Melhor gerador de vídeo com IA: 45 clipes, avaliados às cegas

• Testado em 1 de novembro de 2026
• 5 modelos
• 3 tarefas, 3 tentativas cada
• 45 clipes, 0 falhas
• Dados brutos incluídos

Reproduzir as cinco, sem som

O mesmo prompt nas cinco. Esta é a tentativa 1 de 3 de cada modelo, então não escolhemos as mais favoráveis. Reproduza qualquer clipe.

A resposta curta: se você quer um modelo para tudo, use o Kling 4.0, porque a pior tentativa dele (3.6) superou a pior de todos os outros. Se o preço pesa mais, use o Wan 3.0, que empatou com o Kling na geral a $0.60 por clipe. O Seedance 2.5 fica logo atrás deles e empata em clipes com fala. O MiniMax H3 lidera em cenas com câmera em movimento. Aviso: a Hermoso vende acesso aos cinco, e o Seedance 2.5 é o nosso padrão. Ele não venceu nenhuma tarefa sozinho.

Quem deve usar cada um

Um modelo para tudo

Kling 4.0

O resultado mais consistente do teste. A tentativa mais fraca dele teve nota 3.6, e nenhuma tarefa foi um ponto fraco. Empatou com o Wan 3.0 em primeiro lugar na geral.

Melhor custo-benefício

Wan 3.0

Empatado com o Kling na geral a $0.60 por 6 segundos, com o detalhe mais nítido do teste e o melhor som natural. O MiniMax H3 é mais barato por segundo, mas teve nota menor fora das cenas.

Uma pessoa falando para a câmera

Empate: Wan 3.0, Seedance 2.5, Kling 4.0

Os três disseram a fala palavra por palavra. O Wan produziu a maior nuvem de farinha e os braços enfarinhados que pedimos, com um sorriso de anúncio de banco de imagens. O Seedance pareceu o mais cinematográfico, mas errou a contagem em uma tentativa de três.

Produtos com letras miúdas

Kling 4.0, com o Wan 3.0 logo atrás

Toda tentativa do Kling manteve as três linhas do rótulo certas, com uma mão real e uma aproximação real de câmera. Também foi o que mais se aproximou do briefing. O Seedance fez o melhor mel do teste, em uma tentativa de três.

Uma câmera em movimento em uma cena movimentada

MiniMax H3, depois Wan e Kling

As revelações mais altas, com o ciclista ainda no quadro no final. Também teve 8 segundos enquanto os outros tiveram 6, o que ajuda um movimento lento. O Wan 3.0 e o Kling 4.0 estão dentro da nossa linha de empate.

Quando você precisa de velocidade

Veo 3.1

Terminou em cerca de 66 segundos na mediana, contra 156 a 238 dos demais. Fica ótimo em imagem parada, mas pulou etapas do briefing com mais frequência que qualquer outro, e ainda pelo preço mais alto.

As notas

Cada clipe recebeu de 1 a 5 em seis critérios de dois juízes cegos separados. A nota de uma tarefa é a média de suas três tentativas, então uma tentativa ruim conta. Escrevemos a regra antes de qualquer renderização: diferença abaixo de 0.3 é empate, e o laranja marca a maior nota e qualquer empatado com ela.

Modelo	Fala	Produto	Cena	Geral	Pior tentativa
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

A geral é a média simples das 45 notas. Tirando o áudio por completo, o Kling passa o Wan, e os demais mantêm suas posições: Kling 4.0 3.88, Wan 3.0 3.85, Seedance 2.5 3.65, MiniMax H3 3.52, Veo 3.1 3.05. O Seedance 2.5 está dentro da linha de empate na geral, e sua pior tentativa é o motivo de o colocarmos atrás dos dois líderes.

Tarefa 1: uma pessoa falando e contando nos dedos

Uma padeira diz uma fala exata, mostra um, dois e depois três dedos, e dá tapinhas em um pão para que a farinha suba. Testa sincronia labial, palavras, anatomia da mão e física simples em um único plano fixo. Vencedor: empate triplo entre Wan 3.0, Seedance 2.5 e Kling 4.0. Todos os 15 clipes disseram a fala palavra por palavra. Os dedos separaram o grupo: o Veo 3.1 nunca chegou a três em nenhuma tentativa, e o MiniMax H3 abriu a mão inteira em duas de três.

Tentativa 1Tentativa 2Tentativa 3

Reproduzir as cinco, sem som

Notas de fala

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

Média de três tentativas. O laranja é o primeiro lugar ou está a até 0.3 dele.

Tarefa 2: um pote de mel com rótulo impresso

Uma aproximação lenta sobre um pote com rótulo enquanto o mel cai de uma concha. Testa letras pequenas, se as letras ficam paradas e líquido grosso. O rótulo é um produto inventado por nós. Vencedor: Kling 4.0, com o Wan 3.0 dentro da linha de empate. A ortografia estava quase resolvida: 14 de 15 clipes acertaram as três linhas. O mel não. Quase nada dobrou e se enrolou como pedido, e o Veo 3.1 nunca fez aproximação em nenhuma tentativa.

Tentativa 1Tentativa 2Tentativa 3

Reproduzir as cinco, sem som

Notas de produto

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

Média de três tentativas. O laranja é o primeiro lugar ou está a até 0.3 dele.

Tarefa 3: seguir um ciclista por um mercado chuvoso

Um plano único e contínuo atrás de um entregador na chuva: uma guinada para contornar um carrinho, um cachorro atravessando, um toque de sino, e depois a câmera sobe acima dos guarda-chuvas para mostrar a rua inteira. Vencedor: MiniMax H3, com Wan 3.0 e Kling 4.0 dentro da linha de empate. Ninguém acertou todos os momentos. Kling e H3 ficaram mais próximos do briefing. O Wan foi o mais nítido, mas trocou a lona simples por tendas coloridas e placas inventadas. O Seedance continuou cortando o ciclista, e o Veo perdeu o ciclista de vez em duas de três.

