Veo 3.1 vs Seedance 2.0 vs Kling 3.0: hvilken AI-videomodell lager best annonser?

Spørsmålet vi oftest får fra performance-markedsførere er en variant av «hvilken AI-videomodell bør jeg bruke til annonser?» Det ærlige svaret er at det er feil spørsmål. Det finnes ingen enkelt beste modell, og rangeringen endrer seg med noen ukers mellomrom når nye versjoner kommer. Det som betyr noe, er å matche modellen til opptaket. Et UGC-klipp med en person som snakker til kamera, en produktrotasjon i hovedrollen og et stilisert bevegelsesstykke belønner hver sin motor.

Vi ruter Veo 3.1, Seedance 2.5 og Kling 3.0 i produksjon hos Hermoso, og velger per jobb i stedet for å satse på én. Dette er praktikerens blikk: hvor hver modell faktisk gjør seg fortjent til en plass i en annonse, basert på renderinger vi leverer og ikke publiserte benchmarker.

Veo 3.1: egen lyd og leppesynk

Det som skiller Veo 3.1 ut i annonsearbeid, er at den genererer tale direkte, i samme kjøring som opptaket, slik at leppene og lyden kommer fra én prosess. Den ene egenskapen løser det mest seiglivede tegnet på AI-video: dubbet film-flaksingen du får når TTS-lyd skrus på en munn som er generert for seg. Menneskelig persepsjon er nådeløst god til å fange det misforholdet, og fargegradering skjuler det ikke.

Derfor er Veo vårt standardvalg i det øyeblikket en munn er i bildet og skal snakke: attester der noen snakker til kamera, gründere som henvender seg direkte til seeren, alle UGC-konsepter bygd rundt en person som snakker. Når formatet er en person som leverer en replikk, er ekte leppesynkronisert tale verdt mer enn noen annen kvalitetsforskjell mellom modellene.

Ulempen er at Veo har en strengere innholdspolicy. Den blokkerer gjerne for mye på merkenavn, gjenkjennelige personer og alt som grenser mot alkohol, noe som kan stoppe en ellers ren prompt. I vår pipeline utløser et avslag der en automatisk overgang til en annen modell i stedet for en blindvei. Det er likevel noe å ta hensyn til hvis opptaket lener seg på et navngitt merke eller et kjent ansikt.

Seedance 2.0: egen lyd, ett sammenhengende opptak, konsistens styrt av referanser

Seedance 2.0 er arbeidshesten vår for opptakene annonser faktisk lever av: produktet holdt i en ekte hånd, snudd, satt ned, helt. Får den et ekte produktbilde som referanse, holder den identiteten til den faktiske gjenstanden imponerende godt (flaskeform, etikettens geometri, den spesifikke fargen) i stedet for å finne på en troverdig fetter slik en tekstprompt uten referanse gjør. For DTC- og dagligvarekreativ, der produktet på skjermen må være produktet på hylla, er den troverdigheten fra referanse til video hele poenget.

Det andre Seedance gjør som passer annonser, er tekstur. Den lager overbevisende håndholdt mobilkamerakorn: det litt ufullkomne, uglamorøse opptakspreget som oppleves som ekte UGC og ikke en blank reklamefilm. Prompt den mot matt hud og nøytralt lys, så treffer den «noen filmet dette på mobilen»-preget bedre enn alternativene.

To egenskaper til fullfører pakken. Seedance genererer lyd direkte (stemme, romklang, de tilfeldige lydene i scenen) i samme kjøring som opptaket, så et UGC-klipp kan komme ut ferdig snakkende, med en atmosfære som faktisk passer rommet i stedet for et stumt klipp som venter på dubbing. Og den holder opptil femten sekunder i én sammenhengende kjøring, noe som betyr mer enn det høres ut som: ett opptak betyr ingen skjøter mellom delene, ikke noe nytt lys midt i klippet, ikke noe klipp midt i et ord. For korte UGC-klipp i én kjøring på femten sekunder eller mindre ruter vi som regel til Seedance, fordi den holder produkt, korn og lyd samlet i ett rent opptak. Den største begrensningen er den samme alle modellene har (se bevegelse nedenfor): ikke be den kaste eller slippe noe.

Seedance 2.5: tretti sekunder i ett sammenhengende opptak

Så kom Seedance 2.5 og flyttet taket som alt over ble skrevet under. Vi ba den om tretti sekunder. Vi fikk 30,08: ett sammenhengende opptak, med lyd, og null harde klipp. Ikke tretti sekunder satt sammen av klipp. Tretti sekunder der kameraet rett og slett aldri stoppet.

