Guia do BananaBanana: 13 modelos de IA, preços e recursos

O BananaBanana é uma plataforma pay-as-you-go de geração de imagens, vídeo e voz com IA que reúne treze modelos de quatro fornecedores em um único saldo em USD: seis modelos de imagem (três níveis do Nano Banana, dois níveis do GPT Image 2.5 e o Qwen Image 3.0 Pro), sete modelos de vídeo (três níveis do Veo 3.1, duas gerações do Gemini Omni Flash, o Wan 3.0 e o Grok Imagine Video 1.5), além do Gemini 3.1 Flash TTS para voz. Não tem assinatura nem cartão cadastrado. Você recarrega com cripto ou cartão e paga por resultado.

O resumo rápido, se você estiver comparando opções:

• Imagens: de $0.03 a $0.20 cada, dependendo do modelo e da resolução (de 512px a 4K).
• Vídeo sem som: a partir de $0.10 por um clipe de 4 segundos em 720p no Veo 3.1 Lite.
• Vídeo com som: a partir de $0.18 no Veo Lite, ou $0.20 por um clipe de 4 segundos em 480p no Wan 3.0, em que a trilha sonora sai de graça. O Gemini Omni Flash cobra por segundo, de $0.03 em 360p a $0.30 em 4K.
• Voz: $0.01 a cada 200 caracteres, 30 vozes, um ou dois locutores.
• Depósitos: mais de 20 criptomoedas e stablecoins a partir de $1, ou cartão, PayPal e SEPA a partir de $20. Sem assinatura, nada para cancelar.
• Controles: seed, prompt negativo, imagens e clipes de referência, primeiro e último quadro, extensão de clipes. Quase toda a superfície da API em uma interface web, e os mesmos modelos via MCP para agentes.
• Contas novas ganham $0.20 de saldo inicial, e gerações que falham são reembolsadas automaticamente.

Publicamos a primeira versão deste post no dia do lançamento, quando a plataforma rodava sete modelos do Google e o texto era seis tópicos e uma promessa. Esta é a edição de setembro de 2026: treze modelos, quatro fornecedores, e cada amostra abaixo gerada pelo nosso próprio pipeline para este artigo.

O que você pode criar no BananaBanana?

Imagens, clipes curtos de vídeo e áudio falado, na maioria das variações práticas de cada um.

As imagens vão de rascunhos rápidos em 512px a exportações em 4K, em dez proporções, do quadrado 1:1 ao cinematográfico 21:9. Dá para anexar imagens de referência quando um produto ou personagem precisa se manter igual ao longo de uma série (até 14 no Nano Banana 2 e no GPT Image 2.5, três no Qwen). Uma imagem barata leva poucos segundos; os modelos de ponta chegam perto de meio minuto.

O vídeo agora se divide em três filosofias. A família Veo 3.1 entrega controle: duração exata de 4, 6, 7 ou 8 segundos, resolução de até 4K e uma trilha sonora que você pode desligar. O Omni Flash é o conversacional: sempre com som, de 3 a 10 segundos cobrados por segundo, e você itera descrevendo as mudanças em linguagem comum. A dupla mais nova aposta em duração ou em fala: o Wan 3.0 renderiza até 30 segundos em uma única tomada, e o Grok Imagine Video 1.5 sincroniza os lábios com a fala que você escreveu.

Uma diferença mais discreta em relação à maioria dos sites que só embrulham uma API: expomos quase todos os parâmetros de cada API em vez de uma única caixa de prompt. Seed, prompt negativo, um botão de melhoria do prompt, dez proporções, referências de sujeito, primeiro e último quadro, extensão de clipes, a chave de áudio. Se você já largou uma ferramenta porque ela escondia justamente o ajuste de que precisava, a gente também já passou por isso, e é por isso que o gerador não esconde.

Em volta dos modelos fica a parte chata, mas importante: histórico de gerações no seu perfil, reembolso automático quando um fornecedor falha, interface traduzida para 15 idiomas e um servidor MCP para que o Claude, o Cursor ou o seu próprio agente chamem os mesmos modelos com o mesmo saldo.

Modelos de imagem Nano Banana: Lite, padrão e Pro

Os três modelos de imagem do Google são da mesma família e dividem o trabalho com clareza. O Lite é para volume, o Nano Banana 2 é para ter folga de resolução, o Pro é para as peças que as pessoas vão realmente examinar de perto.

Em vez de descrever a diferença, aqui vai o mesmo prompt nos três modelos: uma garrafa fotorrealista de refrigerante de banana sobre o balcão de uma feira molhado de chuva ao entardecer, com um rótulo de papel escrito "BANANA SODA".

