Kandinsky 6.0 Video vs Hailuo 2.3: Uma Lista de Preços Contra um Download

Comece pela aritmética, porque é o único ponto em que esses dois se sobrepõem. Um clipe silencioso de seis segundos em 1080p do Hailuo 2.3, o modelo de vídeo econômico de abril de 2026, custa alguns centavos por segundo — cerca de US$ 0,48 pelo clipe. Um clipe de cinco segundos com áudio sincronizado de 44 kHz e lip-sync do Kandinsky 6.0 Video, que o Kandinsky Lab da Sber disponibilizou em código aberto sob a licença MIT na primeira semana de outubro de 2026, não custa nada por clipe e consome cerca de sete minutos de tempo de H100 em Full HD. Essa é a comparação inteira em duas frases, e a decisão que ela implica não é "qual é melhor" — é qual medidor você prefere usar: uma fatura por segundo, ou o seu próprio hardware.

Todo o resto decorre dessa divisão, e a maioria das páginas de comparação entende isso ao contrário, tratando esses produtos como o mesmo tipo de produto em faixas de preço diferentes. Não são. Hailuo 2.3 é um serviço com o briefing de um estilista e sem som; Kanduo 6.0 Video é uma família de checkpoints de dois tamanhos — Pro com 29B e Lite com 29B — com o som como sua característica arquitetural central.

No que o barato é realmente bom

A reputação do Hailuo 2.3 é merecida e específica. Ele lida bem com movimento cinematográfico de câmera, movimento humano e microexpressões, e é mais forte do que o preço sugere em conteúdo estilizado e anime. Ele produz texto para vídeo e imagem para vídeo em até 1080p. A MiniMax não o promove como um modelo fotorrealista, e ele não é um — é um estilista com bom olho para movimento.

Seus limites são igualmente específicos, e é por isso que esta comparação é curta.

• Sem áudio nativo. O Hailuo 2.3 tem saída silenciosa, e a geração anterior do Hailuo que tinha áudio não é mantida nele. Todo clipe precisa que som seja adicionado em etapas posteriores.

• Limite de duração do clipe de seis segundos em 1080p, dez segundos em 768p, sem controle de quadro final — de modo que os clipes não se encadeiam de forma limpa em uma sequência.

• Não está nos quadros independentes atuais. O Hailuo 2.3 não aparece nos rankings de texto para vídeo, imagem para vídeo ou edição de vídeo da Artificial Analysis como eles estão hoje, então não há Elo público para comparar com coisa alguma. Referências mais antigas de que ele ficava por volta do final dos vinte em uma arena de vídeo não correspondem aos quadros publicados atualmente, e devem ser tratadas como um instantâneo desatualizado, e não como uma posição atual.

Os preços são apresentados em duas moedas por duas partes diferentes, e vale a pena conhecer ambas. A própria API da MiniMax vende pacotes pré-pagos de pontos, em que um clipe padrão de seis segundos em 768p consome um ponto e um clipe de dez segundos em 768p ou de seis segundos em 1080p consome dois — com a variante Hailuo-2.3-Fast, mais rápida, a reduzir esses valores para cerca de 0,7 e de 1,1 a 1,3 pontos. Rastreadores de terceiros indicam uma tarifa mais uniforme, na ordem dos 0,067 a 0,082 dólares por segundo, um deles a 0,0817 dólares/s e citando "até 1080p, 10 s no máximo por clipe, saída sem som" e cerca de 147 dólares por mês para trezentos clipes de seis segundos. Independentemente do caminho que escolher, a ordem de grandeza é a mesma e trata-se da geração mais barata desta categoria.

O problema de comprar uma geração ultrapassada

Há um fato de ciclo de vida sobre o Hailuo 2.3 que importa mais do que qualquer especificação, e não é uma crítica ao modelo. A MiniMax seguiu em frente. Seu sucessor, MiniMax H3 — a geração Hailuo 3 — foi lançado em 31 de julho de 2026 e é uma classe de produto diferente: um modelo omni-modal que lê referências de texto, imagem, vídeo e áudio como um único contexto, gerando clipes de quatro a quinze segundos em 768p ou 2K com áudio estéreo nativo, cobrado por segundo de saída.

