Guia de IA multimodal — texto, imagem, vídeo e áudio em uma única API compatível com a OpenAI

A maioria dos agregadores de LLM para no texto. No momento em que seu produto precisa gerar uma imagem, editar uma foto, animar uma imagem estática em vídeo, dar voz a um anúncio ou compor música, você volta a gerenciar mais três fornecedores, mais três cobranças e mais três SDKs. O Kunavo oferece tudo isso pela mesma API compatível com OpenAI. Este guia explica quando recorrer a cada modalidade, o menu de modelos de cada modalidade e como encadeá-las em pipelines multimodais de produção.

O menu de modalidades (e para que serve cada uma)

• Geração de texto — Claude Opus/Sonnet/Haiku e GPT. Use para raciocínio, chat e saída estruturada. /docs/chat
• Geração de imagens (texto para imagem) — Nano Banana Pro, GPT-Image-2, Nano Banana 2. A escolha varia conforme o caso de uso (veja a comparação abaixo)
• Edição de imagens (imagem para imagem) — Nano Banana Edit, GPT-Image-2 Edit. Substitua texto em embalagens, troque fundos, aplique outro estilo
• Geração de vídeo — Veo 3 Lite/Fast/Quality, Seedance 2 e Seedance 2 Fast, Wan 2.7. Texto para vídeo e imagem para vídeo são compatíveis
• Áudio — Música — Suno V5 / V5.5. Músicas completas a partir de um prompt

Consulte o catálogo completo em /models.

Escolhendo um modelo de imagem — a regra dos 30 segundos

• Precisa de texto nítido na imagem (mockups de UI, pôsteres, placas)? → Nano Banana Pro. Não há comparação
• Prompts literais e detalhados? → GPT-Image-2. Forte compreensão de prompts; preço fixo em todas as resoluções
• Alto volume quando o custo importa? → Nano Banana 2. Mais barato em 1K, com boa fidelidade
• Visual cinematográfico com profundidade? → Nano Banana Pro. O bokeh é genuinamente cinematográfico

Veja a análise completa em nossa comparação de modelos de imagem — nossa comparação atualizada de modelos de imagem.

Escolhendo um modelo de vídeo

Três famílias estão disponíveis, e elas cobram por unidades diferentes — Veo 3 por vídeo, Seedance e Wan por segundo de saída. Os preços abaixo são as tarifas do catálogo:

Como o endpoint é independente do modelo, trocar de família exige alterar apenas o campo model. Guia rápido de vídeo em nosso guia rápido do Veo 3; detalhes por modelo nos guias da API do Seedance e da API do Wan.

Gerando uma imagem — o básico

# Text-to-image: same OpenAI SDK, different model slug
img = client.images.generate(
    model="nano-banana-pro",          # Google's flagship — best text rendering
    prompt="a marketing hero for a fintech app, isometric, soft blue palette",
    size="1024x1024",
)
print(img.data[0].url)  # 24h temporary URL — download immediately

As URLs dos resultados são temporárias (24h para imagens, permanentes para vídeos por meio da CDN files.kunavo.com). Para imagens, baixe imediatamente e armazene em sua própria CDN.

Imagem para vídeo — levando seus ativos existentes ao movimento

Você já tem fotografias de produtos em seu site. O Veo 3 pode animar qualquer uma delas em um clipe de produto de 8 segundos:

# Image-to-video: upload a hero image, animate into an 8-second product clip
# (every Veo clip is 8 seconds; the Veo models ignore "duration").
# The OpenAI SDK has no method for the video route, so post to it with the
# same client.
video = client.post(
    "/video/generations",
    body={
        "model": "veo-3",
        "prompt": "camera slowly orbits, soft cinematic light, product hero shot",
        "image_url": hero_image_url,
        "aspect_ratio": "9:16",   # vertical for Reels / TikTok / IG short
        "resolution": "1080p",
    },
    cast_to=object,
    options={"timeout": 600.0},   # a clip takes minutes
)
print(video["data"][0]["url"])

Equipes de marketing que antes gastavam US$ 500–1500 por filmagem de vídeo reduzem isso a um clipe de $0.18+ (Veo 3.1 Lite) a $1.60+ (Veo 3.1 Quality), mais cerca de 30 segundos de computação. Funciona especialmente bem para animações principais de e-commerce, capturas de tela da App Store / Play Store e apresentações de produtos nas redes sociais.

