Nejlepší generátor AI videa: 45 klipů, hodnoceno naslepo

• Otestováno 1. listopadu 2026
• 5 modelů
• 3 úlohy, 3 pokusy na každou
• 45 klipů, 0 neúspěšných
• Surová data jsou k dispozici

Přehrát všech pět ztlumeně

Stejný prompt na všech pěti. Toto je pokus 1 ze 3 u každého modelu, takže jsme nevybírali ty, které vypadají nejlépe. Spusťte kterýkoli klip.

Stručná odpověď: pokud chcete jeden model na všechno, použijte Kling 4.0, protože jeho nejhorší pokus (3.6) porazil nejhorší pokus každého jiného modelu. Pokud rozhoduje cena, použijte Wan 3.0, který celkově vyrovnal Kling a stojí $0.60 za klip. Seedance 2.5 je těsně za nimi a u mluvících klipů je vyrovnaný. MiniMax H3 vede u scén s pohybující se kamerou. Upozornění: Hermoso prodává přístup ke všem pěti a Seedance 2.5 je náš výchozí model. Žádnou úlohu sám nevyhrál.

Kdo má použít který model

Jeden model na všechno

Kling 4.0

Nejstabilnější výsledek testu. Jeho nejnižší pokus získal 3.6 a žádná úloha nebyla slabým místem. Celkově se podělil o první místo s modelem Wan 3.0.

Nejlepší poměr ceny a výkonu

Wan 3.0

Celkově vyrovnaný s Klingem a stojí $0.60 za 6 sekund, nejostřejší detail testu a nejlepší přirozený zvuk. MiniMax H3 je za sekundu levnější, ale mimo scény skóroval hůř.

Osoba mluvící před kamerou

Remíza: Wan 3.0, Seedance 2.5, Kling 4.0

Všichni tři řekli repliku slovo od slova. Wan vytvořil největší oblak mouky a moučná předloktí, která jsme chtěli, s úsměvem jako ve stock reklamě. Seedance vypadal nejvíc jako film, ale v jednom z tří pokusů se mu spletlo počítání.

Produkty s drobným textem

Kling 4.0, Wan 3.0 těsně za ním

Každý pokus Klingu zachoval všechny tři řádky štítku správně, s reálnou rukou a skutečným najetím kamery. Také nejlépe odpovídal zadání. Seedance vytvořil nejlepší med testu, a to v jednom pokusu ze tří.

Pohybující se kamera v rušné scéně

MiniMax H3, pak Wan a Kling

Nejvyšší odhalení, s jezdcem stále v záběru na konci. Měl také 8 sekund, kdežto ostatní 6, což pomáhá pomalému pohybu. Wan 3.0 a Kling 4.0 leží v našem pásmu remízy.

Když potřebujete rychle

Veo 3.1

Dokončeno za přibližně 66 sekund (medián), oproti 156 až 238 u ostatních. Na statickém snímku vypadá skvěle, ale přeskakoval kroky ze zadání častěji než kdokoli jiný, a to za nejvyšší cenu.

Skóre

Každý klip dostal od dvou nezávislých slepých hodnotitelů 1 až 5 bodů v šesti kritériích. Skóre úlohy je průměr jejích tří pokusů, takže špatný pokus se počítá. Pravidlo jsme sepsali ještě před renderem: rozdíl pod 0.3 je remíza a oranžově je označeno nejvyšší skóre a vše, co je s ním v remíze.

Model	Mluvení	Produkt	Scéna	Celkem	Nejhorší pokus
Wan 3.0	4.17	3.67	3.72	3.85	3.29
Kling 4.0	3.95	3.86	3.66	3.82	3.62
Seedance 2.5	4.08	3.33	3.31	3.57	3.00
MiniMax H3	3.36	3.07	3.89	3.44	2.96
Veo 3.1	3.36	2.65	3.10	3.04	2.50

Celkové skóre je prostý průměr 45 hodnocení. Když vyřadíte zvuk úplně, Kling mírně předstihne Wan a zbytek si drží pozice: Kling 4.0 3.88, Wan 3.0 3.85, Seedance 2.5 3.65, MiniMax H3 3.52, Veo 3.1 3.05. Seedance 2.5 je celkově v pásmu remízy a jeho nejhorší pokus je důvod, proč ho řadíme za oba vedoucí.

