Bester KI-Videogenerator: 45 Clips, blind bewertet

• Getestet am 1. November 2026
• 5 Modelle
• 3 Aufgaben, je 3 Takes
• 45 Clips, 0 fehlgeschlagen
• Rohdaten inklusive

Alle fünf abspielen, stumm

Derselbe Prompt für alle fünf. Das ist Take 1 von 3 für jedes Modell, wir haben also nicht die schönsten ausgesucht. Spiele einen beliebigen Clip ab.

Die kurze Antwort: Wenn du ein Modell für alles willst, nimm Kling 4.0, denn sein schwächster Take (3.6) schlug den schwächsten Take jedes anderen Modells. Wenn der Preis wichtiger ist, nimm Wan 3.0, das insgesamt mit Kling gleichauf lag und bei $0.60 pro Clip liegt. Seedance 2.5 liegt knapp dahinter und ist bei Sprechclips gleichauf. MiniMax H3 führt bei Szenen mit bewegter Kamera. Offenlegung: Hermoso verkauft Zugang zu allen fünf, und Seedance 2.5 ist unser Standard. Es hat keine Aufgabe klar gewonnen.

Wer welches Modell nehmen sollte

Ein Modell für alles

Kling 4.0

Das stabilste Ergebnis des Tests. Der schwächste Take erreichte 3.6, und bei keiner Aufgabe gab es eine Schwachstelle. Insgesamt lag es gleichauf mit Wan 3.0 auf Platz eins.

Bestes Preis-Leistungs-Verhältnis

Wan 3.0

Insgesamt gleichauf mit Kling, bei $0.60 für 6 Sekunden, mit den schärfsten Details des Tests und dem besten natürlichen Ton. MiniMax H3 ist pro Sekunde günstiger, lag außerhalb von Szenen aber niedriger.

Eine Person spricht in die Kamera

Gleichstand: Wan 3.0, Seedance 2.5, Kling 4.0

Alle drei sagten die Zeile wortgetreu. Wan erzeugte die größte Mehlwolke und die mehligen Arme, die wir verlangt hatten, mit einem Werbefoto-Grinsen. Seedance wirkte am meisten wie ein Film, verzählte sich aber in einem von drei Takes.

Produkte mit Kleingedrucktem

Kling 4.0, Wan 3.0 knapp dahinter

Jeder Kling-Take hatte alle drei Etikettenzeilen richtig, mit einer echten Hand und einer echten Heranfahrt. Außerdem traf es das Briefing am besten. Seedance machte den besten Honig des Tests, aber nur in einem von drei Takes.

Eine bewegte Kamera in einer belebten Szene

MiniMax H3, dann Wan und Kling

Die höchsten Enthüllungen, wobei der Fahrer am Ende noch im Bild ist. Außerdem hatte es 8 Sekunden, wo die anderen 6 hatten, was einer langsamen Kamerafahrt hilft. Wan 3.0 und Kling 4.0 liegen innerhalb unserer Gleichstandslinie.

Wenn du es schnell brauchst

Veo 3.1

Fertig nach etwa 66 Sekunden im Median, gegenüber 156 bis 238 bei den anderen. Auf einem Standbild sieht es großartig aus, aber es hat öfter als alle anderen Schritte aus dem Briefing übersprungen, und das bei dem höchsten Preis.

Die Bewertungen

Jeder Clip erhielt von zwei getrennten blinden Bewertern 1 bis 5 Punkte in sechs Kriterien. Eine Aufgabenbewertung ist der Durchschnitt seiner drei Takes, sodass ein schwacher Take zählt. Wir haben die Regel vor dem ersten Rendering festgelegt: Ein Abstand unter 0.3 ist ein Gleichstand, und Orange markiert die Bestwertung und alles, was damit gleichauf liegt.

Modell	Sprechen	Produkt	Szene	Gesamt	Schwächster Take
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

Die Gesamtwertung ist der schlichte Durchschnitt aller 45 Bewertungen. Nimmt man den Ton komplett heraus, zieht Kling knapp an Wan vorbei, während die übrigen ihre Plätze behalten: 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 liegt insgesamt innerhalb der Gleichstandslinie, und sein schwächster Take ist der Grund, warum wir es hinter die beiden Spitzenreiter setzen.

