Veo 3.1 vs. Seedance 2.0 vs. Kling 3.0: Welches KI-Videomodell macht die besseren Ads?

Die Frage, die Performance-Marketer uns am häufigsten stellen, lautet in irgendeiner Form: „Welches KI-Videomodell soll ich für Ads nehmen?“ Die ehrliche Antwort: Es ist die falsche Frage. Das eine beste Modell gibt es nicht, und die Rangfolge ändert sich alle paar Wochen, wenn neue Versionen erscheinen. Entscheidend ist, das Modell zur Einstellung passend zu wählen. Ein UGC-Clip mit sprechendem Kopf, eine Hero-Drehung des Produkts und ein stilisiertes Motion-Piece belohnen jeweils eine andere Engine.

Wir setzen Veo 3.1, Seedance 2.5 und Kling 3.0 bei Hermoso in der Produktion ein und wählen pro Auftrag, statt auf eines zu setzen. Das hier ist die Sicht aus der Praxis: wo jedes Modell in einer Ad wirklich seinen Platz verdient, basierend auf Renders, die wir ausliefern, nicht auf veröffentlichten Benchmarks.

Veo 3.1: nativer Ton und Lippensynchronität

Was Veo 3.1 für Ads heraushebt: Es erzeugt Sprache nativ, im selben Durchgang wie das Bild, sodass Lippen und Ton aus einem Prozess kommen. Diese eine Eigenschaft löst das hartnäckigste Erkennungszeichen von KI-Video: das Lippenflattern wie im synchronisierten Film, das entsteht, wenn TTS-Audio auf einen separat generierten Mund geschraubt wird. Die menschliche Wahrnehmung erkennt diese Abweichung gnadenlos gut, und kein Color Grading versteckt sie.

Darum ist Veo unser Standard, sobald ein Mund im Bild ist und sprechen muss: Testimonials mit sprechendem Kopf, Gründer, die direkt in die Kamera reden, jedes UGC-Konzept, in dem jemand spricht. Wenn das Format eine Person ist, die einen Satz sagt, ist native lippensynchrone Sprache mehr wert als jeder andere Qualitätsunterschied zwischen den Modellen.

Der Haken: Veo hat strengere Inhaltsrichtlinien. Es blockiert gern zu viel bei Markennamen, Abbildern von Personen und allem, was mit Alkohol zu tun hat, und kann so einen sonst sauberen Prompt abweisen. In unserer Pipeline löst eine Ablehnung dort automatisch einen Wechsel auf ein anderes Modell aus, statt in einer Sackgasse zu enden. Wenn die Einstellung von einem Markennamen oder einem erkennbaren Gesicht lebt, solltest du das trotzdem einplanen.

Seedance 2.0: nativer Ton, ein durchgehender Take, Konsistenz über Referenzen

Seedance 2.0 ist unser Arbeitspferd für die Einstellungen, von denen Ads wirklich leben: das Produkt in einer echten Hand, gedreht, abgestellt, eingegossen. Bekommt es ein echtes Produktfoto als Referenz, hält es die Identität des echten Gegenstands beeindruckend gut (Flaschenform, Etikettengeometrie, die genaue Farbe), statt einen plausibel wirkenden Cousin zu erfinden, wie es ein Text-Prompt ohne Referenz tut. Bei DTC- und CPG-Creatives, wo das Produkt im Bild das Produkt im Regal sein muss, entscheidet diese Treue von Referenz zu Video alles.

Das Zweite, was Seedance für Ads gut macht, ist die Textur. Es rendert überzeugendes Handkamera- und Handy-Rauschen: diese leicht unperfekte, unglamouröse Bildcharakteristik, die nach authentischem UGC aussieht statt nach glänzendem Werbespot. Promptest du es in Richtung matter Haut und neutralem Licht, trifft es diesen „hat jemand mit dem Handy gefilmt“-Look besser als die Alternativen.