Úloha 1: osoba mluví a počítá na prstech

Pekař vysloví jednu přesnou větu, ukáže jeden, dva, pak tři prsty a poplácá bochník, aby se zvedla mouka. Zkouší synchronizaci rtů, slova, anatomii ruky a drobnou fyziku v jednom uzamčeném záběru. Vítěz: remíza mezi Wan 3.0, Seedance 2.5 a Kling 4.0. Všech 15 klipů řeklo repliku slovo od slova. Prsty rozdělily pole: Veo 3.1 se v žádném pokusu nedostal na tři a MiniMax H3 ve dvou z tří pokusů ukázal celou dlaň.

Pokus 1Pokus 2Pokus 3

Přehrát všech pět ztlumeně

Skóre za mluvení

1. Wan 3.04.17
2. Seedance 2.54.08
3. Kling 4.03.95
4. MiniMax H33.36
5. Veo 3.13.36

Průměr tří pokusů. Oranžově je první místo nebo to, co je od něj do 0.3.

Úloha 2: medová sklenice s natištěným štítkem

Pomalé najetí kamery na označenou sklenici, zatímco z naběračky padá med. Zkouší drobný text, zda písmena zůstávají na místě, a hustou kapalinu. Štítek je náš vlastní vymyšlený produkt. Vítěz: Kling 4.0, Wan 3.0 v pásmu remízy. Pravopis byl téměř vyřešen: 14 z 15 klipů mělo všechny tři řádky správně. Med ne. Téměř nic se neskládalo a nesmotávalo tak, jak bylo zadáno, a Veo 3.1 v žádném pokusu nezajel kamerou dovnitř.

Pokus 1Pokus 2Pokus 3

Přehrát všech pět ztlumeně

Skóre za produkty

1. Kling 4.03.86
2. Wan 3.03.67
3. Seedance 2.53.33
4. MiniMax H33.07
5. Veo 3.12.65

Průměr tří pokusů. Oranžově je první místo nebo to, co je od něj do 0.3.

Úloha 3: sledování cyklisty deštivým trhem

Jeden nepřerušený záběr za kurýrem v dešti: uhnutí kolem vozíku, přeběhnutí psa, jedno zazvonění zvonku, pak kamera vystoupá nad deštníky a ukáže celou ulici. Vítěz: MiniMax H3, Wan 3.0 a Kling 4.0 v pásmu remízy. Nikdo nedostal každý úder. Kling a H3 se nejvíc drželi zadání. Wan byl nejostřejší, ale prostý stan vyměnil za barevné stany a vymyšlené nápisy. Seedance pořád oříznul jezdce a Veo jezdce ve dvou z tří případů úplně ztratil.

Pokus 1Pokus 2Pokus 3

Přehrát všech pět ztlumeně

Skóre za scény

1. MiniMax H33.89
2. Wan 3.03.72
3. Kling 4.03.66
4. Seedance 2.53.31
5. Veo 3.13.10

Průměr tří pokusů. Oranžově je první místo nebo to, co je od něj do 0.3.

Podle čeho jsme hodnotili

Průměry přes všech 45 klipů. Detail tyto modely rozlišuje nejméně. Dodržení zadání je rozlišuje nejvíc a tato mezera je hlavní důvod, proč pořadí vypadá tak, jak vypadá.

Nejdražší model přišel na konec

Veo 3.1 stojí čtyřikrát tolik za klip co Wan 3.0 a skóroval nejníže v každé úloze, u mluvení vyrovnaný s MiniMax H3. Snímky vypadají krásně, s nejvěrohodnější moukou testu. Potíž jsou kroky: nikdy nespočítal do tří, nikdy nenajel kamerou na med a ztratil jezdce v dešti. Pokud je váš záběr jedna jednoduchá myšlenka, může vám posloužit lépe, než naznačuje tento test. Naše prompty byly záměrně plné kroků.

Pravopis se zvládl, kapaliny ne

Čekali jsme, že štítek bude tou těžkou částí. Čtrnáct z 15 klipů vytisklo všechny tři řádky správně a jen jeden pokus Veo přidal jedno cizí slovo. Med, který se při dopadu skládá a smotává, téměř všichni minuli. Většina klipů nám dala rovný sloupec nebo strnulý tvar, který se skoro nezměnil. Jeden pokus Seedance 2.5 to zvládl správně, a to je také problém: byl to jeden pokus ze tří.

