Em 21 de agosto, o modelo unificado de áudio e vídeo da Baidu, MuseSteamer (Motor das Musas), concluiu uma grande atualização: as versões Turbo, Lite e Pro, além da edição com voz, foram totalmente liberadas, alcançando a primeira geração unificada do setor de vídeo com múltiplos personagens e som. Os cinco avanços técnicos do MuseSteamer entregam “do prompt ao filme pronto” — imagens em alta definição com som ambiente realista sincronizado e falas naturais dos personagens. Os usuários podem experimentar agora pela busca da Baidu ou pela plataforma HuiXiang; usuários corporativos contam com geração de vídeo de alto desempenho na plataforma Qianfan.
Cinco avanços que põem fim à era do silêncio
O MuseSteamer é o primeiro modelo do mundo de imagem-para-vídeo em chinês com geração unificada de áudio e vídeo — suportando não apenas efeitos ambientes, mas falas integradas de múltiplos personagens. A edição 2.0 com voz encerra a era da dublagem no vídeo AIGC: tudo o que o criador imagina em linguagem audiovisual agora exige apenas uma imagem e um prompt. Os cinco avanços centrais: vídeo com múltiplos personagens e falas em geração unificada, inédito no setor, com alinhamento de precisão milimétrica entre fala, movimento labial, expressão e gestos, mantendo estabilidade em cenas complexas; um Latent Multi-Modal Planner, primeiro do tipo, que coordena de forma autônoma as identidades, emoções e a lógica de interação de vários personagens para garantir coerência narrativa em nível cinematográfico; adaptação profunda a cenários chineses, renderizando detalhes da fala e expressão emocional chinesas com mais de 98% de fidelidade; qualidade cinematográfica de ponta a ponta por meio da renderização precisa da dinâmica dos sujeitos para performances humanas realistas e cheias de nuance; e controle de câmera em nível de mestre — dezenas de linguagens de enquadramento profissional embutidas, respondendo com precisão ao texto e alinhando o detalhe visual à intenção criativa.
Preço em 70% da média do setor — efeitos de milhões por algumas centenas
Os avanços mudam a estrutura de custos, não apenas o patamar de qualidade. Atores caros, locações, aluguel de equipamentos, além de dublagem e etapas de efeitos na pós-produção, tudo isso é substituído pela geração. O supervisor de efeitos visuais Yao Qi — cujo currículo inclui 2012, Matrix Revolutions, Transformers: O Lado Oculto da Lua e o Three-Body chinês — apresentou no evento seu curta de ficção científica feito com o MuseSteamer, The Journey Home: “Ele torna possível cenas em escala hollywoodiana sem um orçamento de milhões”. O trabalho teve mais de 40 planos com cerca de três gerações por plano — mais de 120 segmentos gerados por IA a um custo de apenas algumas centenas de yuans. Na campanha de leite em pó de cabra adulta da Yili Beichang, o vídeo AIGC produzido com o MuseSteamer comprimiu drasticamente um ciclo de produção tradicional de 4 a 6 semanas, entregando criação de alta qualidade a baixo custo e reduzindo expressivamente a barreira de produção para o marketing.
Com a linha completa de versões liberada, a Baidu publicou uma tabela de preços agressiva: assinaturas escalonadas a partir de 70% dos preços de serviços comparáveis, créditos de imaginação gratuitos para novos usuários e uma loteria às quintas-feiras que premia com até 18.888 créditos — a “liberdade de geração de vídeo”. Competições mensais de efeitos distribuem prêmios de dezenas de milhares.