Encadeando modalidades — o verdadeiro superpoder

Os fluxos de trabalho mais interessantes combinam modalidades em sequência. Uma linha de produção de clipes de marketing:

# Pipeline: GPT-Image generates a marketing hero, Veo 3 animates it,
# Suno scores the BGM. One API, one bill.
# Here client is AsyncOpenAI(api_key=..., base_url="https://api.kunavo.com/v1").
async def make_marketing_clip(product: dict) -> dict:
    # 1. Hero image
    img = await client.images.generate(
        model="gpt-image-2",
        prompt=f"hero shot of {product['name']}, premium aesthetic",
        size="1024x1792",
    )

    # 2. Animate to 8s vertical (the length of every Veo clip). The SDK has
    #    no method for the video and music routes, so post to them directly.
    video = await client.post(
        "/video/generations",
        body={
            "model": "veo-3",
            "prompt": f"camera orbits {product['name']}, cinematic lighting",
            "image_url": img.data[0].url,
            "aspect_ratio": "9:16",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    # 3. BGM
    bgm = await client.post(
        "/audio/music",
        body={
            "model": "suno-v5",
            "prompt": "upbeat synth, 30 seconds, brand-friendly",
        },
        cast_to=object,
        options={"timeout": 600.0},
    )

    return {"video": video["data"][0]["url"], "bgm": bgm["data"][0]["url"]}

Execute isso para 100 SKUs em paralelo com asyncio.gather() e você terá um pipeline de produção de catálogo de marketing. Custo total de aproximadamente US$ 1–2 por SKU, do início ao fim. Compare com US$ 500–2000 por ativo de uma agência criativa.

Considerações práticas

• Validade das URLs dos resultados: as imagens expiram em 24h (hospede novamente em sua CDN); os vídeos são permanentes em files.kunavo.com do Kunavo
• Tempo de geração: imagem ~5–30 s, vídeo ~30 s–3 min, música ~30 s. Use force-dynamic no servidor e mostre o progresso aos usuários
• Gerações malsucedidas são gratuitas — o Kunavo nunca cobra 4xx/5xx; portanto, itere livremente nos prompts
• Renderização de texto em vídeo: o Veo 3 tem dificuldade com texto de várias palavras em vídeo. Renderize o texto na pós-produção (CapCut, Final Cut, canvas no navegador) em vez de pedir ao modelo que o renderize
• Rostos reais / propriedade intelectual: todos os principais modelos recusam a geração de celebridades, conteúdo político e personagens protegidos por direitos autorais. Use personagens originais ou propriedade intelectual licenciada
• Proporções: 9:16 (vídeo vertical curto), 16:9 (paisagem), 1:1 (feed), 4:5 (retrato do Instagram). Passe por aspect_ratio no vídeo; nas imagens, use size="1024x1792" etc.

Casos de uso multimodais comuns (com prompts iniciais)

• Animações principais de produtos para e-commerce — imagem para vídeo, câmera orbital, 8 segundos, 9:16
• Ambientação virtual de imóveis — edição de imagem para adicionar móveis a cômodos vazios
• Produção de carrosséis de marketing / Reels — geração de imagens em lote no estilo da sua marca + animação com Veo
• Clipes explicativos educacionais — gere slides como imagens, anime-os com Veo 3 e pontue-os com Suno
• Vinhetas de podcast e identidade sonora — trilhas e vinhetas musicais do Suno para seu programa, geradas a partir de um prompt
• Geração de ativos para jogos / aplicativos — retratos de personagens, ícones de itens e fundos de ambientes via Nano Banana Pro / GPT-Image-2

Quando NÃO usar multimodalidade

• Ativos estritos da marca — a saída do modelo sofre desvios, mesmo com prompts precisos. Use IA para variações de um original criado por humanos, não para substituí-lo
• Rostos de pessoas reais — recusados por todos os principais modelos; há risco jurídico/de propriedade intelectual se você contornar isso
• Vídeo ao vivo / geração em tempo real — os modelos atuais levam de 30 s a 3 min por clipe. Ainda não são adequados para casos de uso ao vivo
• Precisão em situações críticas — imagens médicas, provas jurídicas, publicação científica. A geração multimodal é criativa, não factual

A multimodalidade em uma única cobrança é o verdadeiro propósito do Kunavo. Comece em /docs/images ou /docs/video para consultar os endpoints, ou navegue por /models filtrando por categoria.

Para as tabelas de preços por modelo usadas nesses pipelines, consulte a comparação de APIs de geração de imagens e a comparação de APIs de geração de vídeos.

Perguntas frequentes