O hudbě u některých medových klipů

Žádali jsme kuchyňské zvuky a žádnou hudbu. U 8 z 15 medových klipů model vrátil téměř žádný zvuk, pod -40 dB, a naše renderovací cesta pod něj přidala tichou hudební stopu: všechny tři pokusy MiniMax H3, dva Seedance 2.5, dva Veo 3.1 a jeden Wan 3.0. U žádného pokusu Klingu hudba nebyla potřeba. Ta hudba je naše, ne modelu. Tyto klipy ztratily body za zvuk kvůli tichu a jsou označeny v surové tabulce. Mluvící a scénické klipy jsme neupravovali.

Jak jsme to spustili

Napsali jsme nejdřív tři prompty a pravidla hodnocení, pustili jeden pilotní klip, abychom ověřili postup, a pak vyrenderovali zbytek. Pilot je jeden z 45. Nic nezselhalo, takže nic nebylo opakováno ani vyřazeno.

Každý klip žádal 16:9 v 720p a 6 sekund, bez kontextu značky a bez přepisování promptu. Dvě výjimky: MiniMax H3 běžel 8 sekund, protože neměl možnost 6 sekund, a dodává 1344x768 místo 1280x720. Wan 3.0 dodává 30 snímků za sekundu, ostatní 24.

Každá úloha říká všem modelům totéž, napsané tak, jak doporučuje tvůrce daného modelu, protože férový test nenutí jeden model číst dialekt druhého. Kling nemá návod pro 4.0, takže jsme použili jeho zvyky z 3.0. Veo 3.1 je plný model, ne jeho rychlá verze.

Poslali jsme semena 1101, 2202 a 3303 do Veo 3.1, Wan 3.0 a MiniMax H3. Naše renderovací cesta nepředává semeno do Seedance 2.5 ani Klingu 4.0, takže tyto pokusy jsou tři nezávislé běhy. Žádný model nepotvrdil semeno, které použil.

Hodnocení bylo slepé a provedli ho dva nezávislí hodnotitelé z řad AI, ne lidé. Každý klip byl zredukován na 12 snímků od začátku do konce, spektrogram jeho zvuku, jeho hlasitost a přepis, pod náhodným kódem. Ani jeden hodnotitel neviděl, který model klip vytvořil, dokud nebyla hotová jeho skóre. Oba hodnotitelé se shodli úzce, s korelací 0.91 napříč klipy a průměrným rozdílem 0.36 bodu na kritérium. Skóre na této stránce je jejich průměr a číslo každého hodnotitele je v CSV.

Některé kontroly nevyžadovaly úsudek. Místní přepis potvrdil přesnou repliku u všech 15 mluvících klipů. Detekce střihů nenašla žádný střih v žádném klipu, i když jeden pokus Veo 3.1 se přehrává jako skok, a označili jsme ho. Oba hodnotitelé počítali řádky štítku odděleně a shodli se u všech 15.

Prompty, slovo od slova

Zkopírujte kterýkoli z nich. Každý odkaz otevře tento prompt na daném modelu v Hermoso.

A baker speaks to camera in a small bakery kitchen and counts three ingredients on her fingers. She is a woman in her late thirties with short curly dark hair, flour on her forearms and a navy linen apron.

Shot 1 (0-6 seconds): Locked-off medium shot at eye level, 35mm lens, shallow depth of field. She stands behind a floured wooden counter with a round crusty loaf in front of her and looks straight into the lens. She raises her right hand and shows one finger, then two fingers, then three fingers, one finger for each ingredient she names. Then she lowers both hands and pats the top of the loaf twice, and a small puff of flour rises into the window light.

Dialogue: The baker says in a warm, dry voice: "Just three things. Flour. Water. Salt. That's the whole loaf." Accurate lip sync.

Sound: her voice and the soft room tone of the kitchen.

Style: realistic documentary, warm morning window light, one continuous shot.

Negative prompt: subtitles, captions, on-screen text, watermark, background music, cuts.