Aufgabe 1: eine Person spricht und zählt an den Fingern

Eine Bäckerin sagt eine genaue Zeile, zeigt eins, zwei, dann drei Finger und klopft auf einen Laib, sodass Mehl aufsteigt. Es prüft Lippensynchronität, Wörter, Handanatomie und kleine Physik in einer festen Einstellung. Sieger: ein Dreierstand zwischen Wan 3.0, Seedance 2.5 und Kling 4.0. Alle 15 Clips sagten die Zeile wortgetreu. Bei den Fingern trennte sich das Feld: Veo 3.1 erreichte in keinem Take drei, und MiniMax H3 zeigte in zwei von drei Takes eine volle Hand.

Take 1Take 2Take 3

Alle fünf abspielen, stumm

Bewertungen Sprechen

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

Durchschnitt aus drei Takes. Orange bedeutet Platz eins oder höchstens 0.3 darunter.

Aufgabe 2: ein Honigglas mit gedrucktem Etikett

Eine langsame Heranfahrt auf ein beschriftetes Glas, während Honig vom Löffel fällt. Es prüft kleine Schrift, ob Buchstaben ruhig stehen bleiben, und dickflüssige Flüssigkeit. Das Etikett ist unser eigenes erfundenes Produkt. Sieger: Kling 4.0, Wan 3.0 innerhalb der Gleichstandslinie. Die Rechtschreibung war fast gelöst: 14 von 15 Clips hatten alle drei Zeilen richtig. Beim Honig war das nicht so. Fast nichts faltete sich und rollte sich wie verlangt, und Veo 3.1 fuhr in keinem Take heran.

Take 1Take 2Take 3

Alle fünf abspielen, stumm

Produktbewertungen

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

Durchschnitt aus drei Takes. Orange bedeutet Platz eins oder höchstens 0.3 darunter.

Aufgabe 3: einem Radfahrer durch einen verregneten Markt folgen

Eine ununterbrochene Einstellung hinter einem Kurier im Regen: ein Ausweichen um einen Karren, ein Hund, der quert, ein Klingelton, dann hebt sich die Kamera über die Schirme, um die ganze Straße zu zeigen. Sieger: MiniMax H3, Wan 3.0 und Kling 4.0 innerhalb der Gleichstandslinie. Niemand traf jeden Moment. Kling und H3 blieben dem Briefing am nächsten. Wan war am schärfsten, tauschte aber schlichte Leinwand gegen farbige Zelte und erfundene Schilder. Seedance schnitt den Fahrer immer wieder an, und Veo verlor den Fahrer in zwei von drei Takes ganz.

Take 1Take 2Take 3

Alle fünf abspielen, stumm

Szenenbewertungen

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

Durchschnitt aus drei Takes. Orange bedeutet Platz eins oder höchstens 0.3 darunter.

Worauf wir bewertet haben

Durchschnitt über alle 45 Clips. Die Detailtreue trennt diese Modelle am wenigsten. Das Befolgen des Briefings trennt sie am meisten, und diese Lücke ist der Hauptgrund, warum die Rangliste so aussieht, wie sie aussieht.

Das teuerste Modell kam zuletzt

Veo 3.1 kostet pro Clip viermal so viel wie Wan 3.0 und erzielte bei jeder Aufgabe die niedrigste Bewertung, gleichauf mit MiniMax H3 bei Sprechclips. Die Standbilder sehen hübsch aus, mit dem glaubwürdigsten Mehl des Tests. Das Problem sind die Schritte: Es zählte nie bis drei, fuhr nie an den Honig heran und verlor den Fahrer im Regen. Wenn deine Einstellung eine einfache Idee ist, dient sie dir vielleicht besser, als dieser Test vermuten lässt. Unsere Prompts waren bewusst voller Schritte.

Schrift wurde leicht, Flüssigkeiten nicht

Wir hatten erwartet, dass das Etikett der schwere Teil wird. Vierzehn von 15 Clips druckten alle drei Zeilen korrekt, und nur ein Veo-Take fügte ein fremdes Wort hinzu. Honig, der sich beim Landen faltet und rollt, hat fast jeder verfehlt. Die meisten Clips zeigten eine gerade Säule oder eine steife Form, die sich kaum änderte. Ein Seedance-2.5-Take traf es richtig, und genau das ist das Problem: Es war ein Take von dreien.

Über die Musik bei einigen Honig-Clips

Wir hatten Küchengeräusche ohne Musik verlangt. Bei 8 der 15 Honig-Clips lieferte das Modell kaum Ton, unter -40 dB, und unser Renderweg legte eine leise Musikspur darunter: alle drei MiniMax-H3-Takes, zwei Seedance-2.5-Takes, zwei Veo-3.1-Takes und ein Wan-3.0-Take. Keiner der Kling-Takes brauchte das. Diese Musik stammt von uns, nicht vom Modell. Diese Clips verloren beim Ton Punkte wegen der Stille, und sie sind in der Rohdatentabelle markiert. Sprech- und Szenenclips wurden nicht verändert.

