เครื่องมือสร้างวิดีโอ AI ที่ดีที่สุด: 45 คลิป ให้คะแนนแบบปิดชื่อ

• ทดสอบเมื่อ 1 พฤศจิกายน 2026
• 5 โมเดล
• 3 งาน งานละ 3 เทค
• 45 คลิป ล้มเหลว 0
• มีข้อมูลดิบให้ครบ

เล่นทั้งห้า แบบปิดเสียง

พรอมต์เดียวกันทั้งห้าโมเดล นี่คือเทค 1 จาก 3 เทคของแต่ละโมเดล เราจึงไม่ได้เลือกเฉพาะตัวที่ดูดี กดเล่นคลิปใดก็ได้

คำตอบสั้น ๆ: หากต้องการโมเดลเดียวสำหรับทุกอย่าง ให้เลือก Kling 4.0 เพราะเทคที่แย่ที่สุดของมัน (3.6) ดีกว่าเทคที่แย่ที่สุดของโมเดลอื่นทุกตัว หากราคาสำคัญกว่า ให้เลือก Wan 3.0 ซึ่งเทียบเท่า Kling โดยรวมที่ $0.60 ต่อคลิป Seedance 2.5 อยู่ตามหลังทั้งสองเพียงเล็กน้อย และเท่ากับพวกเขาในคลิปที่เป็นการพูด MiniMax H3 นำในฉากที่กล้องเคลื่อนที่ การเปิดเผยข้อมูล: Hermoso ขายการเข้าถึงทั้งห้าโมเดล และ Seedance 2.5 คือค่าเริ่มต้นของเรา แต่มันไม่ได้ชนะงานใดงานหนึ่งอย่างขาดลอย

ควรใช้โมเดลไหนกับงานอะไร

โมเดลเดียวสำหรับทุกอย่าง

Kling 4.0

ผลลัพธ์ที่นิ่งที่สุดของการทดสอบ เทคที่ต่ำที่สุดได้ 3.6 และไม่มีงานใดเป็นจุดอ่อน มันได้อันดับหนึ่งร่วมกับ Wan 3.0 โดยรวม

คุ้มค่าที่สุด

Wan 3.0

เทียบเท่า Kling โดยรวมที่ $0.60 สำหรับ 6 วินาที เป็นรายละเอียดที่คมที่สุดของการทดสอบ และมีเสียงธรรมชาติที่ดีที่สุด MiniMax H3 ถูกกว่าต่อวินาที แต่ได้คะแนนต่ำกว่าเมื่อไม่ใช่ฉาก

คนที่พูดต่อหน้ากล้อง

เสมอ: Wan 3.0, Seedance 2.5, Kling 4.0

ทั้งสามพูดประโยคตามที่กำหนดคำต่อคำ Wan ให้แป้งฟุ้งมากที่สุดและแขนที่เปื้อนแป้งตามที่เราขอ พร้อมรอยยิ้มแบบโฆษณาสต็อก Seedance ดูเหมือนภาพยนตร์ที่สุด แต่นับนิ้วผิดในหนึ่งเทคจากสามเทค

สินค้าที่มีตัวหนังสือละเอียดบนฉลาก

Kling 4.0, Wan 3.0 ตามมาใกล้ ๆ

ทุกเทคของ Kling ใส่บรรทัดฉลากทั้งสามได้ถูกต้อง มีมือที่สมจริงและการดันกล้องเข้าที่เป็นธรรมชาติ และยังทำตามโจทย์ได้ดีที่สุด Seedance ทำน้ำผึ้งได้ดีที่สุดของการทดสอบ ในหนึ่งเทคจากสามเทค

กล้องเคลื่อนที่ในฉากที่วุ่นวาย

MiniMax H3 ตามด้วย Wan และ Kling

การเผยภาพที่สูงที่สุด โดยผู้ขี่ยังอยู่ในภาพตอนท้าย นอกจากนี้มันมี 8 วินาทีในขณะที่คนอื่นมี 6 วินาที ซึ่งช่วยการเคลื่อนกล้องที่ช้า Wan 3.0 และ Kling 4.0 อยู่ในเส้นเสมอของเรา

เมื่อต้องการความเร็ว

Veo 3.1

เสร็จในประมาณ 66 วินาทีตามค่ากลาง เทียบกับ 156 ถึง 238 วินาทีของโมเดลอื่น ดูดีมากเมื่อเป็นภาพนิ่ง แต่ข้ามขั้นตอนในโจทย์บ่อยกว่าใคร และมีราคาสูงที่สุด