Medium shot at eye level, locked-off camera, one continuous shot, realistic documentary look, warm morning window light in a small bakery kitchen. A woman in her late thirties with short curly dark hair, flour on her forearms and a navy linen apron stands behind a floured wooden counter with a round crusty loaf in front of her and looks straight into the lens. As she speaks she raises her right hand and shows one finger, then two fingers, then three fingers, one finger for each ingredient she names. Then she lowers both hands and pats the top of the loaf twice, and a small puff of flour rises into the window light.

Baker (warm, dry voice): "Just three things. Flour. Water. Salt. That's the whole loaf."

Only her voice and the soft room tone of the kitchen are heard.

A baker speaks to camera in a small bakery kitchen and counts three ingredients on her fingers, realistic documentary style, locked-off medium shot at eye level, warm morning window light.

0-1 seconds: She stands behind a floured wooden counter with a round crusty loaf in front of her and looks straight into the lens.
1-4 seconds: She raises her right hand and shows one finger, then two fingers, then three fingers, one finger for each ingredient she names.
4-6 seconds: She lowers both hands and pats the top of the loaf twice, and a small puff of flour rises into the window light.

Dialogue: The baker says in a warm, dry voice: "Just three things. Flour. Water. Salt. That's the whole loaf."

Constant throughout: she is a woman in her late thirties with short curly dark hair, flour on her forearms and a navy linen apron. One continuous shot, the camera stays still. Sound: her voice and the soft room tone of the kitchen. No subtitles. No background music.

integrated_multimodal_description: [Shot 1] Live-action, realistic documentary style, a Static Shot at eye level holds a medium shot of a small bakery kitchen in warm morning window light. A woman in her late thirties with short curly dark hair, flour on her forearms and a navy linen apron (S1), on screen, with a warm, dry voice, stands behind a floured wooden counter with a round crusty loaf in front of her. She looks straight into the lens and says: <d>[English] Just three things. Flour. Water. Salt. That's the whole loaf.</d> As she speaks she raises her right hand and shows one finger, then two fingers, then three fingers, one finger for each ingredient she names. Then she lowers both hands and pats the top of the loaf twice, and a small puff of flour rises into the window light.

overall_soundscape: The soft room tone of a small kitchen. Her palms pat lightly on the bread crust.

non_diegetic_music: N/A

A medium shot at eye level with a locked-off camera in one continuous take. In a small bakery kitchen lit by warm morning window light, a woman in her late thirties with short curly dark hair, flour on her forearms and a navy linen apron stands behind a floured wooden counter with a round crusty loaf in front of her and looks straight into the lens. She raises her right hand and shows one finger, then two fingers, then three fingers, one finger for each ingredient she names. She then lowers both hands and pats the top of the loaf twice, and a small puff of flour rises into the window light. Realistic documentary style, 35mm lens, shallow depth of field.

The baker says in a warm, dry voice: "Just three things. Flour. Water. Salt. That's the whole loaf."

Audio: her voice and the soft room tone of the kitchen, and nothing else.

A macro product shot of an open jar of honey with a printed label while a ribbon of honey falls into it.

Shot 1 (0-6 seconds): Slow push-in, 100mm macro lens. The frame shows an open, squat, clear glass jar of golden honey on a dark slate counter in soft daylight from the left. A cream paper label on the front of the jar is printed in black with exactly three lines of text: "HERMOSO" in large serif capitals, "WILDFLOWER HONEY" in smaller capitals below it, and "NET WT 12 OZ" in small capitals at the bottom. A hand at the top of the frame holds a wooden honey dipper above the jar, and a thin ribbon of thick honey falls into the open jar, where it folds and coils on the surface before slowly sinking. The camera pushes in slowly toward the label until the three lines of text fill the lower third of the frame, sharp and legible, with the letters fixed in place on the glass.

Sound: a quiet kitchen with a kettle simmering softly and birdsong through an open window.

Style: photoreal commercial, soft daylight, one continuous shot.

Negative prompt: subtitles, captions, watermark, background music, extra text on the label, cuts.

Macro product shot, one continuous shot, photoreal commercial look. The frame shows an open, squat, clear glass jar of golden honey on a dark slate counter in soft daylight from the left. A cream paper label on the front of the jar is printed in black with exactly three lines of text: "HERMOSO" in large serif capitals, "WILDFLOWER HONEY" in smaller capitals below it, and "NET WT 12 OZ" in small capitals at the bottom. A hand at the top of the frame holds a wooden honey dipper above the jar, and a thin ribbon of thick honey falls into the open jar, where it folds and coils on the surface before slowly sinking. The camera pushes in slowly toward the label until the three lines of text fill the lower third of the frame, sharp and legible, with the letters fixed in place on the glass.

