Veo 3.1 vs Seedance 2.0 vs Kling 3.0: hvilken AI-videomodel laver de bedste annoncer?

Det spørgsmål, vi oftest får fra performance-marketingfolk, er en variant af "hvilken AI-videomodel skal jeg bruge til annoncer?" Det ærlige svar er, at det er det forkerte spørgsmål. Der findes ikke én bedste model, og rangordenen skifter med få ugers mellemrum, når nye versioner udkommer. Det, der betyder noget, er at matche modellen med skuddet. Et UGC-klip med en talende person, en heltedrejning af et produkt og et stiliseret motion-stykke belønner hver deres motor.

Vi kører Veo 3.1, Seedance 2.5 og Kling 3.0 i produktion hos Hermoso og vælger per job i stedet for at satse på én. Det her er praktikerens syn: hvor hver model faktisk gør sig fortjent til en plads i en annonce, baseret på renders vi leverer, ikke på offentliggjorte benchmarks.

Veo 3.1: indbygget lyd og læbesynkronisering

Det, der får Veo 3.1 til at skille sig ud til annoncearbejde, er, at den genererer tale indbygget, i samme omgang som optagelserne, så læberne og lyden kommer fra én proces. Den ene egenskab løser den mest stædige afsløring i AI-video: den dubbede films læbeflappen, du får, når TTS-lyd bliver skruet på en mund, der er genereret for sig. Den menneskelige opfattelse er ubarmhjertigt god til at fange den uoverensstemmelse, og farvekorrektion kan ikke skjule den.

Derfor er Veo vores standard, i det øjeblik en mund er i billedet og skal tale: testimonials med en talende person, en founder der taler direkte til kameraet, ethvert UGC-koncept bygget op om en, der taler. Når formatet er en person, der leverer en replik, er indbygget, læbesynkroniseret tale mere værd end enhver anden kvalitetsforskel mellem modellerne.

Bagsiden er, at Veo har en strammere indholdspolitik. Den har en tendens til at blokere for meget ved brandnavne, genkendelige personer og alt, der minder om alkohol, hvilket kan afvise en ellers ren prompt. I vores pipeline udløser en afvisning der et automatisk skift til en anden model i stedet for en blindgyde. Det er stadig en reel overvejelse, hvis skuddet læner sig op ad et navngivet brand eller et genkendeligt ansigt.

Seedance 2.0: indbygget lyd, én sammenhængende optagelse, konsistens styret af referencer

Seedance 2.0 er vores arbejdshest til de skud, annoncer faktisk lever af: produktet holdt i en rigtig hånd, drejet, sat ned, hældt op. Får den et ægte produktfoto som reference, holder den imponerende godt fast i identiteten på den rigtige genstand (flaskeformen, etikettens geometri, den præcise farve) i stedet for at opfinde en troværdig fætter, som en tekstprompt uden reference gør. Til DTC- og CPG-kreativer, hvor produktet på skærmen skal være produktet på hylden, er den troskab fra reference til video hele spillet.

Det andet, Seedance gør, som passer til annoncer, er tekstur. Den renderer overbevisende håndholdt kornet telefonkamera-look: det let uperfekte, uglamourøse udtryk, der læses som autentisk UGC frem for en blank reklame. Prompt den mod mat hud og neutralt lys, og den rammer "nogen har filmet det her på deres telefon"-looket bedre end alternativerne.

To egenskaber mere gør pakken komplet. Seedance genererer lyd indbygget (stemme, rumklang, scenens tilfældige lyde) i samme omgang som optagelserne, så et UGC-spot kan komme ud og allerede tale, med en stemning der faktisk passer til rummet, i stedet for et stumt klip der venter på at blive dubbet. Og den holder op til femten sekunder i én sammenhængende omgang, hvilket betyder mere, end det lyder som: én optagelse betyder ingen sømme mellem beats, intet lys der skal genetableres midt i spottet, intet klip der lander midt i et ord. Til kort UGC i én omgang på femten sekunder og derunder er det som regel Seedance, vi sender det til, fordi den holder produkt, korn og lyd sammen i én ren optagelse. Dens største begrænsning er den, alle modeller deler (se bevægelse nedenfor): bed den ikke om at kaste eller tabe noget.

Seedance 2.5: tredive sekunder i én uafbrudt optagelse

Så kom Seedance 2.5 og flyttede det loft, alt ovenfor var skrevet under. Vi bad den om tredive sekunder. Vi fik 30,08: én sammenhængende optagelse, med lyd og nul hårde klip. Ikke tredive sekunder sat sammen af klip. Tredive sekunder, hvor kameraet simpelthen aldrig stoppede.

