بهترین مولد ویدیوی هوش مصنوعی: 45 کلیپ، امتیازدهی کور

• آزمایش‌شده در 1 نوامبر 2026
• 5 مدل
• 3 کار، هر کدام 3 تلاش
• 45 کلیپ، 0 ناموفق
• داده‌های خام کامل

پخش هر پنج کلیپ، بی‌صدا

همان پرامپت برای هر پنج مدل. این تلاش 1 از 3 برای هر مدل است، پس ما نمونه‌های چاپلوسانه را انتخاب نکردیم. روی هر کلیپ بزنید تا پخش شود.

جواب کوتاه: اگر می‌خواهید یک مدل برای همه‌چیز داشته باشید، Kling 4.0 را انتخاب کنید، چون بدترین تلاشش (3.6) از بدترین تلاش هر مدل دیگری بهتر بود. اگر قیمت مهم‌تر است، Wan 3.0 را انتخاب کنید که در امتیاز کلی با Kling برابر بود و هر کلیپ آن $0.60 برای هر کلیپ هزینه داشت. Seedance 2.5 درست پشت این دو قرار دارد و در کلیپ‌های گفتاری برابر است. MiniMax H3 در صحنه‌های با دوربین متحرک پیشتاز است. افشاگری: Hermoso دسترسی به هر پنج مدل را می‌فروشد و Seedance 2.5 مدل پیش‌فرض ماست. این مدل در هیچ کاری به‌تنهایی برنده نشد.

چه کسی از کدام استفاده کند

یک مدل برای همه‌چیز

Kling 4.0

پایدارترین نتیجه این آزمایش. پایین‌ترین تلاشش 3.6 امتیاز گرفت و هیچ کاری نقطه ضعف نبود. با Wan 3.0 در رتبه اول کلی مساوی شد.

بهترین ارزش

Wan 3.0

از نظر امتیاز کلی با Kling برابر است، با $0.60 برای 6 ثانیه، دقیق‌ترین جزئیات آزمایش و بهترین صدای طبیعی. MiniMax H3 در هر ثانیه ارزان‌تر است، اما بیرون از صحنه‌ها امتیاز پایین‌تری گرفت.

فردی که روبه‌روی دوربین حرف می‌زند

تساوی: Wan 3.0، Seedance 2.5، Kling 4.0

هر سه جمله را کلمه به کلمه گفتند. Wan بیشترین پف آرد و بازوهای آردی را که خواسته بودیم داشت، با لبخند تبلیغاتی. Seedance بیشترین شباهت را به فیلم داشت، اما در یک تلاش از سه، شمارش را خراب کرد.

محصولات با متن ریز

Kling 4.0، Wan 3.0 نزدیک

هر تلاش Kling هر سه خط برچسب را درست نگه داشت، با دست واقعی و نزدیک شدن واقعی دوربین. همچنین بیشترین تطابق را با بریف داشت. Seedance بهترین عسل آزمایش را ساخت، آن هم در یک تلاش از سه.

دوربین متحرک در صحنه شلوغ

MiniMax H3، سپس Wan و Kling

بلندترین نمایش‌ها، با سوارکار که تا پایان در قاب مانده است. همچنین 8 ثانیه داشت در حالی که بقیه 6 ثانیه داشتند، که به حرکت آهسته کمک می‌کند. Wan 3.0 و Kling 4.0 داخل خط تساوی ما هستند.

وقتی سریع لازم دارید

Veo 3.1

در میانه حدود 66 ثانیه تمام شد، در برابر 156 تا 238 ثانیه برای بقیه. در عکس ثابت عالی به نظر می‌رسد، اما بیش از هر مدل دیگری مراحل بریف را جا انداخت، و آن هم با بالاترین قیمت.

امتیازها

هر کلیپ از دو داور کور مستقل، بین 1 تا 5 در شش معیار امتیاز گرفت. امتیاز هر کار میانگین سه تلاش آن است، پس تلاش بد هم حساب می‌شود. قاعده را پیش از هر رندر نوشتیم: اختلاف کمتر از 0.3 تساوی است، و نارنجی بالاترین امتیاز و هر چیزی را که با آن مساوی است نشان می‌دهد.

مدل	گفتار	محصول	صحنه	کلی	بدترین تلاش
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

امتیاز کلی میانگین ساده 45 امتیاز است. اگر صدا را کاملاً حذف کنیم، Kling کمی از Wan جلو می‌زند و بقیه جایگاه‌شان را حفظ می‌کنند: Kling 4.0 با 3.88، Wan 3.0 با 3.85، Seedance 2.5 با 3.65، MiniMax H3 با 3.52، Veo 3.1 با 3.05. Seedance 2.5 در امتیاز کلی داخل خط تساوی است، و بدترین تلاشش دلیل آن است که ما آن را پشت دو مدل پیشتاز قرار داده‌ایم.

