Beste AI-videogenerator: 45 klipp, poengsatt blindt

• Testet 1. november 2026
• 5 modeller
• 3 oppgaver, 3 forsøk hver
• 45 klipp, 0 mislykkede
• Rådata inkludert

Spill av alle fem, uten lyd

Samme prompt til alle fem. Dette er forsøk 1 av 3 for hver modell, så vi har ikke plukket de flatterende. Trykk på play på et hvilket som helst klipp.

Kort svar: hvis du vil ha én modell til alt, bruk Kling 4.0, fordi dets svakeste forsøk (3.6) slo alle andre modellers svakeste. Hvis pris betyr mest, bruk Wan 3.0, som matchet Kling totalt sett til $0.60 per klipp. Seedance 2.5 ligger rett bak dem og er likt på snakkeklipp. MiniMax H3 leder på scener med bevegelig kamera. Opplysning: Hermoso selger tilgang til alle fem, og Seedance 2.5 er vår standard. Den vant ingen oppgave alene.

Hvem bør bruke hva

Én modell til alt

Kling 4.0

Det jevneste resultatet i testen. Dets laveste forsøk fikk 3.6, og ingen oppgave var en svak side. Det delte førsteplassen totalt med Wan 3.0.

Best verdi

Wan 3.0

Likt med Kling totalt sett til $0.60 for 6 sekunder, testens skarpeste detaljer og den beste naturlige lyden. MiniMax H3 er billigere per sekund, men fikk lavere poeng utenfor scener.

En person som snakker til kamera

Uavgjort: Wan 3.0, Seedance 2.5, Kling 4.0

Alle tre sa replikken ord for ord. Wan ga det største melskyet og de melete armene vi ba om, med et smil fra en lagerreklame. Seedance så mest ut som film, men feilte antallet i ett av tre forsøk.

Produkter med småskrift

Kling 4.0, Wan 3.0 tett etter

Hvert Kling-forsøk fikk alle tre etikettlinjene riktige, med en ekte hånd og en ekte innzoomning. Det passet også briefen best. Seedance laget den beste honningen i testen, i ett forsøk av tre.

Et bevegelig kamera i en travel scene

MiniMax H3, deretter Wan og Kling

De høyeste avsløringene, med syklisten fortsatt i bildet til slutt. Det hadde også 8 sekunder der de andre hadde 6, noe som hjelper et langsomt kameratrekk. Wan 3.0 og Kling 4.0 ligger innenfor vår uavgjort-grense.

Når du trenger det raskt

Veo 3.1

Ferdig på rundt 66 sekunder i median, mot 156 til 238 for resten. Det ser flott ut som et stillbilde, men hoppet over steg i briefen oftere enn noen andre, til høyest pris.

Poengsummene

Hvert klipp fikk 1 til 5 på seks kriterier fra to separate blinde dommere. En oppgavepoeng er gjennomsnittet av de tre forsøkene, så et dårlig forsøk teller. Vi skrev regelen før noen rendering: et gap under 0.3 er uavgjort, og oransje markerer toppscoren og alt som er uavgjort med den.

Modell	Tale	Produkt	Scene	Totalt	Svakeste forsøk
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

Totalt er det vanlige gjennomsnittet av de 45 poengsummene. Fjerner du lyden helt, passerer Kling Wan litt, mens resten beholder plassene sine: 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 er innenfor uavgjort-grensen totalt, og dets svakeste forsøk er grunnen til at vi rangerer det bak de to ledende.

Oppgave 1: en person som snakker og teller på fingrene

En baker sier én eksakt replikk, viser én, to, så tre fingre, og klapper et brød slik at mel stiger opp. Den tester leppesynk, ord, hånds anatomi og små fysiske effekter i ett låst bilde. Vinner: uavgjort mellom Wan 3.0, Seedance 2.5 og Kling 4.0. Alle 15 klippene sa replikken ord for ord. Fingrene skilte feltet: Veo 3.1 nådde aldri tre i noe forsøk, og MiniMax H3 viste en full hånd i to av tre.

Forsøk 1Forsøk 2Forsøk 3

Spill av alle fem, uten lyd

Poeng for tale

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

Gjennomsnitt av tre forsøk. Oransje er første plass eller innenfor 0.3 av den.

Oppgave 2: en honningkrukke med en trykt etikett

En langsom innzoomning på en merket krukke mens honning faller fra en tredreskje. Den tester liten tekst, om bokstaver står stille, og tykk væske. Etiketten er vårt eget oppdiktede produkt. Vinner: Kling 4.0, med Wan 3.0 innenfor uavgjort-grensen. Stavingen var nesten løst: 14 av 15 klipp fikk alle tre linjene riktige. Honningen var det ikke. Nesten ingenting foldet seg og snodde seg slik som bedt om, og Veo 3.1 zoomet aldri inn på noe forsøk.

Forsøk 1Forsøk 2Forsøk 3

Spill av alle fem, uten lyd

Poeng for produkt

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

Gjennomsnitt av tre forsøk. Oransje er første plass eller innenfor 0.3 av den.

Oppgave 3: følge en syklist gjennom et regnfullt marked

Ett ubrutt bilde bak en kurer i regnet: en sving rundt en vogn, en hund som krysser, ett ring på en klokke, og så stiger kameraet over paraplyene for å vise hele gaten. Vinner: MiniMax H3, med Wan 3.0 og Kling 4.0 innenfor uavgjort-grensen. Ingen fikk med seg alle hendelsene. Kling og H3 holdt seg nærmest briefen. Wan var skarpest, men byttet vanlig lerret mot fargerike telt og oppdiktede skilt. Seedance kuttet stadig av syklisten, og Veo mistet syklisten helt i to av tre.