คะแนน

แต่ละคลิปได้คะแนน 1 ถึง 5 ในหกเกณฑ์จากผู้ตัดสินแบบปิดชื่อสองคนที่แยกกัน คะแนนของงานคือค่าเฉลี่ยของเทคทั้งสามของงานนั้น ดังนั้นเทคที่แย่ก็นับ เรากำหนดกฎไว้ก่อนการเรนเดอร์ใด ๆ ว่าช่องว่างต่ำกว่า 0.3 คือเสมอ และสีส้มแสดงคะแนนสูงสุดและทุกอย่างที่เสมอกับคะแนนนั้น

โมเดล	การพูด	สินค้า	ฉาก	รวม	เทคที่แย่ที่สุด
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

คะแนนรวมคือค่าเฉลี่ยธรรมดาของคะแนนทั้ง 45 รายการ หากตัดเสียงออกทั้งหมด Kling จะแซง Wan ไปเล็กน้อย ส่วนที่เหลือคงลำดับเดิม: 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 อยู่ในเส้นเสมอโดยรวม และเทคที่แย่ที่สุดของมันคือเหตุผลที่เราจัดให้อยู่หลังผู้นำทั้งสอง

งานที่ 1: คนที่พูดและนับนิ้วมือ

คนทำขนมปังพูดประโยคที่กำหนดหนึ่งประโยค แสดงหนึ่ง สอง แล้วสามนิ้ว และตบก้อนขนมปังเพื่อให้แป้งฟุ้ง มันทดสอบการขยับปาก คำพูด กายวิภาคของมือ และฟิสิกส์เล็ก ๆ ในช็อตเดียวที่ล็อกไว้ ผู้ชนะ: เสมอสามทางระหว่าง Wan 3.0, Seedance 2.5 และ Kling 4.0 ทั้ง 15 คลิปพูดประโยคคำต่อคำ เรื่องนิ้วแยกผู้เข้าแข่งขัน Veo 3.1 ไม่เคยถึงสามในเทคใดเลย และ MiniMax H3 เปิดด้วยมือเต็มฝ่าในสองจากสามเทค

เทค 1เทค 2เทค 3

เล่นทั้งห้า แบบปิดเสียง

คะแนนการพูด

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

ค่าเฉลี่ยของสามเทค สีส้มคืออันดับหนึ่งหรือห่างจากอันดับหนึ่งไม่เกิน 0.3

งานที่ 2: กระปุกน้ำผึ้งที่มีฉลากพิมพ์

การดันกล้องเข้าช้า ๆ ที่โหลมีฉลากขณะน้ำผึ้งไหลจากทัพพี มันทดสอบตัวอักษรเล็ก ว่าตัวอักษรอยู่นิ่งหรือไม่ และของเหลวข้น ฉลากเป็นสินค้าสมมติของเราเอง ผู้ชนะ: Kling 4.0 โดย Wan 3.0 อยู่ในเส้นเสมอ การสะกดแทบจะแก้ได้แล้ว: 14 จาก 15 คลิปได้บรรทัดทั้งสามถูกต้อง แต่น้ำผึ้งไม่เป็นเช่นนั้น แทบไม่มีอะไรพับหรือขดอย่างที่ขอ และ Veo 3.1 ไม่เคยดันกล้องเข้าในเทคใดเลย

เทค 1เทค 2เทค 3

เล่นทั้งห้า แบบปิดเสียง

คะแนนสินค้า

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

ค่าเฉลี่ยของสามเทค สีส้มคืออันดับหนึ่งหรือห่างจากอันดับหนึ่งไม่เกิน 0.3

งานที่ 3: ตามนักปั่นจักรยานผ่านตลาดที่ฝนตก

ช็อตเดียวต่อเนื่องที่ตามหลังคนส่งของในสายฝน: หักหลบรถเข็น สุนัขข้ามถนน กริ่งจักรยานหนึ่งครั้ง แล้วกล้องยกขึ้นเหนือร่มเพื่อแสดงทั้งถนน ผู้ชนะ: MiniMax H3 โดย Wan 3.0 และ Kling 4.0 อยู่ในเส้นเสมอ ไม่มีใครได้ครบทุกจังหวะ Kling และ H3 อยู่ใกล้โจทย์ที่สุด Wan คมที่สุดแต่แทนผ้าใบธรรมดาด้วยเต็นท์สีและป้ายที่สร้างขึ้นเอง Seedance ตัดผู้ขี่ออกตลอด และ Veo ทำให้ผู้ขี่หายไปทั้งหมดในสองจากสามเทค