کار 1: فردی که حرف می‌زند و با انگشتانش می‌شمارد

یک نانوایی یک جمله دقیق می‌گوید، یک، دو، سپس سه انگشت را نشان می‌دهد، و نان را می‌زند تا آرد بالا بپرد. این کار همگام‌سازی لب، کلمات، آناتومی دست و فیزیک کوچک را در یک نمای ثابت می‌آزماید. برنده: تساوی سه‌طرفه بین Wan 3.0، Seedance 2.5 و Kling 4.0. هر 15 کلیپ جمله را کلمه به کلمه گفتند. انگشتان میدان را تقسیم کردند: Veo 3.1 در هیچ تلاشی به سه نرسید، و MiniMax H3 در دو تلاش از سه، دست کامل را باز کرد.

تلاش 1تلاش 2تلاش 3

پخش هر پنج کلیپ، بی‌صدا

امتیاز گفتار

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

میانگین سه تلاش. نارنجی یعنی رتبه اول یا تا 0.3 امتیاز از آن.

کار 2: یک شیشه عسل با برچسب چاپی

نزدیک شدن آهسته دوربین به یک شیشه برچسب‌دار، در حالی که عسل از قاشق می‌ریزد. این کار متن ریز، ثابت ماندن حروف و مایع غلیظ را می‌آزماید. برچسب یک محصول ساختگی خودمان است. برنده: Kling 4.0، با Wan 3.0 داخل خط تساوی. املا تقریباً حل‌شده بود: 14 از 15 کلیپ هر سه خط را درست گرفتند. عسل این‌طور نبود. تقریباً هیچ‌کدام مثل خواسته تا نخورد و حلقه نزد، و Veo 3.1 در هیچ تلاشی به شیشه نزدیک نشد.

تلاش 1تلاش 2تلاش 3

پخش هر پنج کلیپ، بی‌صدا

امتیاز محصول

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

میانگین سه تلاش. نارنجی یعنی رتبه اول یا تا 0.3 امتیاز از آن.

کار 3: دنبال کردن دوچرخه‌سوار در بازار بارانی

یک نمای پیوسته بدون بریدگی پشت یک پیک در باران: چرخشی دور یک گاری، عبور یک سگ، یک زنگ دوچرخه، سپس دوربین از روی چترها بالا می‌رود تا کل خیابان را نشان دهد. برنده: MiniMax H3، با Wan 3.0 و Kling 4.0 داخل خط تساوی. هیچ‌کس همه ضرب‌ها را نگرفت. Kling و H3 به بریف نزدیک‌تر بودند. Wan تیزترین بود اما بوم ساده را با چادرهای رنگی و علامت‌های ساختگی عوض کرد. Seedance مدام سوارکار را برش می‌داد، و Veo در دو تلاش از سه، سوارکار را کاملاً گم کرد.

تلاش 1تلاش 2تلاش 3

پخش هر پنج کلیپ، بی‌صدا

امتیاز صحنه

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

میانگین سه تلاش. نارنجی یعنی رتبه اول یا تا 0.3 امتیاز از آن.

بر اساس آنچه امتیاز داده‌ایم

میانگین در هر 45 کلیپ. جزئیات کمترین تفاوت را بین این مدل‌ها دارد. پیروی از بریف بیشترین تفاوت را ایجاد می‌کند، و آن شکاف بیشتر دلیل شکل رتبه‌بندی است.

گران‌ترین مدل آخر آمد

هزینه Veo 3.1 برای هر کلیپ چهار برابر Wan 3.0 است و در هر کار کمترین امتیاز را گرفت، و در گفتار با MiniMax H3 برابر بود. عکس‌هایش زیبا به نظر می‌رسند، با واقعی‌ترین آرد در آزمایش. مشکل مراحل است: هرگز تا سه نشمرد، هرگز روی عسل به جلو نزدیک نشد، و سوارکار را در باران گم کرد. اگر شات شما یک ایده ساده است، شاید بهتر از آنچه این آزمایش نشان می‌دهد به کارتان بیاید. پرامپت‌های ما عمداً پر از مراحل بودند.

املا آسان شد، مایعات نه

انتظار داشتیم برچسب سخت‌ترین بخش باشد. چهارده از 15 کلیپ هر سه خط را درست چاپ کردند، و تنها یک تلاش Veo یک کلمه اضافه داشت. عسلی که هنگام فرود تا می‌خورد و حلقه می‌زند چیزی بود که تقریباً همه از دست دادند. بیشتر کلیپ‌ها یک ستون مستقیم به ما دادند، یا شکلی سفت که به سختی تغییر می‌کرد. یک تلاش Seedance 2.5 آن را درست گرفت، که خودش مشکل است: یک تلاش از سه بود.

درباره موسیقی روی برخی کلیپ‌های عسل

ما صدای آشپزخانه و بدون موسیقی خواسته بودیم. در 8 کلیپ از 15 کلیپ عسل، مدل تقریباً هیچ صدایی برنگرداند، زیر -40 dB، و مسیر رندر ما یک آهنگ بی‌صدا زیر آن اضافه کرد: هر سه تلاش MiniMax H3، دو تلاش Seedance 2.5، دو تلاش Veo 3.1 و یک تلاش Wan 3.0. هیچ‌کدام از تلاش‌های Kling به آن نیاز نداشت. آن موسیقی مال ماست، نه مال مدل. آن کلیپ‌ها به دلیل سکوت در بخش صدا امتیاز از دست دادند و در جدول خام مشخص شده‌اند. کلیپ‌های گفتاری و صحنه دست نخورده‌اند.