Forsøk 1Forsøk 2Forsøk 3

Spill av alle fem, uten lyd

Poeng for scene

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

Gjennomsnitt av tre forsøk. Oransje er første plass eller innenfor 0.3 av den.

Etter hva vi vurderte

Gjennomsnitt for alle 45 klipp. Detaljer skiller disse modellene minst. Å følge briefen skiller dem mest, og det gapet er mesteparten av grunnen til at rangeringen ser ut slik den gjør.

Den dyreste modellen kom sist

Veo 3.1 koster fire ganger så mye per klipp som Wan 3.0 og fikk lavest poeng i hver oppgave, likt med MiniMax H3 på snakk. Stillbildene ser nydelige ut, med det mest troverdige melet i testen. Problemet er stegene: den telte aldri til tre, zoomet aldri inn på honningen, og mistet syklisten i regnet. Hvis bildet ditt er én enkel idé, kan det tjene deg bedre enn denne testen antyder. Prompterne våre var bevisst fulle av steg.

Stavingen ble lett, væsker ble ikke det

Vi trodde etiketten ville være det vanskelige. Fjorten av 15 klipp skrev ut alle tre linjene riktig, og bare ett Veo-forsøk la til et løsrevet ord. Honning som folder seg og snor seg når den lander, er det nesten alle bommet på. De fleste klippene ga oss en rett søyle, eller en stiv form som knapt endret seg. Ett Seedance 2.5-forsøk fikk det riktig, og det er også problemet: det var ett forsøk av tre.

Om musikken på noen honningklipp

Vi ba om kjøkkenlyder og ingen musikk. På 8 av de 15 honningklippene returnerte modellen nesten ingen lyd, under -40 dB, og renderingsløpet vårt la til et stille musikkspor under den: alle tre MiniMax H3-forsøkene, to Seedance 2.5, to Veo 3.1 og ett Wan 3.0. Ingen av Kling-forsøkene trengte det. Den musikken er vår, ikke modellens. Disse klippene mistet poeng for lyd på grunn av stillheten, og de er merket i rådatatabellen. Snakk- og scene-klipp ble ikke berørt.

Slik kjørte vi den

Vi skrev de tre promptene og poengreglene først, kjørte ett pilotklipp for å sjekke løpet, og renderte så resten. Piloten er ett av de 45. Ingenting mislyktes, så ingenting ble kjørt på nytt eller droppet.

Hvert klipp ba om 16:9 i 720p og 6 sekunder, uten merkevarekontekst og uten omskriving av prompten. To unntak: MiniMax H3 kjørte på 8 sekunder fordi den ikke hadde et 6-sekunders valg, og den leverer 1344x768 i stedet for 1280x720. Wan 3.0 leverer med 30 bilder per sekund, resten med 24.

Hver oppgave sier det samme til hver modell, skrevet slik modellens utvikler anbefaler, fordi en rettferdig test ikke gjør at én modell leser en annens dialekt. Kling har ingen guide for 4.0, så vi brukte dens 3.0-vaner. Veo 3.1 er den fulle modellen, ikke hurtigversjonen.

Vi sendte frøene 1101, 2202 og 3303 til Veo 3.1, Wan 3.0 og MiniMax H3. Vårt renderingsløp sender ikke et frø til Seedance 2.5 eller Kling 4.0, så de forsøkene er tre uavhengige kjøringer. Ingen modell bekreftet frøet den brukte.

Poengsettingen var blind og utført av to separate AI-dommere, ikke mennesker. Hvert klipp ble redusert til 12 bilder fra start til slutt, et spektrogram av lyden, lydstyrken og en transkripsjon, under en tilfeldig kode. Ingen av dommerne så hvilken modell som laget et klipp før poengene var inne. De to dommerne var nær enige, med en korrelasjon på 0.91 på tvers av klipp og et gjennomsnittlig gap på 0.36 poeng per kriterium. Poengene på denne siden er gjennomsnittet deres, og hver dommers tall står i CSV-filen.

Noen kontroller krevde ingen vurdering. Et lokalt transkript bekreftet den eksakte replikken i alle 15 snakkeklippene. Scenedeteksjon fant ingen klipp i noen av klippene, selv om ett Veo 3.1-forsøk spiller av som et hopp, og vi merket det. Begge dommerne telte etikettlinjene hver for seg og var enige i alle 15.

Prompterne, ord for ord

Kopier hvilken som helst av dem. Hver lenke åpner den prompten på den modellen i 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.

Hva denne testen ikke kan fortelle deg

Tre prompter dekker ikke alt, og tre forsøk per oppgave er et lite utvalg, så les et gap på 0.3 eller mindre som ingen forskjell i det hele tatt. Begge dommerne var AI-modeller som leste bilder og målinger. Ingen hørte på klippene for øret: lyd ble bedømt ut fra transkripsjoner, spektrogrammer og lydstyrke, så stemmekvalitet er den svakeste delen av poengsettingen vår, og 12 bilder kan gå glipp av en feil mellom dem. Vårt mål for leppesynk var grovt, og vi stolte ikke på det. Det plasserte Seedance 2.5 og Kling 4.0 nærmest hverandre, og Wan 3.0 opptil et halvt sekund unna, så se på klippene hvis leppesynk betyr noe for deg. Blindingen hadde ett kjent hull: MiniMax H3s lengde på 8 sekunder gjorde klippene gjenkjennelige, og de ekstra to sekundene kan ha hjulpet den på den langsomme avsløringen. Alt som ikke står i tabellen, inkludert Seedance 2.0 og HeyGen Video, ble ikke testet. Modeller og priser endrer seg raskt, og disse resultatene er fra én dag.