Tentativa 1Tentativa 2Tentativa 3

Reproduzir as cinco, sem som

Notas de cena

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

Média de três tentativas. O laranja é o primeiro lugar ou está a até 0.3 dele.

O que avaliamos

Médias de todos os 45 clipes. Detalhe separa esses modelos o mínimo. Seguir o briefing os separa mais, e essa diferença é a maior parte do motivo de o ranking estar como está.

O modelo mais caro ficou por último

O Veo 3.1 custa quatro vezes mais por clipe que o Wan 3.0 e teve a menor nota em todas as tarefas, empatado com o MiniMax H3 em fala. As imagens paradas ficam lindas, com a farinha mais crível do teste. O problema são as etapas: ele nunca contou até três, nunca fez aproximação no mel e perdeu o ciclista na chuva. Se a sua cena é uma única ideia simples, ele pode servir melhor do que este teste sugere. Nossos prompts estavam propositalmente cheios de etapas.

A ortografia ficou fácil, os líquidos não

Esperávamos que o rótulo fosse a parte difícil. Catorze de 15 clipes imprimiram as três linhas corretamente, e só uma tentativa do Veo acrescentou uma palavra estranha. O mel que dobra e se enrola ao cair é o que quase todos erraram. A maioria dos clipes deu uma coluna reta, ou uma forma rígida que mal mudava. Uma tentativa do Seedance 2.5 acertou, e isso também é o problema: foi uma tentativa de três.

Sobre a música em alguns clipes de mel

Pedimos sons de cozinha e nenhuma música. Em 8 dos 15 clipes de mel, o modelo devolveu quase nenhum som, abaixo de -40 dB, e nosso caminho de renderização acrescentou uma trilha musical discreta por baixo: as três tentativas do MiniMax H3, duas do Seedance 2.5, duas do Veo 3.1 e uma do Wan 3.0. Nenhuma tentativa do Kling precisou. Essa música é nossa, não do modelo. Esses clipes perderam pontos em áudio pelo silêncio, e estão marcados na tabela de dados brutos. Clipes de fala e de cena não foram alterados.

Como rodamos

Escrevemos os três prompts e as regras de avaliação primeiro, rodamos um clipe piloto para testar o pipeline, e depois renderizamos o resto. O piloto é um dos 45. Nada falhou, então nada foi refeito nem descartado.

Cada clipe pediu 16:9 em 720p e 6 segundos, sem contexto de marca e sem reescrita do prompt. Duas exceções: o MiniMax H3 rodou com 8 segundos porque não tinha a opção de 6, e entrega 1344x768 em vez de 1280x720. O Wan 3.0 entrega 30 quadros por segundo, os demais 24.

Cada tarefa diz a mesma coisa para todos os modelos, escrita do jeito que o criador de cada modelo recomenda, porque um teste justo não faz um modelo ler o dialeto de outro. O Kling não tem guia para a 4.0, então usamos os hábitos da 3.0. O Veo 3.1 é o modelo completo, não a versão rápida.

Enviamos as seeds 1101, 2202 e 3303 para o Veo 3.1, Wan 3.0 e MiniMax H3. Nosso caminho de renderização não passa seed ao Seedance 2.5 nem ao Kling 4.0, então essas tentativas são três execuções independentes. Nenhum modelo confirmou a seed que usou.

A avaliação foi cega e feita por dois juízes de IA separados, não por pessoas. Cada clipe foi reduzido a 12 quadros do início ao fim, a um espectrograma do seu som, à sua intensidade sonora e a uma transcrição, sob um código aleatório. Nenhum juiz viu qual modelo fez um clipe até suas notas estarem prontas. Os dois juízes concordaram de perto, com uma correlação de 0.91 entre os clipes e uma diferença média de 0.36 ponto por critério. As notas desta página são a média delas, e a nota de cada juiz está no CSV.

Algumas checagens não exigiram julgamento. Uma transcrição local confirmou a fala exata nos 15 clipes com fala. A detecção de cenas não encontrou cortes em nenhum clipe, embora uma tentativa do Veo 3.1 pareça um salto, e nós a marcamos. Os dois juízes contaram as linhas do rótulo separadamente e concordaram nos 15.

Os prompts, palavra por palavra

Copie qualquer um deles. Cada link abre esse prompt nesse modelo na 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.

O que este teste não consegue dizer

Três prompts não cobrem tudo, e três tentativas por tarefa é uma amostra pequena, então leia uma diferença de 0.3 ou menos como nenhuma diferença. Os dois juízes eram modelos de IA lendo quadros e medições. Ninguém ouviu estes clipes: o som foi julgado por transcrições, espectrogramas e intensidade sonora, então a qualidade da voz é a parte mais fraca da nossa avaliação, e 12 quadros podem deixar passar uma falha entre eles. Nossa medida de sincronia labial era aproximada e não a usamos como base. Ela colocou o Seedance 2.5 e o Kling 4.0 mais próximos, e o Wan 3.0 até meio segundo fora, então assista aos clipes se a sincronia labial importa para você. A cegueira teve uma falha conhecida: a duração de 8 segundos do MiniMax H3 tornou seus clipes reconhecíveis, e esses dois segundos extras podem tê-lo ajudado na revelação lenta. O que não está na tabela, incluindo o Seedance 2.0 e o HeyGen Video, não foi testado. Modelos e preços mudam rápido, e estes resultados são de um único dia.