نحوه اجرای آزمایش

ما سه پرامپت و قواعد امتیازدهی را پیش از هر چیز نوشتیم، یک کلیپ آزمایشی اجرا کردیم تا خط لوله را بررسی کنیم، و سپس بقیه را رندر کردیم. کلیپ آزمایشی یکی از 45 کلیپ است. چیزی شکست نخورد، پس چیزی دوباره اجرا یا حذف نشد.

هر کلیپ 16:9 در 720p و 6 ثانیه خواست، بدون زمینه برند و بدون بازنویسی پرامپت. دو استثنا: MiniMax H3 به مدت 8 ثانیه اجرا شد چون گزینه 6 ثانیه‌ای نداشت، و خروجی‌اش 1344x768 است نه 1280x720. Wan 3.0 با 30 فریم در ثانیه تحویل داد و بقیه با 24.

هر کار همان چیز را به هر مدل می‌گوید، به شیوه‌ای که سازنده همان مدل توصیه می‌کند، چون یک آزمایش منصفانه نباید مدلی را وادار کند لهجه مدل دیگری را بخواند. Kling راهنمای مخصوص 4.0 ندارد، پس از عادت‌های 3.0 آن استفاده کردیم. Veo 3.1 مدل کامل است، نه نسخه سریعش.

ما seedهای 1101، 2202 و 3303 را به Veo 3.1، Wan 3.0 و MiniMax H3 فرستادیم. مسیر رندر ما seed را به Seedance 2.5 یا Kling 4.0 نمی‌دهد، پس آن تلاش‌ها سه اجرای مستقل هستند. هیچ مدلی seedی را که استفاده کرد تأیید نکرد.

امتیازدهی کور بود و توسط دو داور جدا از هم انجام شد، نه انسان، بلکه هوش مصنوعی. هر کلیپ به 12 فریم از ابتدا تا انتها، یک طیف‌نگاری از صدایش، بلندی‌اش و یک رونوشت، زیر یک کد تصادفی کاهش یافت. هیچ‌کدام از داوران تا زمانی که امتیازها ثبت نشده بود نمی‌دید کدام مدل کدام کلیپ را ساخته است. دو داور همخوانی نزدیکی داشتند، با همبستگی 0.91 بین کلیپ‌ها و میانگین اختلاف 0.36 امتیاز در هر معیار. امتیازهای این صفحه میانگین آن‌هاست، و عدد هر داور در فایل CSV آمده است.

برخی بررسی‌ها نیاز به قضاوت نداشتند. یک رونوشت محلی جمله دقیق را در هر 15 کلیپ گفتاری تأیید کرد. تشخیص صحنه هیچ برشی در هیچ کلیپی پیدا نکرد، هرچند یک تلاش Veo 3.1 مثل یک پرش پخش می‌شود و ما آن را علامت زدیم. هر دو داور خطوط برچسب را جداگانه شمردند و در هر 15 کلیپ مطابقت داشتند.

پرامپت‌ها، کلمه به کلمه

هر کدام را کپی کنید. هر پیوند آن پرامپت را روی آن مدل در Hermoso باز می‌کند.

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.

آزمایش نمی‌تواند به شما بگوید

سه پرامپت همه‌چیز را پوشش نمی‌دهند و سه تلاش برای هر کار نمونه کوچکی است، پس اختلاف 0.3 یا کمتر را به معنای هیچ اختلافی بدانید. هر دو داور مدل‌های هوش مصنوعی بودند که فریم‌ها و اندازه‌گیری‌ها را می‌خواندند. هیچ‌کس این کلیپ‌ها را با گوش نشنیده است: صدا از روی رونوشت، طیف‌نگاری و بلندی قضاوت شد، پس کیفیت صدای گفتار ضعیف‌ترین بخش امتیازدهی ماست، و 12 فریم ممکن است نقصی را بین آن‌ها از دست بدهد. معیار همگام‌سازی لب ما تقریبی بود و به آن تکیه نکردیم. این معیار Seedance 2.5 و Kling 4.0 را نزدیک‌ترین نشان داد و Wan 3.0 را تا نیم ثانیه دورتر، پس اگر همگام‌سازی لب برایتان مهم است کلیپ‌ها را تماشا کنید. کورسازی یک نقطه ضعف شناخته‌شده داشت: طول 8 ثانیه‌ای MiniMax H3 کلیپ‌هایش را قابل تشخیص کرد، و آن دو ثانیه اضافه ممکن است در نمایش آهسته به آن کمک کرده باشد. هر چیزی که در جدول نیست، از جمله Seedance 2.0 و HeyGen Video، آزمایش نشد. مدل‌ها و قیمت‌ها سریع تغییر می‌کنند و این نتایج مربوط به یک روز است.