Bästa AI-videogeneratorn: 45 klipp, poängsatta blint

• Testad 1 november 2026
• 5 modeller
• 3 uppgifter, 3 takes var
• 45 klipp, 0 misslyckade
• Rådata ingår

Spela upp alla fem, utan ljud

Samma prompt på alla fem. Detta är take 1 av 3 för varje modell, så vi valde inte ut de smickrande. Tryck på play på valfritt klipp.

Kort svar: om du vill ha en modell till allt, använd Kling 4.0, eftersom dess sämsta take (3.6) slog alla andra modellers sämsta. Om priset väger tyngst, använd Wan 3.0, som matchade Kling totalt för $0.60 per klipp. Seedance 2.5 ligger strax bakom dem och är jämnt med dem på samtalsklipp. MiniMax H3 leder på scener med rörlig kamera. Upplysning: Hermoso säljer åtkomst till alla fem, och Seedance 2.5 är vår standard. Den vann inte en uppgift helt.

Vem bör använda vad

En modell till allt

Kling 4.0

Testets stadigaste resultat. Dess lägsta take fick 3.6, och ingen uppgift var en svag punkt. Den delade förstaplatsen totalt med Wan 3.0.

Bäst värde

Wan 3.0

Jämnt med Kling totalt för $0.60 för 6 sekunder, testets skarpaste detalj och bästa naturliga ljud. MiniMax H3 är billigare per sekund men fick lägre poäng utanför scener.

En person som pratar i kamera

Oavgjort: Wan 3.0, Seedance 2.5, Kling 4.0

Alla tre sa repliken ord för ord. Wan gav störst mjölpuff och de mjölvita armar vi bad om, med ett leende från en stockannons. Seedance såg mest ut som film men tappade bort räkningen i en take av tre.

Produkter med finstilt text

Kling 4.0, Wan 3.0 nära

Varje Kling-take höll alla tre etikettraderna rätt, med en riktig hand och en riktig push-in. Den matchade också briefen bäst. Seedance gjorde testets bästa honung, i en take av tre.

En rörlig kamera i en livlig scen

MiniMax H3, sedan Wan och Kling

De högsta avslöjandena, med cyklisten fortfarande i bild i slutet. Den hade också 8 sekunder där de andra hade 6, vilket hjälper en långsam rörelse. Wan 3.0 och Kling 4.0 ligger inom vår oavgjort-gräns.

När du behöver det snabbt

Veo 3.1

Blev klar på ungefär 66 sekunder i median, mot 156 till 238 för de övriga. Det ser fantastiskt ut i en still, men den hoppade över steg i briefen oftare än någon annan, till det högsta priset.

Poängen

Varje klipp fick 1 till 5 på sex kriterier från två separata blinda bedömare. En uppgiftspoäng är medelvärdet av dess tre takes, så en dålig take räknas. Vi skrev regeln innan någon rendering: en skillnad under 0.3 är oavgjort, och orange markerar högsta poäng och allt som är oavgjort med den.

Modell	Samtal	Produkt	Scen	Totalt	Sämsta take
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 är det rena medelvärdet av de 45 poängen. Tar man bort ljudet helt går Kling förbi Wan medan de övriga behåller sina platser: 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 ligger inom oavgjort-gränsen totalt, och dess sämsta take är skälet till att vi rankar den bakom de två ledarna.

Uppgift 1: en person som pratar och räknar på fingrarna

En bagare säger en exakt replik, visar ett, två, sedan tre fingrar, och klappar ett bröd så att mjölet stiger. Den testar läppsynk, ord, handanatomi och små fysikaliska detaljer i ett låst skott. Vinnare: oavgjort mellan Wan 3.0, Seedance 2.5 och Kling 4.0. Alla 15 klipp sa repliken ord för ord. Fingrarna delade fältet: Veo 3.1 nådde aldrig tre i någon take, och MiniMax H3 öppnade med en full hand i två av tre.

Take 1Take 2Take 3

Spela upp alla fem, utan ljud

Samtalspoäng

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

Medelvärde av tre takes. Orange är förstaplats eller inom 0.3 från den.

Uppgift 2: en honungsburk med tryckt etikett

En långsam push-in mot en märkt burk medan honung faller från en slev. Den testar liten text, om bokstäver står stilla och tjock vätska. Etiketten är vår egen påhittade produkt. Vinnare: Kling 4.0, med Wan 3.0 inom oavgjort-gränsen. Stavningen var nästan löst: 14 av 15 klipp fick alla tre raderna rätt. Honungen var inte det. Nästan ingenting veckade sig och snodde sig som begärt, och Veo 3.1 gjorde aldrig en push-in i någon take.

Take 1Take 2Take 3

Spela upp alla fem, utan ljud

Produktpoäng

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

Medelvärde av tre takes. Orange är förstaplats eller inom 0.3 från den.

Uppgift 3: att följa en cyklist genom en regnig marknad

Ett oavbrutet skott bakom en budbärare i regnet: en sväng runt en vagn, en hund som korsar, en ringning i klockan, sedan lyfter kameran över paraplyerna för att visa hela gatan. Vinnare: MiniMax H3, med Wan 3.0 och Kling 4.0 inom oavgjort-gränsen. Ingen fick varje moment. Kling och H3 höll sig närmast briefen. Wan var skarpast men bytte vanlig duk mot färgade tält och påhittade skyltar. Seedance klippte ständigt bort cyklisten, och Veo tappade cyklisten helt i två av tre.

