最高のAI動画ジェネレーター：45本のクリップをブラインド採点

• 2026年11月1日に検証
• 5モデル
• 3つの課題、各3テイク
• 45本のクリップ、失敗0本
• 生データを公開

5本まとめて再生（ミュート）

5モデルすべて同じプロンプトです。各モデルのテイク 1は3本のうち1本目なので、都合のよいものだけを選んではいません。どのクリップも再生できます。

結論: 1つのモデルで何にでも使うなら、Kling 4.0をおすすめします。最低テイク（3.6）が他のどのモデルの最低スコアよりも高いためです。価格を重視するなら、Wan 3.0が総合でKlingと並び、1本あたり$0.60です。Seedance 2.5はその少し後ろにいて、会話系のクリップでは並んでいます。MiniMax H3は、カメラが動くシーンで首位です。開示: Hermosoは5モデルすべてへのアクセスを販売しており、Seedance 2.5が当社の既定モデルです。ただし、Seedance 2.5が単独で課題に勝ったわけではありません。

用途別のおすすめ

何にでも使える1モデル

Kling 4.0

今回のテストで最も安定した結果です。最も低いテイクでも3.6で、弱点となった課題はありません。総合首位はWan 3.0と並んでいます。

コスパ最良

Wan 3.0

6秒あたり$0.60で、総合はKlingと同点です。テスト中で最も鮮明なディテールと、最も自然な音を出しました。MiniMax H3は秒単価が安いものの、シーン以外ではスコアが低くなっています。

カメラに向かって話す人

同点: Wan 3.0、Seedance 2.5、Kling 4.0

3者とも指定どおりのセリフを一字一句言いました。Wanは最も大きな小麦粉の舞い上がりと、依頼した粉まみれの腕を見せましたが、笑顔は素材広告のように見えます。Seedanceは最も映画らしい映像でしたが、3テイク中1テイクで数え方を間違えました。

細かい注意書きのある製品

Kling 4.0、Wan 3.0が僅差で続く

Klingのテイクはすべて、3行のラベルを正しく保ち、本物の手と本物の押し込みがありました。依頼内容にも最もよく合っていました。Seedanceは、3テイク中1テイクで、テスト中最高のはちみつを作りました。

混雑したシーンでのカメラ移動

MiniMax H3、その次にWanとKling

最も高く上がる場面転換で、最後まで乗り手がフレームに残っています。他のモデルが6秒なのに対し、8秒ありました。これは遅い動きに有利です。Wan 3.0とKling 4.0は、当社の同点ラインの範囲内です。

急ぎの場合に

Veo 3.1

中央値で約66秒で完成しました。他のモデルは156秒から238秒でした。静止画では見栄えがよいものの、他のどのモデルよりも課題の指示を飛ばすことが多く、しかも価格は最も高額でした。

スコア

各クリップは、2人の独立したブラインド審査員から6つの基準で1から5点を受けました。課題のスコアは3テイクの平均なので、低いテイクも結果に含まれます。レンダリングの前にルールを決めました。差が0.3未満なら同点とし、最高スコアと同点のものをオレンジで示します。

モデル	会話	製品	シーン	総合	最低テイク
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

総合は45件のスコアの単純平均です。音声の評価を外すと、KlingがWanをわずかに上回り、他の順位は変わりません。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は総合で同点ラインの範囲内ですが、最低テイクが低いため、上位2モデルの後ろに順位付けしています。

課題1: 話しながら指を数える人

パン職人が決まったセリフを言い、指を1本、2本、3本と示し、パンを軽く叩いて小麦粉を舞い上がらせます。これは、固定されたカットでのリップシンク、言葉、手の構造、小さな物理表現をまとめて試す課題です。勝者: Wan 3.0、Seedance 2.5、Kling 4.0の3者同点。15本すべてのクリップがセリフを一字一句言いました。指の表現で差がつきました。Veo 3.1は、どのテイクでも3に到達せず、MiniMax H3は3テイク中2テイクで、最初から手を開いた状態でした。

テイク 1テイク 2テイク 3

5本まとめて再生（ミュート）

会話のスコア

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

3テイクの平均です。オレンジは1位か、その0.3以内です。

課題2: 印刷ラベル付きのはちみつの瓶

ラベル付きの瓶に、ひしゃくからはちみつが落ちる中、ゆっくりと押し込みます。小さな文字、文字が静止しているか、濃い液体を試す課題です。ラベルは当社が作った架空の製品です。勝者: Kling 4.0。Wan 3.0は同点ラインの範囲内です。綴りはほぼ解決済みで、15本中14本が3行すべてを正しく出しました。はちみつはそうではありませんでした。依頼どおりに折れて巻き付くものはほぼなく、Veo 3.1はどのテイクでも押し込みを行いませんでした。

テイク 1テイク 2テイク 3

5本まとめて再生（ミュート）

製品のスコア

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

3テイクの平均です。オレンジは1位か、その0.3以内です。

課題3: 雨の市場を走るサイクリストを追う

雨の中で配達員の後ろを一度も切らずに撮ったショットです。カートを避けるターン、犬が横切る、ベルが1回鳴り、そのあとカメラが傘の上まで上がって通り全体を見せます。勝者: MiniMax H3。Wan 3.0とKling 4.0は同点ラインの範囲内です。すべてのビートを完璧にこなしたものはありませんでした。KlingとH3が依頼に最も近いものでした。Wanは最も鮮明でしたが、無地のキャンバスを色付きのテントや架空の看板に置き換えました。Seedanceはずっと乗り手を切り取っており、Veoは3テイク中2テイクで乗り手を完全に見失いました。