Sound: a quiet kitchen with a kettle simmering softly and birdsong through an open window.

A macro product shot of an open jar of honey with a printed label while a ribbon of honey falls into it, photoreal commercial style, slow push-in, soft daylight.

0-2 seconds: The frame shows an open, squat, clear glass jar of golden honey on a dark slate counter in soft daylight from the left. A cream paper label on the front of the jar is printed in black with exactly three lines of text: "HERMOSO" in large serif capitals, "WILDFLOWER HONEY" in smaller capitals below it, and "NET WT 12 OZ" in small capitals at the bottom.
2-4 seconds: A hand at the top of the frame holds a wooden honey dipper above the jar, and a thin ribbon of thick honey falls into the open jar, where it folds and coils on the surface before slowly sinking.
4-6 seconds: The camera keeps pushing in slowly toward the label until the three lines of text fill the lower third of the frame, sharp and legible.

Constant throughout: the label's letters stay fixed in place on the glass. One continuous shot. Sound: a quiet kitchen with a kettle simmering softly and birdsong through an open window. No subtitles. No background music.

integrated_multimodal_description: [Shot 1] Live-action, photoreal commercial style, a macro shot shows an open, squat, clear glass jar of golden honey on a dark slate counter in soft daylight from the left. A cream paper label on the front of the jar is printed in black with exactly three lines of text: "HERMOSO" in large serif capitals, "WILDFLOWER HONEY" in smaller capitals below it, and "NET WT 12 OZ" in small capitals at the bottom. A hand at the top of the frame holds a wooden honey dipper above the jar, and a thin ribbon of thick honey falls into the open jar, where it folds and coils on the surface before slowly sinking. The camera performs a Push In at slow speed toward the label until the three lines of text fill the lower third of the frame, sharp and legible, with the letters fixed in place on the glass.

overall_soundscape: A quiet kitchen with a kettle simmering softly. Birdsong drifts through an open window.

non_diegetic_music: N/A

A macro product shot in one continuous take with a slow push-in, 100mm macro lens. The frame shows an open, squat, clear glass jar of golden honey on a dark slate counter in soft daylight from the left. A cream paper label on the front of the jar is printed in black with exactly three lines of text: "HERMOSO" in large serif capitals, "WILDFLOWER HONEY" in smaller capitals below it, and "NET WT 12 OZ" in small capitals at the bottom. A hand at the top of the frame holds a wooden honey dipper above the jar, and a thin ribbon of thick honey falls into the open jar, where it folds and coils on the surface before slowly sinking. The camera pushes in slowly toward the label until the three lines of text fill the lower third of the frame, sharp and legible, with the letters fixed in place on the glass. Photoreal commercial style.

Audio: a quiet kitchen with a kettle simmering softly and birdsong through an open window, and nothing else.

A low tracking shot follows a bicycle courier through a crowded rainy night market and rises above the crowd to reveal the whole street.

Shot 1 (0-6 seconds): Wide 24mm lens. In a narrow night-market street at dusk in heavy rain, lined with food stalls under plain canvas awnings and strings of warm lanterns, a bicycle courier in a yellow rain jacket rides away from the camera while the camera follows behind at low height at the same speed. The rider swerves left around a vendor pushing a cart, then a small dog runs across the street in front of the bicycle and the rider rings the bell once. Steam rises from a noodle stall and the wet cobblestones reflect the lanterns. In the last two seconds the camera rises smoothly above a crowd of people with umbrellas and reveals the whole street stretching ahead, rain streaks catching the lantern light.

Sound: heavy rain on canvas, one bicycle bell, sizzling woks, crowd chatter.

Style: cinematic realistic, rainy dusk, one continuous shot.

Negative prompt: subtitles, captions, on-screen text, watermark, background music, cuts.

