Mejor generador de vídeo con IA: 45 clips, puntuados a ciegas

• Probado el 1 de noviembre de 2026
• 5 modelos
• 3 pruebas, 3 tomas cada una
• 45 clips, 0 fallidos
• Datos brutos incluidos

Reproducir las cinco, sin sonido

El mismo prompt en las cinco. Esta es la toma 1 de 3 de cada modelo, así que no elegimos las más favorecedoras. Pulsa play en cualquier clip.

La respuesta corta: si quieres un solo modelo para todo, usa Kling 4.0, porque su peor toma (3.6) superó a la peor de cualquier otro modelo. Si el precio pesa más, usa Wan 3.0, que igualó a Kling en el conjunto por $0.60 por clip. Seedance 2.5 queda justo detrás de ellos y empata en los clips de diálogo. MiniMax H3 lidera en escenas con cámara en movimiento. Aviso de transparencia: Hermoso vende acceso a los cinco, y Seedance 2.5 es nuestro modelo predeterminado. No ganó ninguna prueba por sí solo.

Quién debería usar cada uno

Un modelo para todo

Kling 4.0

El resultado más estable de la prueba. Su toma más baja obtuvo 3.6 y ninguna prueba fue un punto débil. Empató con Wan 3.0 en el primer puesto general.

Mejor relación calidad-precio

Wan 3.0

Igualado con Kling en el conjunto a $0.60 por 6 segundos, el detalle más nítido de la prueba y el mejor sonido natural. MiniMax H3 es más barato por segundo, pero puntuó más bajo fuera de las escenas.

Una persona hablando a cámara

Empate: Wan 3.0, Seedance 2.5, Kling 4.0

Los tres dijeron la frase palabra por palabra. Wan dio la nube de harina más grande y los antebrazos enharinados que pedimos, con una sonrisa de anuncio de stock. Seedance parecía la más cinematográfica, pero falló el conteo en una toma de tres.

Productos con letra pequeña

Kling 4.0, Wan 3.0 muy cerca

Cada toma de Kling mantuvo las tres líneas de la etiqueta bien, con una mano real y un acercamiento de cámara real. También fue la que mejor siguió el encargo. Seedance hizo la mejor miel de la prueba, en una toma de tres.

Cámara en movimiento en una escena concurrida

MiniMax H3, luego Wan y Kling

Las revelaciones más altas, con el ciclista todavía en plano al final. También tuvo 8 segundos cuando los demás tuvieron 6, lo que ayuda con un movimiento lento. Wan 3.0 y Kling 4.0 están dentro de nuestra línea de empate.

Cuando lo necesitas rápido

Veo 3.1

Terminó en unos 66 segundos de mediana, frente a 156 a 238 del resto. Se ve genial en una imagen fija, pero se saltó pasos del encargo más que nadie, y al precio más alto.

Las puntuaciones

Cada clip recibió de 1 a 5 en seis criterios de dos jueces ciegos independientes. La puntuación de una prueba es el promedio de sus tres tomas, así que una mala toma cuenta. Escribimos la regla antes de generar nada: una diferencia menor de 0.3 es un empate, y el naranja marca la puntuación más alta y cualquiera empatada con ella.

Modelo	Diálogo	Producto	Escena	General	Peor toma
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

El general es el promedio simple de las 45 puntuaciones. Si quitas el audio por completo, Kling supera ligeramente a Wan y el resto mantiene su lugar: 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 está dentro de la línea de empate en el general, y su peor toma es la razón por la que la ponemos detrás de los dos líderes.

Prueba 1: una persona hablando y contando con los dedos

Una panadera dice una frase exacta, muestra uno, dos y luego tres dedos, y da palmadas a una hogaza para que suba la harina. Pone a prueba la sincronía labial, las palabras, la anatomía de la mano y una pequeña física en un solo plano fijo. Ganador: empate triple entre Wan 3.0, Seedance 2.5 y Kling 4.0. Los 15 clips dijeron la frase palabra por palabra. Los dedos separaron el resto: Veo 3.1 nunca llegó a tres en ninguna toma, y MiniMax H3 abrió con la mano completa en dos de tres.

Toma 1Toma 2Toma 3

Reproducir las cinco, sin sonido

Puntuaciones de diálogo

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

Promedio de tres tomas. El naranja es el primer puesto o está a 0.3 o menos de él.

Prueba 2: un bote de miel con etiqueta impresa

Un lento acercamiento de cámara a un bote etiquetado mientras la miel cae de un cazo. Pone a prueba el texto pequeño, si las letras se mantienen quietas y el líquido espeso. La etiqueta es un producto inventado por nosotros. Ganador: Kling 4.0, con Wan 3.0 dentro de la línea de empate. La ortografía estaba casi resuelta: 14 de 15 clips acertaron las tres líneas. La miel no. Casi nada se plegó ni se enrolló como se pidió, y Veo 3.1 nunca hizo un acercamiento en ninguna toma.

Toma 1Toma 2Toma 3

Reproducir las cinco, sin sonido

Puntuaciones de producto

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

Promedio de tres tomas. El naranja es el primer puesto o está a 0.3 o menos de él.

Prueba 3: seguir a un ciclista por un mercado bajo la lluvia

Un plano ininterrumpido detrás de un mensajero bajo la lluvia: un viraje alrededor de un carrito, un perro que cruza, un solo timbrazo de campana, y luego la cámara sube sobre los paraguas para mostrar toda la calle. Ganador: MiniMax H3, con Wan 3.0 y Kling 4.0 dentro de la línea de empate. Nadie logró todos los momentos. Kling y H3 se mantuvieron más cerca del encargo. Wan fue la más nítida, pero cambió la lona lisa por tiendas de colores y letreros inventados. Seedance siguió recortando al ciclista, y Veo perdió al ciclista por completo en dos de tres.