Take 1Take 2Take 3

Spela upp alla fem, utan ljud

Scenpoäng

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

Medelvärde av tre takes. Orange är förstaplats eller inom 0.3 från den.

Vad vi poängsatte

Medelvärden över alla 45 klipp. Detaljer skiljer dessa modeller åt minst. Att följa briefen skiljer dem åt mest, och det gapet är en stor del av varför rankingen ser ut som den gör.

Den dyraste modellen kom sist

Veo 3.1 kostar fyra gånger så mycket per klipp som Wan 3.0 och fick lägst poäng i varje uppgift, jämnt med MiniMax H3 på samtal. Stillbilderna ser underbara ut, med den mest trovärdiga mjölen i testet. Problemet är stegen: den räknade aldrig till tre, gjorde aldrig en push-in mot honungen och tappade cyklisten i regnet. Om din scen är en enkel idé kan den passa dig bättre än det här testet antyder. Våra prompter var medvetet fulla av steg.

Stavningen blev lätt, vätskor blev det inte

Vi väntade oss att etiketten skulle vara den svåra delen. Fjorton av 15 klipp skrev ut alla tre raderna korrekt, och bara en Veo-take lade till ett främmande ord. Honung som veckar sig och snor sig när den landar är det nästan alla missade. De flesta klipp gav oss en rak pelare, eller en stel form som knappt förändrades. En Seedance 2.5-take fick det rätt, vilket också är problemet: det var en take av tre.

Om musiken i vissa honungsklipp

Vi bad om köksljud och ingen musik. I 8 av de 15 honungsklippen gav modellen nästan inget ljud, under -40 dB, och vår renderingsväg lade en tyst musikbädd under: alla tre MiniMax H3-takes, två Seedance 2.5, två Veo 3.1 och en Wan 3.0. Inga av Kling-takes behövde den. Musiken är vår, inte modellens. De klippen förlorade poäng för ljudet på grund av tystnaden, och de är markerade i rådatatabellen. Samtals- och scenklipp rördes inte.

Så gjorde vi

Vi skrev de tre prompterna och poängreglerna först, körde ett enda pilotklipp för att kontrollera flödet och renderade sedan resten. Pilotklippet är ett av de 45. Inget misslyckades, så inget gjordes om eller slängdes.

Varje klipp bad om 16:9 i 720p och 6 sekunder, utan varumärkeskontext och utan omskrivning av prompten. Två undantag: MiniMax H3 kördes på 8 sekunder eftersom den saknade ett 6-sekundsalternativ, och den levererar 1344x768 i stället för 1280x720. Wan 3.0 levererar i 30 bilder per sekund, de övriga i 24.

Varje uppgift säger samma sak till varje modell, skriven på det sätt som den modellens tillverkare rekommenderar, eftersom ett rättvist test inte låter en modell läsa en annans dialekt. Kling har ingen guide för 4.0, så vi använde dess 3.0-vanor. Veo 3.1 är den fulla modellen, inte dess snabba version.

Vi skickade seeds 1101, 2202 och 3303 till Veo 3.1, Wan 3.0 och MiniMax H3. Vår renderingsväg skickar inte någon seed till Seedance 2.5 eller Kling 4.0, så de takes är tre oberoende körningar. Ingen modell bekräftade den seed den använde.

Bedömningen var blind och gjordes av två separata AI-bedömare, inte av människor. Varje klipp reducerades till 12 bildrutor från början till slut, ett spektrogram av dess ljud, dess ljudnivå och en transkription, under en slumpmässig kod. Ingen av bedömarna såg vilken modell som gjort ett klipp förrän deras poäng var inne. De två bedömarna var nära överens, med en korrelation på 0.91 över klippen och ett genomsnittligt gap på 0.36 poäng per kriterium. Poängen på den här sidan är deras medelvärde, och varje bedömares siffra finns i CSV-filen.

Vissa kontroller behövde inget omdöme. Ett lokalt transkript bekräftade den exakta repliken i alla 15 samtalsklipp. Scenbytesdetektering hittade inga snitt i något klipp, även om en Veo 3.1-take spelas som ett hopp, och det markerade vi. Båda bedömarna räknade etikettraderna separat och stämde överens på alla 15.

Prompterna, ord för ord

Kopiera vilken som helst. Varje länk öppnar 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.

Vad det här testet inte kan säga

Tre prompter täcker inte allt, och tre takes per uppgift är ett litet urval, så läs ett gap på 0.3 eller mindre som inget gap alls. Båda bedömarna var AI-modeller som läste bildrutor och mätningar. Ingen lyssnade på klippen med öronen: ljudet bedömdes utifrån transkript, spektrogram och ljudnivå, så röstkvaliteten är den svagaste delen av vår poängsättning, och 12 bildrutor kan missa en glitch mellan dem. Vårt mått på läppsynk var grovt och vi förlitade oss inte på det. Det placerade Seedance 2.5 och Kling 4.0 närmast, och Wan 3.0 upp till en halv sekund ifrån, så titta på klippen om läppsynk är viktigt för dig. Blindningen hade ett känt hål: MiniMax H3:s längd på 8 sekunder gjorde att dess klipp gick att känna igen, och de extra två sekunderna kan ha hjälpt den på den långsamma avslöjningen. Allt som inte finns i tabellen, inklusive Seedance 2.0 och HeyGen Video, testades inte. Modeller och priser ändras snabbt, och de här resultaten är från en dag.