Det er en større ting for annoncekreativer, end en opgradering af specifikationerne lyder som. Femten sekunder har været det praktiske loft for én genereret optagelse, så længe den her kategori har eksisteret, så alt længere blev syet sammen: render beats hver for sig, match lyset, skjul samlingerne. Sømmene er der, hvor en AI-annonce afslører sig selv. Farvekorrektionen skifter en nuance, rumklangen falder ud et enkelt frame, skuespillerens hår nulstilles mellem beats. Én omgang på tredive sekunder fjerner sømmene ved at fjerne syningen. En hel pre-roll, en hel produkthistorie, en demo med en begyndelse og en slutning kan alle køre som ét sammenhængende skud.

Lyden følger med. 2.5 genererer synkroniseret lyd i samme omgang som billedet (dialog, stemning, rummets tilfældige lyde), og den er slået til som standard. Det koster det samme, uanset om du har lyden slået til eller fra. Den kan også tage et fotografi af en rigtig person og animere vedkommende fotorealistisk: giv den et ansigt, og så er det den person, der er i billedet, med ægte hudtekstur, frem for en stiliseret stand-in.

Prisen er opløsningen. 2.5 renderer i 480p og 720p, uden mulighed for 1080p, så et heltespot, der skal ende i fuld HD, er stadig 2.0's job. Og det er præcis den slags beslutning, routing findes for at træffe: længde, opløsning og om et rigtigt ansigt skal med, er tre forskellige spørgsmål, og det rigtige svar på alle tre på én gang er sjældent én model.

Kling 3.0: identitet fra ansigtsreference, den samme person i hver render

Kling 3.0's største styrke til annoncearbejde er identitet. Giv den et referencebillede af et ansigt, og den holder fast i den person, med de samme træk og den samme udstråling, på tværs af optagelser og renders. Det giver performance-teams det, de faktisk vil have fra AI-skuespillere: en tilbagevendende creator. Ansigtet, der frontede sidste uges vindende hook, kan fronte denne uges tre variationer, så dit publikum møder en kendt person i stedet for en fremmed i hver annonce. Et vindende castmedlem bliver et aktiv, du genbruger, i stedet for et engangsslag med terningerne.

Resten af 3.0-pakken passer også til annoncer. Ligesom Seedance genererer den lyd indbygget i samme omgang som optagelserne. Den tager enhver længde fra tre til femten sekunder i stedet for at låse sig til faste varigheder, så optagelsen kan passe til manuskriptet og ikke omvendt. Og den image-to-video, der gjorde tidligere Kling-versioner populære, er stadig fremragende: start fra et stillbillede (et produktfoto, et keyframe, et stykke brandgrafik), og den tilføjer troværdig bevægelse, kamerabevægelser og kontrolleret dynamik i stedet for bare at puffe lidt til et næsten stillestående billede.

Det, vi er forsigtige med i alle modeller, også Kling, er ballistisk bevægelse: en genstand i ægte frit fald under tyngdekraften. En kastet flaske hænger et øjeblik for længe, tumler med konstant hastighed, lander uden vægt. Det er ikke en svaghed specifikt for Kling; masse og bevægelsesmængde er stadig svært over hele linjen. Løsningen er koreografi, ikke modelvalg. Lad produkter blive holdt, drejet, sat ned, hældt: bevægelser, hvor en hånd bærer genstanden, og modellen aldrig selv skal løse tyngdekraften.

Så hvem vinder?

En grov beslutningsregel, sådan som vi faktisk bruger den:

• Nogen taler i billedet, og nærbilledet betyder noget → Veo 3.1, for indbygget, læbesynkroniseret tale.
• Ægte produkt, holdt eller håndteret, UGC-korn, én optagelse op til 15 sekunder → Seedance 2.5, forankret i et ægte produktfoto.
• Et langt spot uden et eneste klip, op til tredive sekunder → Seedance 2.5, der holder én sammenhængende optagelse hele vejen, i 480p eller 720p. Rulles ud på Hermoso. I dag går routingen op til én optagelse på femten sekunder og syr alt længere sammen.
• Det samme ansigt på tværs af en kampagne, eller bevægelse tilføjet et stillbillede → Kling 3.0, forankret i en ansigtsreference.

Grunden til, at det forbliver en tommelfingerregel og ikke en lov, er, at modellerne bliver ved med at springe over hinanden. En ny version kan give én model en styrke, som en anden plejede at eje. Det er præcis derfor, vi ikke beder brugerne om at vælge: Hermoso sender hvert job til den model, der passer bedst til skuddet, og justerer routingen, når nye versioner lander, så valget ovenfor sker automatisk, per render, uden at du skal følge med i en changelog.