O Lite ($0.03) acerta o clima e as letras do título e depois desiste em silêncio das letras miúdas: a linha embaixo do logo é um rabisco decorativo. Para uma ilustração em que ninguém vai dar zoom, geralmente serve.

O Nano Banana 2 ($0.06 em 1K) entrega um rótulo legível de ponta a ponta, até um "EST. 1974" inventado e a indicação de volume, e enquadra uma cena de rua mais ampla. Já o quadro de cardápio que ele colocou no fundo saiu todo torto.

O Pro ($0.11) ganha em tipografia e em luz: letras retrô nítidas com sombra e uma letra cursiva legível embaixo. Detalhe engraçado: até o Pro errou a grafia do próprio slogan que inventou, "Small Balch". Os modelos de imagem evoluíram muito com texto; revisar continua sendo tarefa sua.

Também deixamos o Lite em produção por uma semana e escrevemos quando o modelo barato dá conta, caso você queira o lado do orçamento em detalhes.

GPT Image 2.5 e Qwen Image 3.0 Pro: os outros modelos de imagem

Agora três modelos de imagem vêm de fora do Google, e eles estão aqui porque o pessoal vivia pedindo uma segunda opinião sobre o mesmo prompt.

O mesmo prompt do refrigerante de banana, mais duas versões.

O Flare ($0.05) é o único modelo de toda a lista que acertou cada palavra, letras miúdas inclusive: "Real Banana Flavor, Since 1932", além de um cachinho de bananas que ninguém pediu e um bokeh de feira molhada que parece foto de verdade. Levou 36 segundos, que é o preço dessa precisão. O Sunburst é a mesma família ajustada para seguir o prompt de forma ainda mais rigorosa; recorro a ele quando um layout precisa bater com o briefing, não para um primeiro rascunho.

O Qwen ($0.04) voltou em nove segundos com o título mais marcante dos cinco e a garrafa mais limpa, e aí fez a mesma coisa que o Lite nas letras miúdas: duas linhas de bobagem convincente. A força real dele é texto em chinês, japonês, coreano e outras escritas em que os modelos do Google ainda tropeçam, e ele é o modelo mais barato da lista com seed e prompt negativo. Só que não tem 4K.

Vídeo com Veo 3.1: Standard, Fast e Lite

Os três níveis do Veo têm os mesmos controles no nosso gerador; a diferença de preço compra qualidade de saída, que aparece principalmente na física e nos movimentos finos. Segundo a documentação do Veo do Google, a família suporta áudio nativo, imagem para vídeo e resoluções de até 4K, e isso bate com o que vemos pela API, com uma observação da plataforma: o Veo 3.1 Lite vai no máximo até 1080p.

Os preços abaixo são faixas de um clipe de 4 segundos a um de 8:

O clipe acima é do Veo 3.1 Fast: um dolly-in de 6 segundos, sem som, sobre uma mesa de café da manhã na golden hour, gerado para este post. Custou $0.52 em 720p. Repare no vapor e na cortina; esse tipo de movimento convincente é o que separa o Veo dos modelos de vídeo mais baratos, e o Fast mantém quase tudo isso por um terço do preço do Standard.

Um clipe costuma ficar pronto em poucos minutos. Quando a capacidade está no limite, a plataforma reinicia a operação sozinha e mostra o contador de novas tentativas enquanto você espera. Se mesmo assim não conseguir entregar, o dinheiro volta. A mesma regra vale quando o filtro de segurança engole resultados: bloqueio total é reembolsado por inteiro, bloqueio parcial, proporcionalmente.

Minha regra depois de meses usando esses modelos: Lite para storyboards e rascunhos para redes sociais, Fast para o dia a dia, Standard quando água, tecido ou colisões precisam parecer reais, ou quando a especificação de entrega pede 4K. O Veo também é o que vai mais longe: um clipe pronto pode ser estendido de 7 em 7 segundos, até 148 segundos com continuidade total.

Omni Flash: vídeo com som que você edita conversando

O Gemini Omni Flash é o diferentão do grupo. O Google lançou a primeira geração em junho de 2026 e o Omni 1.1 em agosto; as duas rodam aqui, com a 1.1 como padrão. Ele sempre gera trilha sonora, dura de 3 a 10 segundos na duração que você define em segundos inteiros e cobra por segundo: $0.03 em 360p, $0.10 em 720p, $0.15 em 1080p e $0.30 em 4K, então um rascunho de três segundos sai por $0.09 e dez segundos completos em 720p, por $1.00. Ele aceita imagens de entrada: um quadro inicial, um último quadro opcional e até três clipes de referência para um personagem ou produto. A geração 1.0 continua disponível com 4, 6, 8 ou 10 segundos, em 720p ou 1080p, se você preferir o visual dela.