Zwei weitere Eigenschaften runden das Paket ab. Seedance erzeugt Ton nativ (Stimme, Raumklang, die beiläufigen Geräusche der Szene) im selben Durchgang wie das Bild. Ein UGC-Spot kann also schon sprechend herauskommen, mit einer Atmosphäre, die wirklich zum Raum passt, statt als stummer Clip, der auf eine Vertonung wartet. Und es hält bis zu fünfzehn Sekunden in einem einzigen durchgehenden Durchgang. Das ist wichtiger, als es klingt: Ein Take bedeutet keine Nahtstellen zwischen den Beats, kein neu aufgebautes Licht mitten im Spot, keinen Schnitt mitten im Wort. Für kurzes UGC aus einem Durchgang mit fünfzehn Sekunden oder weniger schicken wir meist an Seedance, weil es Produkt, Körnung und Ton in einem sauberen Take zusammenhält. Seine größte Grenze teilt es mit allen Modellen (siehe Bewegung, unten): Lass es nichts werfen oder fallen lassen.

Seedance 2.5: dreißig Sekunden in einem ununterbrochenen Take

Dann kam Seedance 2.5 und hat die Obergrenze verschoben, unter der alles oben Stehende geschrieben wurde. Wir haben dreißig Sekunden angefragt. Bekommen haben wir 30,08: einen einzigen durchgehenden Take, mit Ton und null harten Schnitten. Keine dreißig Sekunden, die aus Clips zusammengesetzt wurden. Dreißig Sekunden, in denen die Kamera einfach nie angehalten hat.

Für Ad-Creatives ist das eine größere Sache, als ein Spec-Update klingt. Fünfzehn Sekunden waren die praktische Obergrenze für einen generierten Take, seit es diese Kategorie gibt. Alles Längere wurde also zusammengestückelt: Beats einzeln rendern, Licht angleichen, Übergänge verstecken. An den Nahtstellen verrät sich eine KI-Ad. Das Grading verschiebt sich um einen Hauch, der Raumklang fällt für ein Frame weg, die Haare der Darstellerin springen zwischen den Beats zurück. Ein Durchgang von dreißig Sekunden beseitigt die Nahtstellen, weil nichts mehr zusammengestückelt wird. Ein komplettes Pre-Roll, eine ganze Produktgeschichte, eine Demo mit Anfang und Ende können alle als eine durchgehende Einstellung laufen.

Der Ton kommt gleich mit. 2.5 erzeugt synchronen Ton im selben Durchgang wie das Bild (Dialog, Atmosphäre, die beiläufigen Geräusche des Raums), und das ist standardmäßig eingeschaltet. Es kostet gleich viel, ob du den Ton an- oder ausschaltest. Außerdem nimmt es ein Foto einer echten Person und animiert sie fotorealistisch: Gib ihm ein Gesicht, und genau diese Person ist im Bild, mit echter Hautstruktur, statt einer stilisierten Version von ihr.

Der Preis dafür ist die Auflösung. 2.5 rendert in 480p und 720p, ohne 1080p-Option, also bleibt ein Hero-Spot, der in Full HD fertig sein muss, weiterhin ein Job für 2.0. Genau für solche Entscheidungen gibt es das Routing: Länge, Auflösung und die Frage, ob ein echtes Gesicht zu sehen sein muss, sind drei verschiedene Fragen, und die richtige Antwort auf alle drei zugleich ist selten ein einziges Modell.

Kling 3.0: Identität per Gesichtsreferenz, dieselbe Person in jedem Render

Die große Stärke von Kling 3.0 für Ads ist Identität. Gib ihm ein Referenzbild eines Gesichts, und es hält diese Person über Takes und Renders hinweg, mit denselben Gesichtszügen und derselben Ausstrahlung. Damit bekommen Performance-Teams das, was sie von KI-Darstellern eigentlich wollen: einen wiederkehrenden Creator. Das Gesicht, das letzte Woche den gewinnenden Hook getragen hat, kann diese Woche drei Varianten tragen. Deine Zielgruppe trifft also eine vertraute Person statt in jeder Ad einen Fremden. Aus einem erfolgreichen Cast-Mitglied wird ein Asset, das du wiederverwendest, statt ein einmaliger Glückswurf.