Isso não é um fornecedor. Está ativo. O posicionamento é forte:

• Texto para vídeo — MiniMax H3 (768p) em 4º lugar no Elo com 1.137 (±9) em 8.315 votos, a US$ 4,80/min.

• Imagem para vídeo — MiniMax H3 em 2º lugar no Elo 1.181 (±8) com 7.284 votos, a US$ 7,80/min.

• Edição de vídeo — MiniMax H3 em 2º lugar no Elo 1.132 (±6) com 12.043 votos, a US$ 7,80/min.

Portanto, o enquadramento honesto de uma compra do Hailuo 2.3 em outubro de 2026 é este: você está comprando o nível econômico de uma família cuja geração principal está entre as cinco melhores nos dois modos de geração, tem o áudio que o 2.3 não tem, e custa talvez de cinco a dez vezes mais por segundo. Essa é uma decisão defensável para trabalho de estilização em alto volume — é exatamente para isso que existe um nível econômico —, mas deve ser uma decisão deliberada, não padrão. Qualquer pessoa avaliando o 2.3 hoje deveria primeiro comparar o preço do H3 com o dele, porque a diferença entre eles não é incremental.

Cinco segundos contra seis, e por que a diferença é menor do que parece

Em termos de duração, o Kandinsky 6.0 Video não leva vantagem. Ele é treinado com 121 quadros e 24 fps — cinco segundos — e o lançamento não inclui modo de extensão. O Hailuo 2.3 oferece seis segundos em 1080p. Nenhum dos dois é suficiente para uma cena contínua, e ambos significam que uma peça de trinta segundos exige cinco ou seis gerações mais as emendas.

As lacunas que importam estão em outro lugar.

• Áudio — Kandinsky 6.0 Video: 44 kHz com sincronização labial, produzido em conjunto com a imagem, sempre ativo. Hailuo 2.3: nenhum, por design.

• Resolução — Kandinsky 6.0 Video: SD, HD e Full HD por meio de um modelo dedicado de super-resolução, ampliações de x2, x4 ou x2.25 de clipes de cinco segundos. Hailuo 2.3: até 1080p, sem etapa de SR.

• Condicionamento — Kandinsky 6.0 Video: texto para áudio-vídeo e imagem para áudio-vídeo, uma imagem de referência aplicada como quadro final mascarado. Hailuo 2.3: texto para vídeo e imagem para vídeo, sem controle de quadro final.

• Pesos — Kandinsky 6.0 Video: MIT, Pro e Lite, com integração com diffusers e — desde esta manhã — um pipeline de serving do vLLM-Omni. Hailuo 2.3: não lançado.

• Preços — Hailuo 2.3: por segundo de saída, ou pontos contra um pacote pré-pago, com uma variante Fast mais barata. Kandinsky 6.0 Video: nenhuma tarifa; você fornece a GPU.

O que as evidências do próprio fornecedor dizem, e o que elas não podem dizer

O argumento de qualidade do Kandinsky 6.0 Video não é auditado e deve ser descrito dessa forma. A Sber relata resultados do VABench nos quais o Pro lidera em qualidade de fala, estética de áudio, alinhamento texto-vídeo e áudio-vídeo, precisão de sincronização labial, dessincronização e realismo visual entre os três sistemas avaliados — seu próprio modelo Lite e o LTX 2.5. Ela também relata uma avaliação humana lado a lado conduzida em laboratório, com aproximadamente 200 ou mais comparações pareadas por critério, na qual o modelo é competitivo com o Kling 2.6 e o Veo 3.1 Fast, fica atrás do MiniMax H3 e do Dreamina Seedance 2.0 em critérios visuais, e se mantém competitivo em qualidade de fala e sincronização áudio-vídeo. Não há Elo público cego, nem reprodução externa.