So haben wir es durchgeführt

Wir haben zuerst die drei Prompts und die Bewertungsregeln geschrieben, einen einzelnen Pilotclip gerendert, um die Pipeline zu prüfen, und dann den Rest gerendert. Der Pilot ist einer der 45. Nichts ist fehlgeschlagen, daher wurde nichts wiederholt oder verworfen.

Jeder Clip verlangte 16:9 bei 720p und 6 Sekunden, ohne Markenkontext und ohne Umschreiben des Prompts. Zwei Ausnahmen: MiniMax H3 lief mit 8 Sekunden, weil es keine 6-Sekunden-Option hatte, und es liefert 1344x768 statt 1280x720. Wan 3.0 liefert mit 30 Bildern pro Sekunde, der Rest mit 24.

Jede Aufgabe sagt jedem Modell dasselbe, geschrieben so, wie es der Hersteller dieses Modells empfiehlt, denn ein fairer Test zwingt kein Modell, den Dialekt eines anderen zu lesen. Kling hat keine Anleitung für 4.0, also haben wir seine Gewohnheiten von 3.0 verwendet. Veo 3.1 ist das volle Modell, nicht die schnelle Version.

Wir haben die Seeds 1101, 2202 und 3303 an Veo 3.1, Wan 3.0 und MiniMax H3 geschickt. Unser Renderweg übergibt keinen Seed an Seedance 2.5 oder Kling 4.0, daher sind diese Takes drei unabhängige Läufe. Kein Modell hat bestätigt, welchen Seed es verwendet hat.

Die Bewertung war blind und wurde von zwei getrennten KI-Bewertern erledigt, nicht von Menschen. Jeder Clip wurde auf 12 Bilder von Anfang bis Ende reduziert, ergänzt um ein Spektrogramm seines Tons, seine Lautstärke und ein Transkript, alles unter einem zufälligen Code. Keiner der Bewerter sah, welches Modell einen Clip erzeugt hatte, bevor die Bewertungen vorlagen. Die beiden Bewerter stimmten eng überein, mit einer Korrelation von 0.91 über die Clips und einer durchschnittlichen Abweichung von 0.36 Punkten pro Kriterium. Die Bewertungen auf dieser Seite sind ihr Durchschnitt, und die Zahl jedes Bewerters steht in der CSV.

Einige Prüfungen brauchten kein Urteil. Ein lokales Transkript bestätigte die genaue Zeile in allen 15 Sprechclips. Die Szenenerkennung fand in keinem Clip Schnitte, auch wenn ein Veo-3.1-Take wie ein Sprung abläuft, und wir haben ihn markiert. Beide Bewerter zählten die Etikettenzeilen getrennt und stimmten bei allen 15 überein.

Die Prompts, Wort für Wort

Kopiere einen dieser Prompts. Jeder Link öffnet diesen Prompt auf dem jeweiligen Modell in 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.

Was dieser Test nicht zeigen kann

Drei Prompts decken nicht alles ab, und drei Takes pro Aufgabe sind eine kleine Stichprobe. Deshalb sollte man einen Abstand von 0.3 oder weniger als gar keinen Unterschied lesen. Beide Bewerter waren KI-Modelle, die Einzelbilder und Messwerte auswerteten. Niemand hat diese Clips mit dem Ohr gehört: Der Ton wurde anhand von Transkripten, Spektrogrammen und Lautstärke beurteilt. Daher ist die Stimmqualität der schwächste Teil unserer Bewertung, und 12 Bilder können einen Fehler dazwischen übersehen. Unsere Messung der Lippensynchronität war grob, und wir haben uns nicht darauf verlassen. Sie setzte Seedance 2.5 und Kling 4.0 am nächsten zusammen und wich bei Wan 3.0 bis zu einer halben Sekunde ab, also sieh dir die Clips selbst an, wenn dir Lippensynchronität wichtig ist. Die Blindheit des Tests hatte ein bekanntes Loch: Die Länge von 8 Sekunden bei MiniMax H3 machte seine Clips erkennbar, und diese zwei zusätzlichen Sekunden haben ihm bei der langsamen Enthüllung vielleicht geholfen. Alles, was nicht in der Tabelle steht, einschließlich Seedance 2.0 und HeyGen Video, wurde nicht getestet. Modelle und Preise ändern sich schnell, und diese Ergebnisse stammen von einem einzigen Tag.