Og modelvalget er alligevel den mindste halvdel af en god annonce. De afsløringer, der får en AI-annonce gennemskuet (voksagtig hud, grødet tekst på etiketten, en gylden glamour-korrektion, fysik som ingen genstand adlyder), er for det meste pipeline-beslutninger truffet før og efter, modellen kører. Modellen selv er sjældent synderen. Hermosos AI-annoncegenerator har de løsninger indbygget: et realisme-lag mod glans, ægte produktfotos lagt ind i scenerne, al tekst og alle logoer lagt på i efterbehandlingen i stedet for malet af modellen, indbygget tale forbeholdt munde i billedet. Modellen bliver valgt for dig; håndværket er bygget ind.

Under motorhjelmen researcher det samme Studio også, hvad der allerede vinder på dit marked i Meta-, Google- og LinkedIn-annoncebibliotekerne plus organisk TikTok, så koncepterne starter forankret i beviste kreativer, før et eneste frame bliver renderet. Den gratis plan giver 250+ gratis credits, du kan optjene, uden kreditkort; de præcise priser vises i appen før hver render. Den hurtigste måde at afgøre modeldebatten på er at generere en annonce til dit eget produkt og bedømme resultatet. Routingen har allerede valgt for dig.

Ofte stillede spørgsmål

Hvilken AI-videomodel er bedst til annoncer?

Der er ikke én bedste. Veo 3.1 fører på indbygget lyd og læbesynkronisering til tale i billedet, Seedance 2.0 på produkttroskab styret af referencer, indbygget lyd og UGC i én optagelse op til 15 sekunder, Seedance 2.5 på længden af én optagelse (målt til 30 sekunder uden et eneste klip, med indbygget lyd), og Kling 3.0 på identitet fra ansigtsreference, den samme person på tværs af renders, plus image-to-video. Det rigtige valg afhænger af skuddet, og rangordenen skifter med hver udgivelse. Hermoso sender hvert job til den model, der passer bedst til det.

Hvor lang kan én AI-genereret optagelse være?

Tredive sekunder, med Seedance 2.5. Vi bad om tredive og målte 30,08 i ét sammenhængende skud med indbygget lyd og ingen hårde klip. Femten sekunder var loftet før den, og det er derfor, længere annoncer er blevet syet sammen af flere klip. Én omgang betyder ingen søm at skjule: intet skift i farvekorrektionen, ingen rumklang der falder ud mellem beats. Den renderer i 480p og 720p, så et spot, der skal ende i 1080p, er stadig et job for en kortere optagelse.

Hvilken model har den bedste læbesynkronisering?

Efter vores erfaring Veo 3.1, fordi den genererer tale indbygget i samme omgang som optagelserne, så læber og lyd kommer fra én proces. Den uhyggelige læbeflappen kommer af at dubbe separat genereret TTS oven på en renderet mund, så gem det til klip, hvor der ikke er nogen mund i billedet.

Hvilken model får mit rigtige produkt til at se rigtigt ud?

Seedance 2.0 holder godt fast i produktets identitet, når den får et ægte produktfoto som reference, og genstanden bliver lagt ind i scenen. Tekstprompts beskriver kategorier; referencebilleder låser identiteten fast, og det er derfor, det slår at beskrive produktet med ord at forankre det i et ægte foto.

Hvilken model holder fast i den samme skuespiller på tværs af en kampagne?

Kling 3.0. Giv den en ansigtsreference, og den holder fast i personens identitet på tværs af renders, så en tilbagevendende creator kan fronte en hel serie annoncer i stedet for, at et nyt ansigt dukker op i hvert spot.

Hvorfor har AI-videoer svært ved genstande, der bliver kastet eller tabt?

Ballistisk bevægelse (en genstand i frit fald under tyngdekraften) er der, hvor fysikken i alle nuværende modeller stadig synligt bryder sammen, uanset hvilken du bruger. Koreografer udenom: lad produkter blive holdt, drejet, sat ned eller hældt, så en hånd bærer genstanden, og modellen aldrig selv skal løse tyngdekraften.

Skal jeg selv vælge modellen på Hermoso?

Nej. Hermoso sender hver render til den model, der passer bedst til skuddet, og justerer routingen, når nye versioner udkommer, så du aldrig skal følge med i en changelog eller vælge en model. Du beskriver annoncen; routingen klarer resten.