O gerador de vídeo funciona em dois modos. "Foto para vídeo" dá vida a uma imagem enviada: uma pessoa sorri e vira a cabeça, as ondas quebram na praia, a câmera desliza pela cena. "Texto para vídeo" constrói um clipe do zero a partir de uma descrição — personagens, cenário, movimento de câmera e atmosfera. A maioria dos modelos gera o som junto com a imagem: fala, música e ruídos de ambiente.
Todos os principais modelos de vídeo de 2026 estão disponíveis em uma única interface. O MiniMax H3 Turbo é o mais rápido e acessível, com um clipe pronto em cerca de um minuto. O MiniMax H3 é especialmente bom para animar retratos. Kling 3 e Kling 3 Pro entregam movimento de câmera e iluminação cinematográficos. O Veo 3.1, do Google, oferece física realista. O Gemini Omni Flash é o novo modelo do Google, com fidelidade precisa ao prompt e fala. O Wan 3.0, da Alibaba, se destaca na construção de cenas narrativas com mudanças de plano. O Grok Imagine 1.5, da xAI, e o Kling 4.0 conseguem gerar clipes de até 15 segundos em uma única geração. O Seedance 2.5, da ByteDance, é um modelo premium para ação complexa e fala com sincronia labial.
A duração é de 5 ou 10 segundos (o Gemini Omni Flash também oferece 8 segundos, o Veo 3.1 oferece 4, 6 ou 8 segundos, e o Grok Imagine e o Kling 4.0 chegam a 15), a resolução é 720p ou 1080p, nos formatos 16:9, 9:16 e 1:1. A geração acontece inteiramente na nuvem: não é preciso placa de vídeo nem instalar programas. O MP4 final pode ser estendido, editado por descrição, ampliado para 4K ou publicado na hora.