Лучший AI-генератор видео: 45 клипов, оценки вслепую

• Протестировано 1 ноября 2026 года
• 5 моделей
• 3 задачи, по 3 дубля
• 45 клипов, 0 неудачных
• Исходные данные включены

Воспроизвести все пять без звука

Один и тот же промпт для всех пяти. Это дубль 1 из 3 для каждой модели, поэтому мы не выбирали удачные. Нажмите воспроизведение на любом клипе.

Краткий ответ: если нужна одна модель на всё, берите Kling 4.0, потому что его худший дубль (3.6) оказался лучше худшего дубля любой другой модели. Если важнее цена, берите Wan 3.0: по общей оценке он не уступил Kling при $0.60 за клип. Seedance 2.5 идёт сразу за ними и на говорящих клипах находится на том же уровне. MiniMax H3 лидирует в сценах с движущейся камерой. Раскрытие: Hermoso продаёт доступ ко всем пяти моделям, а Seedance 2.5 служит нашей моделью по умолчанию. Он не выиграл ни одну задачу полностью.

Кому что подойдёт

Одна модель на всё

Kling 4.0

Самый стабильный результат теста. Его худший дубль набрал 3.6, и ни одна задача не стала слабым местом. По общей оценке он разделил первое место с Wan 3.0.

Лучшая цена за качество

Wan 3.0

По общей оценке наравне с Kling: $0.60 за 6 секунд, самая чёткая деталь теста и лучший натуральный звук. MiniMax H3 дешевле за секунду, но набрал меньше вне сцен.

Человек говорит в кадре

Ничья: Wan 3.0, Seedance 2.5, Kling 4.0

Все трое произнесли реплику слово в слово. Wan дал самый большой облачок муки и мучные руки, как мы просили, с улыбкой из стоковой рекламы. Seedance выглядел больше всего как кино, но в одном дубле из трёх сбился со счёта.

Товар с мелким текстом

Kling 4.0, Wan 3.0 рядом

Каждый дубль Kling сохранил все три строки надписи правильными, с настоящей рукой и настоящим наездом камеры. Он также лучше всех соответствовал брифу. Seedance сделал лучший мёд теста, но лишь в одном дубле из трёх.

Движущаяся камера в многолюдной сцене

MiniMax H3, затем Wan и Kling

Самые высокие разворачивания, и гонщик остаётся в кадре в конце. У него было 8 секунд против 6 у остальных, что помогает медленному движению. Wan 3.0 и Kling 4.0 находятся в пределах нашей линии ничьей.

Когда нужно быстро

Veo 3.1

Готов примерно за 66 секунд (медиана), против 156 до 238 у остальных. На стоп-кадре выглядит отлично, но пропускал шаги брифа чаще всех и стоит дороже всех.

Оценки

Каждый клип получил от 1 до 5 по шести критериям от двух независимых слепых судей. Оценка задачи это среднее из трёх дублей, так что плохой дубль учитывается. Правило мы записали до начала рендеринга: разница меньше 0.3 считается ничьей, а оранжевым отмечен наивысший балл и всё, что с ним в ничьей.

Модель	Речь	Товар	Сцена	Итог	Худший дубль
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

Итог это простое среднее по всем 45 оценкам. Если убрать звук полностью, Kling немного обгоняет Wan, а остальные сохраняют места: 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 попадает в линию ничьей по итогу, а его худший дубль объясняет, почему мы ставим его ниже двух лидеров.

Задача 1: человек говорит и считает на пальцах

Пекарь произносит одну точную фразу, показывает один, два, затем три пальца и похлопывает каравай, так что мука поднимается. Задача проверяет синхронизацию губ, слова, анатомию руки и небольшую физику в одном неподвижном кадре. Победитель: ничья между Wan 3.0, Seedance 2.5 и Kling 4.0. Все 15 клипов произнесли фразу слово в слово. Пальцы разделили участников: Veo 3.1 ни в одном дубле не дошёл до трёх, а MiniMax H3 в двух из трёх открыл полную руку.

Дубль 1Дубль 2Дубль 3

Воспроизвести все пять без звука

Оценки за речь

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

Среднее по трём дублям. Оранжевым отмечено первое место или результат в пределах 0.3 от него.

Задача 2: банка мёда с печатной этикеткой

Медленный наезд на подписанную банку, пока мёд стекает с черпака. Задача проверяет мелкий текст, неподвижность букв и густую жидкость. Этикетка наш собственный выдуманный продукт. Победитель: Kling 4.0, Wan 3.0 в пределах линии ничьей. С написанием почти всё решено: 14 из 15 клипов получили все три строки верно. С мёдом не так. Почти ничего не сворачивалось и не скручивалось, как просили, а Veo 3.1 ни в одном дубле не наехал на банку.

Дубль 1Дубль 2Дубль 3

Воспроизвести все пять без звука

Оценки за товар

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

Среднее по трём дублям. Оранжевым отмечено первое место или результат в пределах 0.3 от него.

Задача 3: следуя за велогонщиком через дождливый рынок

Один непрерывный кадр за курьером под дождём: резкий поворот вокруг тележки, пересекающая собака, один звонок колокольчика, затем камера поднимается над зонтами и показывает всю улицу. Победитель: MiniMax H3, Wan 3.0 и Kling 4.0 в пределах линии ничьей. Никто не выполнил каждый удар. Kling и H3 ближе всех держались брифа. Wan был самым чётким, но заменил простой брезент цветными палатками и выдуманными вывесками. Seedance постоянно обрезал гонщика, а Veo в двух из трёх потерял гонщика полностью.

