proveniência, e não o Elo.
O que o FastFrames está realmente provando
A afirmação interessante no comunicado da Apple é mais restrita do que "modelo de vídeo mais rápido" e muito mais difícil de descartar. A difusão de vídeo autorregressiva é lenta por razões que têm pouco a ver com o transformer: o autoencoder variacional que converte latentes de volta em pixels domina o orçamento, e o mesmo acontece com a atualização do cache KV que transporta o contexto para o próximo bloco. A Apple substituiu o primeiro por um decodificador de pixels de 63,87 milhões de parâmetros — três blocos ConvNeXt causais mais uma cabeça linear — e o segundo por uma rede de refinamento de quatro blocos com stem compartilhado, custando 2 milissegundos no modelo pequeno e 6 no grande. O DiT fica congelado no estágio final.
• Decodificação VAE — cerca de 147 ms por quadro passa a aproximadamente 1 ms.
• DiT, 1,3B — 41,6 ms passa a 16,4 ms, ou 5,8 ms distribuídos por oito GPUs.
• DiT, 14B — 89,2 ms passa a 75,6 ms, ou 20,3 ms em oito GPUs.
• Causal Forcing++ total, 1,3B — 271,8 ms passa a 35,8 ms, uma redução de 7,6×.

Os dois checkpoints são destilados do Wan2.1 — o FastFrames-S do Wan2.1-T2V-1.3B e o FastFrames-L do Wan2.1-T2V-14B — usando a receita Causal Forcing++, e o decodificador de pixels foi treinado por cerca de uma semana em 32 B200s ao longo de 150.000 rollouts, com uma passagem adversarial em oito B200s contra um discriminador DINOv3 ViT-S/16 congelado. Os números do VBench dos autores colocam o FastFrames-S em 84,23 e o FastFrames-L em 84,44, contra 84,11 da linha de base da qual foi destilado e 84,42 do Krea-Realtime, que roda a 1.675 ms por quadro.
Duas coisas para as quais o FastFrames não pode ser usado, e uma para a qual pode
Ele não pode substituir um clipe entregue
480p é um teto rígido na configuração lançada. A Apple informa latência em 720p — 127 ms por quadro no modelo pequeno, 116 ms no grande em oito GPUs —, mas não são distribuídos pesos nem configurações de 720p. Não há nenhum caminho de áudio, então qualquer talking-head, demonstração de produto com narração ou qualquer coisa que um cliente vá assistir com som precisa de um pipeline de áudio separado. E, a 12,8 segundos por clipe para o 14B em uma única GPU, o modelo grande é mais lento que a reprodução, a menos que você tenha um nó.
Não pode ser chamado
Não há endpoint da Apple. O FastFrames é um lançamento de pesquisa: pesos no Hugging Face sob a licença AMLR, código no GitHub e um aplicativo de demonstração do LingBot-World v2 sob CC BY-NC-SA 4.0 — não comercial. Para usá-lo, você precisa de Linux x86-64, uma GPU NVIDIA, CUDA 12.8, uv sync e um diretório de checkpoint. Isso é um problema de aquisição antes de ser um problema técnico.

Pode fazer um loop ao vivo parecer ao vivo.
Com 36 ms por frame, o FastFrames-S em um único B200 gera vídeo 1,7 vez mais rápido do que a reprodução. Esse é o limiar em que uma prévia generativa responde à entrada em um ou dois frames, e é isso que faz avatares em streaming, modelos de mundo controláveis e prototipagem interativa serem produtos diferentes, e não versões mais lentas. As próprias demonstrações da Apple tornam dois sistemas existentes interativos: a variante 1.3B do LingBot-World passa de 1.085 para 52 ms por frame, uma queda de 16×, e a sua 14B, de 3.862 para 233. O RealWonder 1.3B passa de 1.141 para 51. Nenhum deles é um substituto do Veo, tampouco — são coisas que o Veo não consegue fazer por preço algum, porque nenhuma API hospedada cobra por frame em uma sessão.
Se você precisa entregar algo neste trimestre
A regra de decisão é curta. Se o entregável for um arquivo — um comercial, um vídeo de produto, um explicativo com narração —, o Veo 3.1 é a ferramenta pronta, e o FastFrames não entra na conversa, porque não consegue oferecer áudio nem 1080p. Se o entregável for uma experiência — uma demonstração ao vivo, um personagem interativo, uma ferramenta em que uma pessoa controla e vê o resultado imediatamente —, nenhum modelo de vídeo hospedado faz isso hoje, o FastFrames é o caminho aberto mais confiável para chegar lá, e o custo é uma GPU e uma revisão de licença.
Há um terceiro caso, e é o mais comum: uma equipe que quer descobrir se vale a pena construir o cenário interativo. Criar um protótipo disso com um modelo hospedado é mais barato do que comprar tempo de B200, e o OrcaRouter é onde o lado hospedado é uma única chave — o mesmo endpoint cobre Kling 3.0, Kling 3 Turbo e Kling Video O1, além do MiniMax H3, tudo com o preço de tabela do provedor e 0% de markup, de modo que uma mudança de tarifa do fornecedor aparece na sua fatura no dia em que acontece. O próprio FastFrames não está nesse catálogo e não o oferecemos; nada nesta versão muda o que hospedamos. O que uma única chave proporciona é a capacidade de medir qual latência seus usuários realmente toleram antes de você dedicar hardware para superá-la.
Para onde isso vai a seguir
A diferença entre os dois sistemas é uma diferença no que o silício está fazendo durante a geração, e ela será fechada pelas duas pontas. Os fornecedores de serviços hospedados já estão vendendo camadas mais rápidas, e a técnica de decodificador de pixels é, em princípio, agnóstica a modelos — ela é treinada por modelo base, mas nada nela exige o Wan2.1. A versão desta comparação que importa é daqui a dezoito meses: um modelo 1080p hospedado com áudio que retorna um clipe em menos de um segundo, com preço por segundo em vez de por minuto. Até isso existir, o resumo honesto é que o FastFrames venceu a corrida de latência em uma categoria na qual o Veo não está competindo.