Ligue o som para este. O clipe das panquecas é uma única geração do Omni Flash: um prompt de texto descrevendo xarope de bordo escorrendo sobre uma pilha de panquecas, uma instrução explícita de "single continuous shot, no scene cuts" (o Omni adora enfiar planos extras se você não disser isso) e uma linha "Audio:" pedindo o fio suave do xarope sobre o ambiente silencioso de uma cozinha. Nenhum trabalho de áudio à parte. Pedi os 10 segundos completos.

Uma lição de prompt que tirei desse clipe: o Omni mantém o que já está acontecendo no primeiro quadro e descarta sem avisar ações marcadas para começar depois. Meus primeiros rascunhos pediam para virar uma panqueca "lá pela metade do clipe" e recebi dez segundos de nada três vezes seguidas. A versão que funcionou descreve o xarope já escorrendo desde o primeiro quadro e continuando pelo clipe inteiro. Escreva a ação no gerúndio, não como uma linha do tempo.

O recurso que justifica o preço é a edição. Todo vídeo pronto ganha um botão de editar, não só os do Omni: você descreve uma mudança ("deixe à noite, mantenha todo o resto igual"), paga os segundos de novo e o modelo renderiza o clipe outra vez com a sua correção, preservando a maior parte do original. Seus próprios uploads também funcionam, então um clipe do Veo ou um vídeo do celular pode ganhar um novo estilo pelo Omni; o resultado sempre volta com a mesma duração da fonte. O Omni 1.1 também estende: cada etapa acrescenta de 3 a 10 segundos ao fim do clipe, até uns 40 segundos no total. Desmontamos o modelo em uma análise da API do Omni Flash separada, e há uma página dedicada ao que mudou na 1.1.

Wan 3.0 e Grok Imagine Video 1.5: tomadas longas e clipes que falam

Esses dois chegaram em setembro e cobrem as lacunas que os modelos do Google deixam.

O Wan 3.0 é o único modelo da plataforma que renderiza meio minuto de uma vez só, e a trilha sonora dele não custa nada a mais, o que faz dele o jeito mais barato de conseguir vídeo com som aqui. O porém está no topo da tabela: 30 segundos em 1080p custam $6.00, a geração avulsa mais cara que vendemos. Clipes de referência também são cobrados, então uma referência de 15 segundos mais uma saída de 15 segundos custa como 30 segundos.

O barco com lanterna é uma geração do Wan 3.0 para este post: dez segundos em 720p, $1.00, um prompt pedindo um único travelling contínuo ao longo de um riacho na floresta ao anoitecer, com vaga-lumes, e uma linha "Audio:" para água e grilos. Ele entregou a tomada inteira sem um corte, exatamente o que é preciso convencer o Omni a não fazer. A chama da vela está um pouco parada demais para o meu gosto. Com som: o riacho é gerado, não de banco de áudio.

O Grok é o que fala. O clipe da barista tem seis segundos em 720p ($0.84): escrevi a fala dela entre aspas dentro do prompt, e o modelo devolveu um rosto falando, com o movimento da boca batendo com as palavras. É nesse recurso que o pessoal monta anúncios no estilo UGC, e temos um guia separado de vídeo UGC com IA sobre isso. Duas observações honestas tiradas dos logs: imagens de referência só funcionam em 720p (um primeiro quadro também funciona em 1080p), e este clipe voltou em 1280×704, e não em 720 linhas de verdade. Ninguém vai perceber no celular. Um cliente que confere pixel por pixel, talvez.

Texto para fala: 30 vozes, um centavo a cada 200 caracteres

O Gemini 3.1 Flash TTS transforma texto em um WAV de 24 kHz por $0.01 a cada 200 caracteres iniciados, então uma leitura de 60 segundos, com uns 900 caracteres, custa cinco centavos. Você escolhe uma entre 30 vozes ou monta um diálogo entre exatamente duas, e dirige a interpretação com palavras comuns: "calorosa, sem pressa, com um leve sorriso", mais tags no meio do texto como [whispers] ou [laughs] onde quiser. Funciona no mesmo gerador das imagens e do vídeo, e via MCP como generate_speech.

Isso é uma única geração: 150 caracteres, a voz Kore e uma nota de estilo de uma linha pedindo um narrador descontraído, e não uma leitura de comercial. Custo: um centavo. Eu não usaria para um audiolivro, mas para a narração de um clipe de produto ganha de esperar um freelancer abrir a caixa de entrada.

Como funcionam os pagamentos e os reembolsos?