Desenvolvimento de modelo orientado por aplicações, expansão para todo o ecossistema
Diferente do padrão do setor, que desenvolve modelos com a tecnologia em primeiro lugar, o MuseSteamer seguiu um novo paradigma: a demanda das aplicações orientou a pesquisa. Necessidades das próprias linhas de negócio da Baidu impulsionaram a evolução do modelo, e as melhorias retornam para os ecossistemas de busca, conteúdo, comércio e nuvem da empresa. Na Busca da Baidu, os usuários clicam em criação de vídeo e geram clipes prontos a partir de roteiros gratuitamente. Na criação de conteúdo, o modelo se integra às ferramentas da plataforma Baijiahao, dissolvendo barreiras profissionais — o curta de comemoração de vitória na guerra feito por um criador com IA emocionou dezenas de milhões de espectadores. No comércio, a Talagon da FAW-Volkswagen usou o MuseSteamer em um vídeo de marketing para o festival Qixi que abriu mão do grande orçamento de gravação, convertendo criação festiva imaginativa em imagens concretas que carregam qualidade tanto de conteúdo quanto de marketing. E, na plataforma Qianfan da Baidu AI Cloud, empresas acessam o modelo com pagamento por uso, pacotes de recursos pré-pagos e computação em lote — cinco grandes cenários, incluindo marketing comercial, produção cinematográfica e efeitos criativos, vídeo com IA de nível empresarial pronto para uso.
As alegações técnicas merecem ser destrinchadas, porque “áudio e vídeo unificados” é uma categoria de produto genuinamente diferente de “vídeo com faixa de dublagem”. Os pipelines tradicionais de vídeo AIGC geram primeiro as imagens mudas e depois sobrepoem a fala sintetizada — e é por isso que as bocas desafinam das palavras, os gestos ignoram a ênfase e as cenas com múltiplos personagens desmoronam. A geração unificada do MuseSteamer 2.0 significa que os canais acústico e visual são produzidos juntos, em uma única passagem: o modelo raciocina sobre quem fala, quando e como, e então renderiza quadros que já carregam a performance. O Latent Multi-Modal Planner estende isso às cenas — coordenando as identidades, estados emocionais e a lógica de interação de vários personagens para que uma conversa entre duas pessoas pareça encenada, e não sequencial. Para um produto em língua chinesa, a alegação de fidelidade de fala de 98% mira exatamente o modo de falha (tom, emoção, nuance regional) em que os modelos estrangeiros se comprometem.
A estratégia de preços é a outra manchete. A 70% dos serviços comparáveis, com créditos gratuitos e sorteios semanais gamificados, a Baidu claramente joga pelo volume e pela formação de hábito no mercado de criadores — a mesma lógica de conquista territorial que os gigantes dos chatbots executam, aplicada à geração de vídeo, onde a monetização está de fato comprovada. E o conjunto de evidências é incomumente concreto para um evento de lançamento: um curta de 120 planos de um veterano de efeitos visuais de Hollywood por algumas centenas de yuans, uma marca nacional comprimindo um ciclo de produção de seis semanas e disponibilidade corporativa na plataforma Qianfan desde o primeiro dia. Para os concorrentes — Kling, Hailuo, Vidu e os players internacionais — a mensagem é que o benchmark de geração de vídeo no mercado chinês agora inclui som sincronizado de múltiplos personagens a preços commodity. Para os criadores, a orientação é mais simples: a era do silêncio do vídeo AIGC acabou, e fluxos de trabalho construídos em torno de “gerar as imagens, depois dublar” devem ser repensados em torno de “dirigir a cena, som incluído”, enquanto a vantagem competitiva dessa capacidade ainda perdura.
Por que isso importa
O lançamento marca o momento em que a geração unificada de áudio e vídeo deixou de ser um recurso de laboratório e se tornou um produto com preço e modelo de negócio. A alegação de vídeo com múltiplos personagens e falas é a manchete técnica — sincronizar vários personagens falantes com movimento labial, expressão e gesto em precisão milimétrica, enquanto um planner mantém a lógica narrativa entre eles, é a diferença entre geração de “rostos falantes” e geração de cenas. A manchete econômica é igualmente importante: um filme de 120 planos feito por um supervisor de efeitos visuais por algumas centenas de yuans é a demonstração mais clara possível de que a curva tradicional de custos de produção se rompeu. Para o conteúdo em língua chinesa especialmente — onde os modelos ocidentais ficaram para trás em fidelidade de fala — a adaptação de fala chinesa de 98% posiciona o MuseSteamer exatamente em um mercado mal atendido pelas grandes plataformas americanas. A luva agora está no chão para todo concorrente de geração de vídeo: som é o mínimo esperado, e o próximo benchmark são cenas com elenco. Fonte: anúncio oficial da Baidu, 21 de agosto.