เทค 1เทค 2เทค 3

เล่นทั้งห้า แบบปิดเสียง

คะแนนฉาก

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

ค่าเฉลี่ยของสามเทค สีส้มคืออันดับหนึ่งหรือห่างจากอันดับหนึ่งไม่เกิน 0.3

สิ่งที่เราให้คะแนน

ค่าเฉลี่ยจากคลิปทั้ง 45 รายการ รายละเอียดแยกโมเดลออกจากกันน้อยที่สุด การทำตามโจทย์แยกพวกเขาออกจากกันมากที่สุด และช่องว่างนั้นเป็นส่วนใหญ่ของเหตุผลที่อันดับออกมาเป็นแบบนี้

โมเดลที่แพงที่สุดมาเป็นอันดับสุดท้าย

Veo 3.1 มีค่าใช้จ่ายต่อคลิปสี่เท่าของ Wan 3.0 และได้คะแนนต่ำที่สุดในทุกงาน เท่ากับ MiniMax H3 ในงานการพูด ภาพนิ่งสวยมาก พร้อมความจริงของแป้งที่มากที่สุดในการทดสอบ ปัญหาอยู่ที่ขั้นตอน มันไม่เคยนับถึงสาม ไม่เคยดันกล้องเข้าหาน้ำผึ้ง และทำให้ผู้ขี่หายในสายฝน หากช็อตของคุณเป็นความคิดเดียวที่เรียบง่าย มันอาจเหมาะกับคุณมากกว่าที่การทดสอบนี้แสดง เพราะพรอมต์ของเราตั้งใจให้เต็มไปด้วยขั้นตอน

การสะกดทำได้ง่าย ของเหลวไม่ได้

เราคาดว่าฉลากจะเป็นส่วนที่ยาก คลิปสิบสี่จากสิบห้าพิมพ์บรรทัดทั้งสามได้ถูกต้อง และมีเพียงเทค Veo เดียวที่เพิ่มคำที่หลงมา น้ำผึ้งที่พับและขดตอนไหลลงมาคือสิ่งที่เกือบทุกคนพลาด คลิปส่วนใหญ่ให้คอลัมน์ตรงมาหนึ่งเส้น หรือรูปร่างแข็งที่แทบไม่เปลี่ยน มีเทค Seedance 2.5 หนึ่งเทคที่ทำได้ถูก ซึ่งก็เป็นปัญหาเช่นกัน เพราะมันเป็นเพียงหนึ่งเทคจากสามเทค

เกี่ยวกับดนตรีในคลิปน้ำผึ้งบางคลิป

เราขอเสียงในครัวและไม่ให้มีดนตรี ในคลิปน้ำผึ้ง 8 จาก 15 คลิป โมเดลส่งเสียงแทบไม่มีเลย ต่ำกว่า -40 dB และเส้นทางการเรนเดอร์ของเราเพิ่มเพลงเบา ๆ ไว้ข้างใต้: MiniMax H3 ทั้งสามเทค Seedance 2.5 สองเทค Veo 3.1 สองเทค และ Wan 3.0 หนึ่งเทค ไม่มีเทค Kling ใดที่ต้องการสิ่งนี้ ดนตรีนั้นเป็นของเรา ไม่ใช่ของโมเดล คลิปเหล่านั้นเสียคะแนนด้านเสียงเพราะความเงียบ และถูกทำเครื่องหมายไว้ในตารางข้อมูลดิบ คลิปการพูดและฉากไม่ได้ถูกแตะต้อง

วิธีที่เรารันการทดสอบ

เราเขียนพรอมต์สามชุดและกฎการให้คะแนนก่อน แล้วรันคลิปนำร่องหนึ่งคลิปเพื่อตรวจสอบไปป์ไลน์ จากนั้นจึงเรนเดอร์ที่เหลือ คลิปนำร่องเป็นหนึ่งในสี่สิบห้า ไม่มีอะไรล้มเหลว จึงไม่มีการลองใหม่หรือตัดทิ้ง

ทุกคลิปขอ 16:9 ที่ 720p และ 6 วินาที โดยไม่มีบริบทของแบรนด์และไม่มีการเขียนพรอมต์ใหม่ มีสองข้อยกเว้น: MiniMax H3 รันที่ 8 วินาทีเพราะไม่มีตัวเลือก 6 วินาที และมันส่งออกที่ 1344x768 แทนที่จะเป็น 1280x720 Wan 3.0 ส่งออกที่ 30 เฟรมต่อวินาที ส่วนที่เหลือที่ 24