Дубль 1Дубль 2Дубль 3

Воспроизвести все пять без звука

Оценки за сцену

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

Среднее по трём дублям. Оранжевым отмечено первое место или результат в пределах 0.3 от него.

По тому, что мы оценивали

Средние значения по всем 45 клипам. Детали различают эти модели меньше всего. Соответствие брифу различает их больше всего, и этот разрыв во многом объясняет, почему рейтинг выглядит так, как выглядит.

Самая дорогая модель пришла последней

Veo 3.1 стоит в четыре раза дороже за клип, чем Wan 3.0, и получил самую низкую оценку в каждой задаче, наравне с MiniMax H3 по речи. Кадры выглядят прекрасно, с самой правдоподобной мукой теста. Проблема в шагах: он ни разу не досчитал до трёх, ни разу не наехал на мёд и потерял гонщика под дождём. Если ваш кадр это одна простая идея, он может подойти вам лучше, чем показывает этот тест. Наши промпты намеренно были полны шагов.

С написанием справились, с жидкостями нет

Мы ожидали, что трудной частью будет этикетка. Четырнадцать из 15 клипов напечатали все три строки верно, и только один дубль Veo добавил лишнее слово. Мёд, который складывается и скручивается при падении, почти все упустили. Большинство клипов дали прямую колонну или жёсткую форму, которая почти не менялась. Один дубль Seedance 2.5 сделал это верно, и это и есть проблема: из трёх дублей это был один.

О музыке в некоторых клипах с мёдом

Мы просили звуки кухни и без музыки. В 8 из 15 клипов с мёдом модель вернула почти полную тишину, ниже -40 dB, и наш процесс рендеринга подложил под неё тихую музыкальную дорожку: все три дубля MiniMax H3, два Seedance 2.5, два Veo 3.1 и один Wan 3.0. Ни одному дублю Kling она не понадобилась. Эта музыка наша, а не модели. За тишину эти клипы потеряли очки по звуку, и они отмечены в исходной таблице. Говорящие и сценические клипы не затрагивались.

Как мы проводили тест

Сначала мы написали три промпта и правила оценки, запустили один пилотный клип, чтобы проверить конвейер, и только потом отрендерили остальные. Пилот входит в 45. Ничего не провалилось, поэтому ничего не переделывали и ничего не отбрасывали.

Каждый клип запрашивал 16:9 при 720p и 6 секундах, без контекста бренда и без переписывания промпта. Два исключения: MiniMax H3 шёл 8 секунд, потому что у него не было 6-секундного варианта, и выдавал 1344x768 вместо 1280x720. Wan 3.0 выдаёт 30 кадров в секунду, остальные 24.

Каждая задача говорит каждой модели одно и то же, написанное так, как рекомендует её разработчик, потому что честный тест не заставляет одну модель читать на диалекте другой. Для Kling 4.0 гайда нет, поэтому мы использовали его привычки из 3.0. Veo 3.1 это полная модель, а не её быстрая версия.

Мы отправили сиды 1101, 2202 и 3303 для Veo 3.1, Wan 3.0 и MiniMax H3. Наш процесс рендеринга не передаёт сид для Seedance 2.5 и Kling 4.0, так что эти дубли это три независимых запуска. Ни одна модель не подтвердила сид, который использовала.

Оценивание было слепым, и его выполняли два независимых ИИ-судьи, а не люди. Каждый клип сократили до 12 кадров от начала до конца, а также взяли спектрограмму его звука, громкость и расшифровку, и обезличили под случайным кодом. Ни один судья не видел, какая модель создала клип, пока его оценки не были записаны. Судьи согласовались близко: корреляция 0.91 по клипам и средний разрыв 0.36 балла по каждому критерию. Оценки на этой странице это их среднее, а число каждого судьи есть в CSV.

Некоторые проверки не требовали суждения. Локальная расшифровка подтвердила точную фразу во всех 15 говорящих клипах. Поиск монтажных склеек не нашёл ни одной склейки ни в одном клипе, хотя один дубль Veo 3.1 выглядит как скачок, и мы его отметили. Оба судьи отдельно посчитали строки надписи и совпали во всех 15.

Промпты слово в слово

Скопируйте любой из них. Каждая ссылка открывает этот промпт на этой модели в 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.

Чего не может сказать этот тест

Три промпта не покрывают всего, а три дубля на задачу это небольшая выборка, поэтому разницу 0.3 или меньше считайте отсутствием разницы. Оба судьи были ИИ-моделями, которые читали кадры и измерения. Клипы никто не слушал на слух: звук оценивали по расшифровкам, спектрограммам и громкости, так что качество голоса самое слабое место нашей оценки, а 12 кадров могут пропустить сбой между ними. Наша мера синхронизации губ была грубой, и мы на неё не опирались. По ней Seedance 2.5 и Kling 4.0 оказались ближе всех, а Wan 3.0 отклонялся до полсекунды, так что смотрите клипы сами, если синхронизация губ для вас важна. У слепого тестирования была одна известная дыра: 8-секундная длина MiniMax H3 делала его клипы узнаваемыми, и эти две лишние секунды могли помочь ему в медленном открытии. Всё, чего нет в таблице, включая Seedance 2.0 и HeyGen Video, не тестировалось. Модели и цены меняются быстро, а эти результаты получены за один день.