Найкращий генератор AI-відео: 45 кліпів, оцінених наосліп

• Протестовано 1 листопада 2026
• 5 моделей
• 3 завдання, по 3 дублі
• 45 кліпів, 0 з помилкою
• Повні дані включено

Відтворити всі п'ять без звуку

Один і той самий промпт для всіх п'яти. Це дубль 1 із 3 для кожної моделі, тож ми не вибирали найвдаліші. Натисніть відтворення на будь-якому кліпі.

Коротка відповідь: якщо потрібна одна модель на все, беріть Kling 4.0, бо його найгірший дубль (3.6) перевершив найгірший дубль кожної іншої моделі. Якщо важливіша ціна, беріть Wan 3.0, який загалом зрівнявся з Kling за $0.60 за кліп. Seedance 2.5 іде одразу за ними і нарівні на кліпах із розмовою. MiniMax H3 лідирує в сценах із рухомою камерою. Розкриття: Hermoso продає доступ до всіх п'яти, а Seedance 2.5 є нашою моделлю за замовчуванням. Він не переміг жодного завдання окремо.

Хто кому підходить

Одна модель на все

Kling 4.0

Найстабільніший результат тесту. Його найнижчий дубль набрав 3.6, і жодне завдання не було слабким місцем. Він розділив перше місце загалом із Wan 3.0.

Найкраще співвідношення ціни і якості

Wan 3.0

Нарівні з Kling загалом за $0.60 за 6 секунд, найгостріша деталізація тесту і найкращий природний звук. MiniMax H3 дешевший за секунду, але набрав менше поза сценами.

Людина говорить у камеру

Нічия: Wan 3.0, Seedance 2.5, Kling 4.0

Усі три сказали репліку дослівно. Wan дав найбільший клуб борошна і запорошені руки, як ми просили, з усмішкою зі стокової реклами. Seedance виглядав найбільш схожим на кіно, але в одному дублі з трьох збився з рахунку.

Продукти з дрібним шрифтом

Kling 4.0, Wan 3.0 поруч

У кожному дублі Kling усі три рядки етикетки були правильні, з справжньою рукою і справжнім наїздом камери. Він також найкраще відповідав брифу. Seedance зробив найкращий мед у тесті, але лише в одному дублі з трьох.

Рухома камера в людній сцені

MiniMax H3, потім Wan і Kling

Найвищі відкриття, а велосипедист лишається в кадрі наприкінці. Також у нього було 8 секунд, тоді як в інших 6, а це допомагає повільному руху. Wan 3.0 і Kling 4.0 перебувають у межах нашої лінії нічиєї.

Коли потрібно швидко

Veo 3.1

Готовий приблизно за 66 секунд у медіані, проти 156 до 238 у решти. На стоп-кадрі виглядає чудово, але він частіше за всіх пропускав кроки з брифу і коштує найдорожче.

Оцінки

Кожен кліп отримав від 1 до 5 за шістьма критеріями від двох незалежних сліпих суддів. Оцінка за завдання це середнє трьох дублів, тож поганий дубль рахується. Правило ми записали до рендерів: різниця менше 0.3 це нічия, а помаранчевим позначено найвищу оцінку і все, що з нею зрівнялося.

Модель	Розмова	Продукт	Сцена	Загалом	Найгірший 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

Загальна оцінка це просте середнє 45 оцінок. Якщо прибрати звук повністю, Kling трохи обганяє Wan, а решта лишаються на місцях: 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 загалом у межах нічиєї, а його найгірший дубль пояснює, чому ми ставимо його позаду двох лідерів.

Завдання 1: людина говорить і рахує на пальцях

Пекарка проголошує одну точну репліку, показує один, два, потім три пальці і плескає по хлібу так, щоб піднялося борошно. Це перевіряє синхронізацію губ, слова, анатомію рук і дрібну фізику в одному нерухомому кадрі. Переможець: нічия між Wan 3.0, Seedance 2.5 і Kling 4.0. Усі 15 кліпів сказали репліку дослівно. Пальці розділили поле: Veo 3.1 жодного разу не дійшов до трьох, а MiniMax H3 у двох із трьох дублів на початку показав повну руку.

Дубль 1Дубль 2Дубль 3

Відтворити всі п'ять без звуку

Оцінки за розмову

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

Середнє трьох дублів. Помаранчевим позначено перше місце або відстань до нього не більше 0.3.

Завдання 2: банка з медом і друкованою етикеткою

Повільний наїзд камери на підписану банку, поки мед падає з черпака. Це перевіряє дрібний текст, чи стоять літери на місці, і густу рідину. Етикетка наша власна вигадана продукція. Переможець: Kling 4.0, Wan 3.0 у межах нічиєї. Написання було майже ідеальним: 14 із 15 кліпів передали всі три рядки правильно. З медом було не так. Майже ніщо не складалося і не згорталося так, як просили, а Veo 3.1 жодного разу не зробив наїзду камери.

Дубль 1Дубль 2Дубль 3

Відтворити всі п'ять без звуку

Оцінки за продукт

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

Середнє трьох дублів. Помаранчевим позначено перше місце або відстань до нього не більше 0.3.