แต่ละงานบอกสิ่งเดียวกันกับทุกโมเดล เขียนตามที่ผู้สร้างแต่ละรายแนะนำ เพราะการทดสอบที่ยุติธรรมไม่ควรให้โมเดลหนึ่งอ่านภาษาของอีกโมเดล Kling ไม่มีคู่มือสำหรับ 4.0 เราจึงใช้นิสัยของ 3.0 Veo 3.1 เป็นรุ่นเต็ม ไม่ใช่รุ่นเร็ว

เราส่ง seed 1101, 2202 และ 3303 ไปยัง Veo 3.1, Wan 3.0 และ MiniMax H3 เส้นทางการเรนเดอร์ของเราไม่ส่ง seed ให้ Seedance 2.5 หรือ Kling 4.0 เทคเหล่านั้นจึงเป็นการรันอิสระสามครั้ง ไม่มีโมเดลใดยืนยัน seed ที่มันใช้

การให้คะแนนเป็นแบบปิดชื่อ และทำโดยผู้ตัดสินที่เป็น AI สองคนที่แยกกัน ไม่ใช่คน แต่ละคลิปถูกลดเหลือ 12 เฟรมจากต้นจนจบ พร้อมสเปกโตรแกรมของเสียง ระดับความดัง และถอดเสียงพูด ภายใต้รหัสสุ่ม ผู้ตัดสินไม่เห็นว่าโมเดลใดสร้างคลิปจนกว่าจะได้คะแนนแล้ว ผู้ตัดสินทั้งสองเห็นพ้องกันอย่างใกล้ชิด โดยมีค่าสหสัมพันธ์ 0.91 ข้ามคลิป และช่องว่างเฉลี่ย 0.36 คะแนนต่อเกณฑ์ คะแนนในหน้านี้คือค่าเฉลี่ยของพวกเขา และตัวเลขของผู้ตัดสินแต่ละคนอยู่ใน CSV

การตรวจสอบบางอย่างไม่จำเป็นต้องใช้การตัดสิน ถอดเสียงในเครื่องยืนยันประโยคที่กำหนดไว้ในคลิปการพูดทั้ง 15 คลิป การตรวจจับฉากไม่พบการตัดในคลิปใดเลย แม้เทค Veo 3.1 หนึ่งเทคจะเล่นเหมือนการกระโดด และเราทำเครื่องหมายไว้ ผู้ตัดสินทั้งสองนับบรรทัดฉลากแยกกันและตรงกันในทั้ง 15 คลิป

พรอมต์ ตามตัวอักษร

คัดลอกพรอมต์ใดก็ได้ แต่ละลิงก์จะเปิดพรอมต์นั้นบนโมเดลนั้นใน 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.

สิ่งที่การทดสอบนี้บอกไม่ได้

สามพรอมต์ไม่ได้ครอบคลุมทุกอย่าง และสามเทคต่องานเป็นตัวอย่างที่เล็ก ดังนั้นให้อ่านช่องว่าง 0.3 หรือน้อยกว่านั้นว่าไม่มีช่องว่างเลย ผู้ตัดสินทั้งสองเป็นโมเดลเอไอที่อ่านเฟรมและค่าการวัด ไม่มีใครฟังคลิปเหล่านี้ด้วยหู เสียงถูกตัดสินจากการถอดเสียง สเปกโตรแกรม และระดับความดัง ดังนั้นคุณภาพเสียงพูดคือส่วนที่อ่อนที่สุดของการให้คะแนนของเรา และ 12 เฟรมอาจพลาดความผิดพลาดที่เกิดขึ้นระหว่างเฟรม การวัดลิปซิงก์ของเรานั้นหยาบและเราไม่ได้พึ่งพามันมาก มันจัดให้ Seedance 2.5 และ Kling 4.0 อยู่ใกล้กันที่สุด และ Wan 3.0 คลาดไปได้ถึงครึ่งวินาที ดังนั้นให้ดูคลิปเองหากลิปซิงก์สำคัญกับคุณ การปิดชื่อมีช่องโหว่ที่รู้จักอยู่หนึ่งจุด: ความยาว 8 วินาทีของ MiniMax H3 ทำให้คลิปของมันจำได้ง่าย และอีกสองวินาทีนั้นอาจช่วยมันในการเผยภาพช้า ๆ สิ่งที่ไม่อยู่ในตาราง รวมถึง Seedance 2.0 และ HeyGen Video ไม่ได้ถูกทดสอบ โมเดลและราคาเปลี่ยนเร็ว และผลลัพธ์เหล่านี้มาจากวันเดียว