Det betyr mer for annonsekreativ enn en ny spesifikasjon høres ut som. Femten sekunder har vært det praktiske taket for ett generert opptak så lenge denne kategorien har eksistert, så alt lengre måtte skjøtes sammen: render delene hver for seg, match lyset, skjul skjøtene. Skjøtene er der en AI-annonse avslører seg selv. Graderingen forskyver seg en nyanse, romklangen faller bort i ett bilde, håret til skuespilleren hopper tilbake mellom delene. En kjøring på tretti sekunder fjerner skjøtene ved å fjerne skjøtingen. En hel pre-roll, en hel produkthistorie, en demo med begynnelse og slutt kan alle gå som ett sammenhengende opptak.

Lyden følger med. 2.5 genererer synkronisert lyd i samme kjøring som bildet (dialog, atmosfære, de tilfeldige lydene i rommet), og den er på som standard. Det koster det samme om du har lyden på eller av. Den tar også et fotografi av en ekte person og animerer dem fotorealistisk: gi den et ansikt, så er det den personen som er i bildet, med ekte hudtekstur, ikke en stilisert erstatning.

Prisen er oppløsning. 2.5 renderer i 480p og 720p, uten 1080p-valg, så et hovedklipp som må ende i full HD er fortsatt en jobb for 2.0. Det er akkurat den typen valg ruting finnes for: lengde, oppløsning og om et ekte ansikt må være med er tre ulike spørsmål, og det riktige svaret på alle tre samtidig er sjelden én modell.

Kling 3.0: identitet fra ansiktsreferanse, samme person i hver rendering

Kling 3.0 sin store styrke i annonsearbeid er identitet. Gi den et referansebilde av et ansikt, og den holder på den personen, med de samme trekkene og den samme utstrålingen, på tvers av opptak og renderinger. Det gir performance-team det de faktisk vil ha fra AI-skuespillere: en gjenganger. Ansiktet som frontet forrige ukes vinnende hook kan fronte denne ukens tre varianter, så publikummet ditt møter en kjent person i stedet for en fremmed i hver annonse. Et vinnende ansikt blir en ressurs du gjenbruker i stedet for et engangskast med terningen.

Resten av 3.0-pakken passer også annonser. I likhet med Seedance genererer den lyd direkte i samme kjøring som opptaket. Den tar alle lengder fra tre til femten sekunder i stedet for å låse seg til faste varigheter, så opptaket kan tilpasses manuset og ikke motsatt. Og bilde-til-video, som gjorde tidligere Kling-versjoner populære, er fortsatt utmerket: start fra et stillbilde (et produktbilde, et nøkkelbilde, et stykke merkegrafikk), og den legger til troverdig bevegelse, kamerabevegelser og kontrollert dynamikk i stedet for å bare dytte litt på et nesten stillestående bilde.

Der vi er forsiktige med alle modeller, også Kling, er ballistisk bevegelse: en gjenstand i ekte fri flukt under tyngdekraften. En kastet flaske henger et øyeblikk for lenge, snurrer i jevnt tempo, lander uten tyngde. Dette er ikke en svakhet bare Kling har; masse og bevegelsesmengde er fortsatt vanskelig over hele linja. Løsningen er koreografi, ikke modellvalg. Hold produktene holdt, snudd, satt ned, helt: bevegelser der en hånd bærer gjenstanden og modellen aldri må løse tyngdekraften alene.

Så hvem vinner?

En grov tommelfingerregel, slik vi faktisk bruker den:

• Noen snakker til kamera og nærbildet betyr noe → Veo 3.1, for ekte leppesynkronisert tale.
• Ekte produkt, holdt eller håndtert, UGC-korn, ett opptak på opptil 15 sekunder → Seedance 2.5, forankret i et ekte produktbilde.
• Et langt klipp uten kutt, opptil tretti sekunder → Seedance 2.5, som holder ett sammenhengende opptak hele veien, i 480p eller 720p. Rulles ut i Hermoso. I dag stopper rutingen på ett opptak på femten sekunder og skjøter sammen alt som er lengre.
• Det samme ansiktet gjennom en kampanje, eller bevegelse lagt til et stillbilde → Kling 3.0, forankret i en ansiktsreferanse.