テイク 1テイク 2テイク 3

5本まとめて再生（ミュート）

シーンのスコア

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

3テイクの平均です。オレンジは1位か、その0.3以内です。

採点の観点別

45本すべてのクリップの平均です。ディテールは各モデルの差が最も小さく、課題の指示への忠実さが最も差を生みました。順位がこうなった理由の大半は、この差にあります。

最も高価なモデルを最後に

Veo 3.1は1クリップあたりの費用がWan 3.0の4倍で、どの課題でも最低スコアでした。会話ではMiniMax H3と同点です。静止画は美しく、テスト中で最も説得力のある小麦粉を見せます。問題は手順で、3まで数えられず、はちみつの押し込みもせず、雨の中で乗り手を見失いました。ショットが1つの単純なアイデアなら、このテストが示すより合っているかもしれません。私たちのプロンプトは、わざと手順を多く入れてありました。

綴りは簡単に、液体はそうはいかず

ラベルが難しい部分だと予想していました。15本中14本が3行すべてを正しく印刷し、Veoのテイクは1本だけが余計な語を加えました。着地するときに折れて巻くはちみつは、ほぼ全員が外しました。多くのクリップは一直線の柱か、ほとんど変わらない硬い形でした。Seedance 2.5のテイク1本だけが正しく作れましたが、それが問題でもあります。3テイク中の1本だけだったからです。

はちみつのクリップの音楽について

キッチンの音だけで、音楽は入れないように依頼しました。はちみつのクリップ15本中8本では、モデルがほとんど音を返さず（-40 dB未満）、当社のレンダリング処理が静かな音楽トラックをその下に加えました。対象はMiniMax H3の3テイクすべて、Seedance 2.5の2本、Veo 3.1の2本、Wan 3.0の1本です。Klingのテイクは一つも必要ありませんでした。この音楽はモデルのものではなく当社のものです。これらのクリップは無音のため音声の点数が下がり、生データの表で印を付けています。会話とシーンのクリップには手を加えていません。

実施方法

3つのプロンプトと採点ルールを先に書き、パイプラインを確認するために1本のパイロットクリップを生成し、その後に残りを生成しました。パイロットは45本のうちの1本です。失敗がなかったため、再試行や除外はしていません。

すべてのクリップで、ブランドの文脈やプロンプトの書き換えなしに、16:9、720p、6秒を依頼しました。例外は2つです。MiniMax H3は6秒の選択肢がなかったため8秒で生成し、1280x720ではなく1344x768で出力されました。Wan 3.0は毎秒30フレーム、残りは24フレームで出力されました。

各課題は、どのモデルにも同じ内容を伝えますが、それぞれのメーカーが推奨する書き方で書いています。公平なテストは、あるモデルに別のモデルの方言を読ませるものではないからです。Klingは4.0のガイドがないため、3.0の書き方を使いました。Veo 3.1は高速版ではなく、フル版です。

Veo 3.1、Wan 3.0、MiniMax H3にはシード1101、2202、3303を送りました。当社のレンダリング処理は、Seedance 2.5とKling 4.0にはシードを渡さないため、そのテイクは3回の独立した実行です。どのモデルも、使用したシードを確認していません。

採点はブラインドで行い、人ではなく2つの別々のAI審査員が実施しました。各クリップは、ランダムなコードの下で、開始から終了まで12フレームに縮小され、音のスペクトログラム、音量、文字起こしも使われました。審査員は、採点が完了するまでどのモデルがどのクリップを作ったか知りませんでした。2人の審査員の結果はよく一致し、クリップ間の相関は0.91、基準ごとの平均差は0.36点でした。このページのスコアは2人の平均で、各審査員の数値はCSVにあります。

判断を要しない項目もありました。ローカルの文字起こしで、会話系の15本すべてについて正確なセリフを確認しました。シーン検出では、どのクリップにも切り替わりは見つかりませんでした。ただし、Veo 3.1のテイク1本はジャンプカットのように再生されるため、印を付けました。両審査員はラベルの行を別々に数え、15本すべてで一致しました。

プロンプトの全文

どれでもコピーできます。各リンクは、そのモデルでそのプロンプトをHermosoで開きます。

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.

このテストでわからないこと

3つのプロンプトではすべてを網羅できず、課題ごとの3テイクは少ないサンプルです。そのため、0.3以下の差は差がないものとして読んでください。両審査員は、フレームと計測値を読むAIモデルでした。このクリップを耳で聞いた人はいません。音は文字起こし、スペクトログラム、音量から判断したため、音声の品質は採点の最も弱い部分であり、12フレームの間にあるグリッチは見逃す可能性があります。当社のリップシンクの計測は大まかなもので、頼りにはしていません。Seedance 2.5とKling 4.0が最も近く、Wan 3.0は最大0.5秒ずれていました。リップシンクが重要なら、クリップを直接ご覧ください。ブラインド化には既知の穴が1つありました。MiniMax H3の8秒の長さで、そのクリップは見分けやすくなっており、余分な2秒がゆっくりした見せ場で有利に働いた可能性があります。表にない項目（Seedance 2.0とHeyGen Videoを含む）は検証していません。モデルと価格は速く変わり、これらの結果は1日分のものです。