Seu saldo fica em USD e só diminui quando uma geração dá certo. Os depósitos em cripto no site são processados pela 0xProcessing: BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE e BCH, além das stablecoins USDT, USDC, DAI e TUSD nas redes ERC-20, BEP-20, Solana, TON e Base. São mais de 20 opções, e na prática a maioria dos nossos usuários escolhe stablecoins em redes baratas como TON ou Solana. Tem um passo a passo completo de depósito em cripto se você for mandar a primeira transferência. Cartões, saldo do PayPal e transferências SEPA passam pelo PayPal Checkout, a partir de $20 por pagamento.

Para se cadastrar basta um e-mail, e você já ganha $0.20 de crédito, o suficiente para seis imagens no Lite antes de decidir qualquer coisa. Se alguém te passou um código promocional, ative uma vez e cada depósito que você fizer ganha um bônus de +10%. O valor do depósito rende um bônus próprio nas recargas em cripto: 5% a partir de $50 e 10% a partir de $100, e os dois se somam: $100 em cripto com um código ativo creditam $120.

Nada fica guardado

Dá para pagar com cartão, mas o cartão nunca passa pela nossa plataforma: você clica no botão do PayPal e os dados são digitados na própria janela do PayPal. Nada fica armazenado depois, e nada se renova. Se você já assinou uma ferramenta de IA para um único projeto e depois pagou quatro meses parados porque o cancelamento estava escondido três menus adentro, sabe exatamente por que isso importa. O saldo depositado é seu até você gastar; quando acaba, nada continua te cobrando só por existir. O outro lado da moeda, dito com clareza: o caminho do cartão começa em $20 por pagamento, enquanto a cripto começa em cerca de $1. Uma transferência de $10 em stablecoin pela rede TON custa uns centavos de taxa e leva uns cinco minutos na primeira vez, segundos depois disso.

Explicamos por que você nunca precisa de um cartão cadastrado e como o pagamento por imagem se compara às assinaturas em posts separados. A lógica de reembolso vale ser detalhada aqui, porque APIs generativas falham mais do que qualquer um admite. Uma geração que termina com falha reembolsa o preço integral automaticamente. Sem chamado no suporte. As tabelas de preços completas estão na página de preços.

Programa de indicação: de 5% a 15% de cada depósito

Você pode criar até três códigos promocionais no seu perfil. Quem ativar o seu código ganha +10% em cada depósito que fizer, e você recebe uma comissão sobre esses depósitos: 5% no começo, 10% quando seus indicados passam de $1,000 em recargas somadas, 15% acima de $2,000. O código fica vinculado à conta do comprador, então o bônus e a sua comissão valem para cada depósito automaticamente, não só para o primeiro.

Duas ressalvas honestas. Você não pode ativar o próprio código, e cadastros feitos da mesma rede que a sua não contam para comissão; as verificações antifraude são rígidas de propósito.

FAQ

Quanto custa gerar imagens com IA no BananaBanana?

A partir de $0.03 por imagem (Nano Banana 2 Lite em 1K, ou Nano Banana 2 em 512px) até $0.20 por uma imagem 4K no Nano Banana Pro. O GPT Image 2.5 vai de $0.05 a $0.18, o Qwen Image 3.0 Pro de $0.04 a $0.08. Não tem assinatura; você paga por imagem a partir de um saldo pré-pago.

Tem teste grátis?

Toda conta nova começa com $0.20 de crédito, o que cobre seis imagens no modelo mais barato ou um clipe de 4 segundos do Wan 3.0 com som. Não é preciso informar cartão para se cadastrar, só um e-mail.

Preciso de cartão de crédito ou assinatura?

Para começar, não precisa de cartão: você se cadastra com um e-mail e ganha $0.20 de saldo. Depois, recarrega um saldo em USD quando quiser, com cripto a partir de cerca de $1 ou com cartão, PayPal ou SEPA a partir de $20, e paga por geração. Não existe plano de assinatura, o saldo não usado não expira e nada pode te cobrar automaticamente.

Quais criptomoedas o BananaBanana aceita?

BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE, BCH e as stablecoins USDT, USDC, DAI e TUSD nas redes ERC-20, BEP-20, Solana, TON e Base.

Dá para gerar vídeo com IA com som?

Sim, de quatro jeitos. Os modelos Veo 3.1 têm uma chave de áudio (um clipe de 4 segundos com som começa em $0.18 no Veo Lite), o Wan 3.0 inclui a trilha sonora de graça a partir de $0.20, o Gemini Omni Flash sempre gera áudio a partir de $0.03 por segundo, e o Grok Imagine Video 1.5 sincroniza com os lábios o diálogo que você escreve, a partir de $0.56 por clipe.

O que acontece se uma geração falhar?

O preço integral volta para o seu saldo automaticamente. No vídeo, a plataforma primeiro tenta de novo sozinha quando há erro de capacidade; se um filtro de segurança bloquear parte do resultado, a parte não entregue é reembolsada proporcionalmente.