Grunnen til at dette forblir en tommelfingerregel og ikke en lov, er at modellene stadig går forbi hverandre. En ny versjon kan gi én modell en styrke en annen pleide å eie. Det er nettopp derfor vi ikke ber brukerne velge: Hermoso ruter hver jobb til modellen som passer best for det opptaket, og justerer rutingen når nye versjoner kommer, så valget over skjer automatisk, per rendering, uten at du må følge med på en endringslogg.

Og modellvalget er uansett den minste halvdelen av en god annonse. Tegnene som avslører en AI-annonse (voksaktig hud, uleselig etikettekst, en gyllen glamourgradering, fysikk ingen gjenstand følger) er for det meste pipelinevalg som tas før og etter at modellen kjører. Modellen selv er sjelden synderen. Hermosos AI-annonsegenerator har disse grepene innebygd: et realismelag mot glans, ekte produktbilder lagt inn i scenene, all tekst og alle logoer lagt på i etterarbeidet i stedet for malt av modellen, og modellens egen tale forbeholdt munner i bildet. Modellen velges for deg; håndverket er bakt inn.

Under panseret undersøker det samme Studio også hva som allerede vinner i markedet ditt i annonsebibliotekene til Meta, Google og LinkedIn pluss organisk TikTok, så konseptene starter forankret i bevist kreativ før et eneste bilde renderes. Gratisplanen gir over 250 gratis kreditter du kan opptjene, uten kort; nøyaktig pris vises i appen før hver rendering. Den raskeste måten å avgjøre modelldebatten på, er å lage en annonse for ditt eget produkt og bedømme resultatet. Rutingen har allerede valgt for deg.

Ofte stilte spørsmål

Hvilken AI-videomodell er best for annonser?

Det finnes ingen enkelt beste. Veo 3.1 leder på egen lyd og leppesynk for tale i bildet, Seedance 2.0 på produkttroverdighet styrt av referanser, egen lyd og UGC i ett opptak på opptil 15 sekunder, Seedance 2.5 på lengde i ett opptak (målt til 30 sekunder uten kutt, med egen lyd), og Kling 3.0 på identitet fra ansiktsreferanse, den samme personen på tvers av renderinger, pluss bilde-til-video. Riktig valg avhenger av opptaket, og rangeringen endrer seg med hver ny versjon. Hermoso ruter hver jobb til modellen som passer best.

Hvor langt kan ett AI-generert opptak være?

Tretti sekunder, med Seedance 2.5. Vi ba om tretti og målte 30,08 i ett sammenhengende opptak med egen lyd og ingen harde klipp. Femten sekunder var taket før det, og derfor har lengre annonser blitt skjøtet sammen av flere klipp. Én kjøring betyr ingen skjøt å skjule: ingen forskjøvet gradering, ingen romklang som faller bort mellom delene. Den renderer i 480p og 720p, så et klipp som må ende i 1080p er fortsatt en jobb for et kortere opptak.

Hvilken modell har best leppesynk?

Etter vår erfaring Veo 3.1, fordi den genererer tale direkte i samme kjøring som opptaket, slik at lepper og lyd kommer fra én prosess. Den uhyggelige leppeflaksingen kommer av å dubbe separat generert TTS over en renderet munn, så hold det til klipp der ingen munn synes.

Hvilken modell får mitt ekte produkt til å se riktig ut?

Seedance 2.0 holder produktidentiteten godt når den får et ekte produktbilde som referanse og gjenstanden legges inn i scenen. Tekstprompter beskriver kategorier; referansebilder låser identiteten, og derfor slår et ekte bilde som forankring en beskrivelse av produktet med ord.

Hvilken modell holder på samme skuespiller gjennom en kampanje?

Kling 3.0. Gi den en ansiktsreferanse, så holder den på personens identitet på tvers av renderinger, slik at en gjenganger kan fronte en hel serie annonser i stedet for at et nytt ansikt dukker opp i hvert klipp.

Hvorfor sliter AI-video med gjenstander som kastes eller slippes?

Ballistisk bevegelse (en gjenstand i fri flukt under tyngdekraften) er der fysikken i alle dagens modeller fortsatt synlig bryter sammen, uansett hvilken du bruker. Koreografer deg rundt det: la produktene bli holdt, snudd, satt ned eller helt, så en hånd bærer gjenstanden og modellen aldri må løse tyngdekraften på egen hånd.

Må jeg velge modellen selv i Hermoso?

Nei. Hermoso ruter hver rendering til modellen som passer best for det opptaket og justerer rutingen når nye versjoner kommer, så du aldri trenger å følge en endringslogg eller velge modell. Du beskriver annonsen; rutingen tar seg av resten.