Auch der Rest des 3.0-Pakets passt zu Ads. Wie Seedance erzeugt es Ton nativ im selben Durchgang wie das Bild. Es nimmt jede Länge von drei bis fünfzehn Sekunden, statt auf feste Dauern zu springen, und so passt sich der Take dem Skript an statt umgekehrt. Und das Image-to-Video, das frühere Kling-Versionen beliebt gemacht hat, ist nach wie vor exzellent: Starte mit einem Standbild (einem Produktfoto, einem Keyframe, einem Stück Markengrafik), und es fügt glaubwürdige Bewegung, Kamerafahrten und kontrollierte Dynamik hinzu, statt eine fast statische Vorlage nur leicht anzuschubsen.

Vorsichtig sind wir bei jedem Modell, Kling eingeschlossen, mit ballistischer Bewegung: ein Gegenstand im echten freien Flug unter Schwerkraft. Eine geworfene Flasche hängt einen Moment zu lang in der Luft, überschlägt sich gleichmäßig, landet ohne Gewicht. Das ist keine Kling-spezifische Schwäche. Masse und Schwung sind für alle noch schwer. Die Lösung ist Choreografie, nicht die Modellwahl. Lass Produkte halten, drehen, abstellen, eingießen: Bewegungen, bei denen eine Hand den Gegenstand trägt und das Modell die Schwerkraft nie allein lösen muss.

Welches gewinnt also?

Eine grobe Entscheidungsregel, so wie wir sie tatsächlich anwenden:

• Jemand spricht in die Kamera, und die Nahaufnahme zählt → Veo 3.1, wegen der nativen lippensynchronen Sprache.
• Echtes Produkt, gehalten oder benutzt, UGC-Körnung, ein Take bis 15 Sekunden → Seedance 2.5, festgemacht an einem echten Produktfoto.
• Ein langer Spot ohne einen einzigen Schnitt, bis dreißig Sekunden → Seedance 2.5, das einen durchgehenden Take über die ganze Länge hält, in 480p oder 720p. Wird gerade bei Hermoso ausgerollt. Heute reicht das Routing bis zu einem Take von fünfzehn Sekunden und stückelt alles Längere zusammen.
• Dasselbe Gesicht über eine ganze Kampagne oder Bewegung für ein Standbild → Kling 3.0, verankert an einer Gesichtsreferenz.

Dass das eine Faustregel bleibt und kein Gesetz, liegt daran, dass sich die Modelle ständig gegenseitig überholen. Ein Versionssprung kann einem Modell eine Stärke geben, die vorher ein anderes hatte. Genau deshalb lassen wir Nutzer nicht wählen: Hermoso schickt jeden Auftrag an das Modell, das am besten zur Einstellung passt, und stimmt das Routing bei jedem neuen Release neu ab. Die Wahl oben passiert also automatisch, pro Render, ohne dass du ein Changelog verfolgen musst.

Und die Modellwahl ist sowieso die kleinere Hälfte einer guten Ad. Die Merkmale, an denen eine KI-Ad auffliegt (wächserne Haut, verzerrter Etikettentext, ein goldener Glamour-Look, Physik, an die sich kein Gegenstand hält), sind meist Pipeline-Entscheidungen vor und nach dem Modelllauf. Das Modell selbst ist selten schuld. Der KI-Ad-Generator von Hermoso hat diese Fixes eingebaut: eine Anti-Glanz-Realismus-Ebene, echte Produktfotos, die in die Szenen eingesetzt werden, alle Texte und Logos in der Postproduktion eingesetzt statt vom Modell gemalt, native Sprache nur für Münder im Bild. Das Modell wird für dich gewählt, das Handwerk ist eingebaut.