As evidências do Hailuo 2.3 têm o formato oposto: amplamente utilizado, com preço divulgado publicamente, mas atualmente ausente dos rankings independentes de vídeo, de modo que também não pode ser posicionado em relação a um campo atual. Nenhum dos modelos tem aquilo que um comprador mais gostaria — e, no caso do Hailuo, seu próprio sucessor tem. É essa a assimetria que vale nomear: a família de um modelo já foi pontuada e posicionada, e a do outro não foi pontuada de modo algum.

O que resta, então, é a divisão de áudio, e ela é uma divisão genuína, e não uma linha de lista de recursos. O Hailuo 2.3 simplifica uma coisa — não há trilha sonora a preservar quando você entrega um clipe para uma etapa de masterização — e complica outra: todo vídeo falado, todo comercial de produto com narração, todo lugar em que um efeito sonoro tem de coincidir com uma ação, agora é uma etapa de alinhamento que é sua responsabilidade. A arquitetura do Kandinsky 6.0 Video é voltada para esse problema: um CrossDiT totalmente novo que emparelha um fluxo de vídeo com um fluxo de áudio criado do zero sob atenção cruzada bidirecional, com um estágio de aprendizado por reforço que o artigo relata como uma taxa de erro de palavra em fala gerada de 47% — medida com Whisper-large-v3, um dos modelos de recompensa de RL, e não comparável à taxa de erro de palavra do Qwen3-ASR-1.7B que o artigo relata juntamente com o VABench.

Onde um router se encaixa e onde não

O OrcaRouter não serve o Kandinsky 6.0 Video nem o Hailuo 2.3, e nenhuma dessas alegações é feita aqui — o Kandinsky é para você baixar e executar, e o Hailuo 2.3 é acessado pela API e pelo sistema de pontos da própria MiniMax. O que um pipeline construído sobre qualquer um dos dois precisa de um roteador é do texto em torno da renderização: a lista de planos, a expansão de prompt que transforma um briefing na legenda longa ou curta com a qual esses modelos foram treinados, o trabalho de legendas e diálogos, e os resumos de revisão que decidem qual geração é mantida. Essas são chamadas de texto comuns, e rodam em um único endpoint compatível com OpenAI, em mais de 200 modelos ao preço de lista do provedor, com 0% de markup, então uma mudança de preço do fornecedor entra em vigor na mesma chave no dia em que acontece, com failover automático para que uma chamada que falha no meio da renderização seja redirecionada em vez de perder o lote. A camada de orquestração em torno de um modelo de vídeo é um problema de roteamento mesmo quando o modelo de vídeo não é roteável — que é a situação de ambos hoje.

Qual escolher

Escolha o Hailuo 2.3 quando o trabalho for em volume, a estética for estilizada ou animada, o entregável for silencioso e o medidor por clipe for a restrição que importa. É a geração competente mais barata da categoria e tem preço condizente. Compare o preço do MiniMax H3 ao lado dele antes de se decidir, porque a geração carro-chefe da mesma família está entre as cinco melhores em ambos os modos e tem o áudio que o 2.3 nunca teve.

Escolha o Kandinsky 6.0 Video quando o entregável precisar de som, quando unidades de cinco segundos se adequarem à sua lista de planos, quando a fidelidade de imagem para vídeo em relação a uma still fornecida for o requisito, e quando possuir o modelo importar mais do que alugá-lo. Entre com os custos declarados sem rodeios: nenhuma tarifa divulgada, um teto de cinco segundos, uma renderização em Full HD que leva cerca de 402 segundos numa H100 e 854 numa RTX 5090 para o modelo Pro, offloading de blocos obrigatório abaixo de 72,8 GiB de alocação de pico, e uma alegação de qualidade que é inteiramente da própria Sber até que alguém fora do laboratório a pontue.

A pergunta por trás das duas tabelas de preços é a que decide muita infraestrutura de vídeo neste trimestre. O Hailuo 2.3 cobra por segundo e entrega um arquivo; o Kandinsky 6.0 Video cobra uma GPU e entrega uma licença. Para uma equipe que gera cem clipes por mês, a fatura vence em todos os eixos que uma planilha mede. Para uma equipe que pretende fazer ajuste fino, rodar offline ou ainda estar usando o mesmo modelo depois que a próxima geração for lançada, o download vence no único eixo que uma planilha não consegue ver.