Toma 1Toma 2Toma 3

Reproducir las cinco, sin sonido

Puntuaciones de escena

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

Promedio de tres tomas. El naranja es el primer puesto o está a 0.3 o menos de él.

Según lo que puntuamos

Promedios de los 45 clips. El detalle separa menos a estos modelos. Seguir el encargo los separa más, y esa diferencia explica buena parte del orden del ranking.

El modelo más caro quedó al final

Veo 3.1 cuesta cuatro veces más por clip que Wan 3.0 y puntuó más bajo en todas las pruebas, al nivel de MiniMax H3 en diálogo. Las imágenes fijas se ven preciosas, con la harina más creíble de la prueba. El problema son los pasos: nunca contó hasta tres, nunca hizo un acercamiento sobre la miel y perdió al ciclista bajo la lluvia. Si tu plano es una sola idea sencilla, quizá te sirva mejor de lo que sugiere esta prueba. Nuestros prompts estaban deliberadamente llenos de pasos.

La ortografía salió fácil, los líquidos no

Esperábamos que la etiqueta fuera la parte difícil. Catorce de 15 clips imprimieron bien las tres líneas, y solo una toma de Veo añadió una palabra de más. Lo que casi todos fallaron fue la miel que se pliega y se enrolla al caer. La mayoría de los clips nos dieron una columna recta, o una forma rígida que apenas cambiaba. Una toma de Seedance 2.5 lo logró, y eso también es el problema: fue una toma de tres.

Sobre la música en algunos clips de miel

Pedimos sonidos de cocina y nada de música. En 8 de los 15 clips de miel, el modelo devolvió casi ningún sonido, por debajo de -40 dB, y nuestro proceso de render añadió una pista musical suave debajo: las tres tomas de MiniMax H3, dos de Seedance 2.5, dos de Veo 3.1 y una de Wan 3.0. Ninguna toma de Kling la necesitó. Esa música es nuestra, no del modelo. Esos clips perdieron puntos en audio por el silencio, y están marcados en la tabla de datos brutos. Los clips de diálogo y de escena no se tocaron.

Cómo lo hicimos

Escribimos los tres prompts y las reglas de puntuación primero, generamos un único clip piloto para comprobar el proceso y luego renderizamos el resto. El piloto es uno de los 45. Nada falló, así que nada se reintentó ni se descartó.

Cada clip pidió 16:9 a 720p y 6 segundos, sin contexto de marca y sin reescribir el prompt. Dos excepciones: MiniMax H3 se generó a 8 segundos porque no tenía opción de 6, y entrega 1344x768 en lugar de 1280x720. Wan 3.0 entrega a 30 fotogramas por segundo, el resto a 24.

Cada prueba dice lo mismo a todos los modelos, escrito como lo recomienda el creador de cada uno, porque una prueba justa no obliga a un modelo a leer el dialecto de otro. Kling no tiene guía para 4.0, así que usamos sus hábitos de 3.0. Veo 3.1 es el modelo completo, no su versión rápida.

Enviamos las semillas 1101, 2202 y 3303 a Veo 3.1, Wan 3.0 y MiniMax H3. Nuestro proceso de render no pasa una semilla a Seedance 2.5 ni a Kling 4.0, así que esas tomas son tres ejecuciones independientes. Ningún modelo confirmó la semilla que usó.

La puntuación fue ciega y la hicieron dos jueces de IA separados, no personas. Cada clip se redujo a 12 fotogramas de principio a fin, un espectrograma de su sonido, su volumen y una transcripción, bajo un código aleatorio. Ningún juez vio qué modelo había hecho un clip hasta que sus puntuaciones estuvieron listas. Los dos jueces coincidieron mucho, con una correlación de 0.91 entre clips y una diferencia media de 0.36 puntos por criterio. Las puntuaciones de esta página son su promedio, y el número de cada juez está en el CSV.

Algunas comprobaciones no necesitaron juicio. Una transcripción local confirmó la frase exacta en los 15 clips de diálogo. La detección de escenas no encontró cortes en ningún clip, aunque una toma de Veo 3.1 se reproduce como un salto y lo marcamos. Ambos jueces contaron las líneas de la etiqueta por separado y coincidieron en los 15.

Los prompts, palabra por palabra

Copia cualquiera de estos. Cada enlace abre ese prompt en ese modelo dentro de 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.

Lo que esta prueba no puede decirte

Tres prompts no cubren todo, y tres tomas por prueba es una muestra pequeña, así que una diferencia de 0.3 o menos debe leerse como ninguna diferencia. Ambos jueces eran modelos de IA que leían fotogramas y mediciones. Nadie escuchó estos clips con el oído: el sonido se juzgó por transcripciones, espectrogramas y volumen, así que la calidad de voz es la parte más débil de nuestra puntuación, y 12 fotogramas pueden pasar por alto un fallo entre ellos. Nuestra medida de sincronía labial era aproximada y no nos apoyamos en ella. Puso a Seedance 2.5 y a Kling 4.0 más cerca, y a Wan 3.0 hasta medio segundo desfasado, así que mira los clips si la sincronía labial te importa. El punto ciego conocido: la duración de 8 segundos de MiniMax H3 hizo sus clips reconocibles, y esos dos segundos extra pueden haberle ayudado en la revelación lenta. Lo que no aparece en la tabla, incluidos Seedance 2.0 y HeyGen Video, no se probó. Los modelos y los precios cambian rápido, y estos resultados son de un solo día.