Darunter recherchiert dasselbe Studio auch, was in deinem Markt bereits gewinnt, in den Ad Libraries von Meta, Google und LinkedIn plus organischem TikTok. So basieren die Konzepte auf bewährten Creatives, bevor ein einziges Frame gerendert wird. Der kostenlose Plan hat 250+ verdienbare Gratis-Credits, ohne Kreditkarte. Die genauen Kosten siehst du in der App vor jedem Render. Am schnellsten klärst du die Modelldebatte, wenn du eine Ad für dein eigenes Produkt generierst und den Output beurteilst. Das Routing hat dann schon für dich gewählt.

Häufige Fragen

Welches KI-Videomodell ist am besten für Ads?

Das eine beste gibt es nicht. Veo 3.1 führt bei nativem Ton und Lippensynchronität für Sprache vor der Kamera, Seedance 2.0 bei Produkttreue über Referenzen, nativem Ton und UGC aus einem Take bis 15 Sekunden, Seedance 2.5 bei der Länge eines Takes (gemessene 30 Sekunden ohne Schnitt, mit nativem Ton) und Kling 3.0 bei Identität per Gesichtsreferenz, also derselben Person über alle Renders, plus Image-to-Video. Die richtige Wahl hängt von der Einstellung ab, und die Rangfolge ändert sich mit jedem Release. Hermoso schickt jeden Auftrag an das Modell, das am besten dazu passt.

Wie lang kann ein einzelner KI-generierter Take sein?

Dreißig Sekunden, mit Seedance 2.5. Wir haben dreißig angefragt und 30,08 in einer durchgehenden Einstellung gemessen, mit nativem Ton und ohne harte Schnitte. Vorher lag die Obergrenze bei fünfzehn Sekunden, weshalb längere Ads aus mehreren Clips zusammengestückelt wurden. Ein Durchgang heißt: keine Nahtstelle, die du verstecken musst, kein verschobenes Grading, kein Raumklang, der zwischen den Beats wegfällt. Es rendert in 480p und 720p, also ist ein Spot, der in 1080p fertig sein muss, weiterhin ein Job für einen kürzeren Take.

Welches Modell hat die beste Lippensynchronität?

Unserer Erfahrung nach Veo 3.1, weil es Sprache nativ im selben Durchgang wie das Bild erzeugt, sodass Lippen und Ton aus einem Prozess kommen. Das unheimliche Lippenflattern entsteht, wenn separat generiertes TTS über einen gerenderten Mund gelegt wird. Heb dir das also für Schnitte auf, in denen kein Mund zu sehen ist.

Welches Modell lässt mein echtes Produkt richtig aussehen?

Seedance 2.0 hält die Produktidentität gut, wenn es ein echtes Produktfoto als Referenz bekommt und der Gegenstand in die Szene eingesetzt wird. Text-Prompts beschreiben Kategorien, Referenzbilder legen die Identität fest. Darum schlägt ein echtes Foto als Grundlage jede Beschreibung des Produkts in Worten.

Welches Modell hält denselben Darsteller über eine ganze Kampagne?

Kling 3.0. Gib ihm eine Gesichtsreferenz, und es hält die Identität dieser Person über alle Renders. So kann ein wiederkehrender Creator eine ganze Ad-Serie tragen, statt dass in jedem Spot ein neues Gesicht auftaucht.

Warum tun sich KI-Videos mit geworfenen oder fallenden Gegenständen schwer?

Ballistische Bewegung (ein Gegenstand im freien Flug unter Schwerkraft) ist der Punkt, an dem die Physik jedes aktuellen Modells noch sichtbar bricht, egal welches du nimmst. Plan deine Choreografie drumherum: Lass Produkte halten, drehen, abstellen oder eingießen, damit eine Hand den Gegenstand trägt und das Modell die Schwerkraft nie allein lösen muss.

Muss ich bei Hermoso das Modell selbst wählen?

Nein. Hermoso schickt jeden Render an das Modell, das am besten zur Einstellung passt, und stimmt das Routing bei neuen Versionen neu ab. Du musst also nie ein Changelog verfolgen oder ein Modell wählen. Du beschreibst die Ad, das Routing erledigt den Rest.