One continuous tracking shot, cinematic realistic look. In a narrow night-market street at dusk in heavy rain, lined with food stalls under plain canvas awnings and strings of warm lanterns, a bicycle courier in a yellow rain jacket rides away from the camera while the camera follows behind at low height at the same speed. The rider swerves left around a vendor pushing a cart, then a small dog runs across the street in front of the bicycle and the rider rings the bell once. Steam rises from a noodle stall and the wet cobblestones reflect the lanterns. In the last two seconds the camera rises smoothly above a crowd of people with umbrellas and reveals the whole street stretching ahead, rain streaks catching the lantern light.

Sound: heavy rain on canvas, one bicycle bell, sizzling woks, crowd chatter.

A low tracking shot follows a bicycle courier through a crowded rainy night market and rises above the crowd to reveal the whole street, cinematic realistic style, one continuous shot.

0-2 seconds: In a narrow night-market street at dusk in heavy rain, lined with food stalls under plain canvas awnings and strings of warm lanterns, a bicycle courier in a yellow rain jacket rides away from the camera. The camera follows behind at low height at the same speed. The rider swerves left around a vendor pushing a cart.
2-4 seconds: Ahead, a small dog runs across the street in front of the bicycle and the rider rings the bell once. Steam rises from a noodle stall and the wet cobblestones reflect the lanterns.
4-6 seconds: The camera rises smoothly above a crowd of people with umbrellas and reveals the whole street stretching ahead, rain streaks catching the lantern light.

Constant throughout: the same rider, the same rainy dusk light. Sound: heavy rain on canvas, one bicycle bell, sizzling woks, crowd chatter. No subtitles. No background music.

integrated_multimodal_description: [Shot 1] Live-action, cinematic realistic style, a Tracking Shot at low height follows a bicycle courier in a yellow rain jacket who rides away from the camera through a narrow night-market street at dusk in heavy rain, lined with food stalls under plain canvas awnings and strings of warm lanterns, with the camera moving at the same speed. The rider swerves left around a vendor pushing a cart, then a small dog runs across the street in front of the bicycle and the rider rings the bell once. Steam rises from a noodle stall and the wet cobblestones reflect the lanterns. Near the end the camera performs a Pedestal Up with large amplitude at slow speed, rising above a crowd of people with umbrellas and revealing the whole street stretching ahead, rain streaks catching the lantern light.

overall_soundscape: Heavy rain drums on canvas and one bicycle bell rings. Woks sizzle under the crowd's chatter.

non_diegetic_music: N/A

One continuous tracking shot with a wide 24mm lens, cinematic realistic style. In a narrow night-market street at dusk in heavy rain, lined with food stalls under plain canvas awnings and strings of warm lanterns, a bicycle courier in a yellow rain jacket rides away from the camera while the camera follows behind at low height at the same speed. The rider swerves left around a vendor pushing a cart, then a small dog runs across the street in front of the bicycle and the rider rings the bell once. Steam rises from a noodle stall and the wet cobblestones reflect the lanterns. In the last two seconds the camera rises smoothly above a crowd of people with umbrellas and reveals the whole street stretching ahead, rain streaks catching the lantern light.

Audio: heavy rain on canvas, one bicycle bell, sizzling woks and crowd chatter, and nothing else.

Co tento test neumí říct

Tři prompty nepokrývají všechno a tři pokusy na úlohu je malý vzorek, takže rozdíl 0.3 nebo menší čtěte jako žádný rozdíl. Oba hodnotitelé byli AI modely, které četly snímky a měření. Nikdo tyto klipy neposlechl sluchem: zvuk byl hodnocen z přepisů, spektrogramů a hlasitosti, takže kvalita hlasu je nejslabší částí našeho hodnocení a 12 snímků může minout závadu mezi nimi. Naše měření synchronizace rtů bylo hrubé a nespoléhali jsme na ně. Seedance 2.5 a Kling 4.0 vyšly nejblíž, Wan 3.0 až o půl sekundy mimo, takže se na klipy podívejte, pokud vám na synchronizaci rtů záleží. Slepota měla jednu známou díru: délka 8 sekund u MiniMax H3 učinila jeho klipy rozpoznatelnými a těch navíc dvě sekundy mu mohly pomoci při pomalém odhalení. Cokoli, co není v tabulce, včetně Seedance 2.0 a HeyGen Video, testováno nebylo. Modely a ceny se rychle mění a tyto výsledky pocházejí z jednoho dne.