Завдання 3: стеження за велосипедистом крізь дощовий ринок

Один безперервний кадр за кур'єром під дощем: об'їзд візка, собака, що перетинає дорогу, один дзвінок дзвоника, а потім камера піднімається над парасольками, щоб показати всю вулицю. Переможець: MiniMax H3, Wan 3.0 і Kling 4.0 у межах нічиєї. Ніхто не взяв усіх ударів. Kling і H3 найближче трималися брифу. Wan був найчіткішим, але замінив простий брезент кольоровими наметами і вигаданими написами. Seedance постійно обрізав велосипедиста, а Veo у двох із трьох дублів узагалі втратив велосипедиста.

Дубль 1Дубль 2Дубль 3

Відтворити всі п'ять без звуку

Оцінки 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

Середнє трьох дублів. Помаранчевим позначено перше місце або відстань до нього не більше 0.3.

За тим, що ми оцінювали

Середні значення за всіма 45 кліпами. Деталі розділяють ці моделі найменше. Відповідність брифу розділяє їх найбільше, і саме ця різниця найбільше пояснює, чому рейтинг виглядає так, як виглядає.

Найдорожча модель пішла останньою

Veo 3.1 коштує вчетверо більше за кліп, ніж Wan 3.0, і набрав найменше в кожному завданні, нарівні з MiniMax H3 у розмові. Кадри виглядають чудово, з найправдоподібнішим борошном у тесті. Проблема в кроках: він ніколи не порахував до трьох, ніколи не робив наїзду на мед і втратив велосипедиста під дощем. Якщо ваш кадр це одна проста ідея, він може вам підійти краще, ніж показує цей тест. Наші промпти навмисно були переповнені кроками.

Написання стало легким, рідини ні

Ми очікували, що найскладнішою частиною буде етикетка. Чотирнадцять із 15 кліпів надрукували всі три рядки правильно, і лише один дубль Veo додав зайве слово. Мед, який складається і згортається, коли падає, майже всім не вдався. Більшість кліпів дали нам прямий стовп або жорстку форму, що майже не змінювалася. Один дубль Seedance 2.5 вийшов правильно, і це теж проблема: це був один дубль із трьох.

Про музику в деяких кліпах з медом

Ми просили кухонні звуки і без музики. У 8 із 15 кліпів з медом модель повернула майже без звуку, нижче -40 dB, і наш шлях рендеру додав під нього тиху музичну доріжку: усі три дублі MiniMax H3, два Seedance 2.5, два Veo 3.1 і один Wan 3.0. Жоден дубль Kling не потребував цього. Ця музика наша, а не моделі. Такі кліпи втратили бали за звук через тишу, і їх позначено в сирій таблиці. Кліпи з розмовою та сценами ми не чіпали.

Як ми це проводили

Спершу ми написали три промпти і правила оцінювання, запустили один пілотний кліп, щоб перевірити конвеєр, а потім відрендерили решту. Пілотний кліп входить до 45. Нічого не провалилося, тож нічого не перезапускали і не відкидали.

Кожен кліп просив 16:9 у 720p і 6 секунд, без контексту бренду і без переписування промпту. Два винятки: MiniMax H3 працював 8 секунд, бо не мав варіанту на 6, і видавав 1344x768, а не 1280x720. Wan 3.0 видає 30 кадрів на секунду, решта 24.

Кожне завдання говорить одне й те саме кожній моделі, написане так, як рекомендує розробник цієї моделі, бо чесний тест не змушує одну модель читати діалект іншої. Для Kling немає гайда для 4.0, тож ми використали його звички з 3.0. Veo 3.1 це повна модель, а не її швидка версія.

Ми надіслали насіння 1101, 2202 і 3303 до Veo 3.1, Wan 3.0 і MiniMax H3. Наш шлях рендеру не передає насіння до Seedance 2.5 чи Kling 4.0, тож ці дублі є трьома незалежними запусками. Жодна модель не підтвердила насіння, яке використала.

Оцінювання було сліпим, і його провели два окремі AI-судді, а не люди. Кожен кліп звели до 12 кадрів від початку до кінця, спектрограми звуку, гучності та транскрипції, під випадковим кодом. Жоден суддя не бачив, яка модель створила кліп, доки оцінки не були виставлені. Судді узгоджувалися дуже близько: кореляція 0.91 між кліпами і середня різниця 0.36 бала за критерієм. Оцінки на цій сторінці це їх середнє, а число кожного судді є в CSV.

Деякі перевірки не потребували судження. Локальна транскрипція підтвердила точну репліку у всіх 15 кліпах із розмовою. Виявлення сцен не знайшло монтажних склейок у жодному кліпі, хоча один дубль Veo 3.1 відтворюється як стрибок, і ми це позначили. Обидва судді окремо порахували рядки етикетки і збіглися у всіх 15.

Промпти дослівно

Скопіюйте будь-який із них. Кожне посилання відкриває цей промпт для цієї моделі 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.

Чого цей тест не може сказати

Три промпти не покривають усього, а три дублі на завдання це малий обсяг вибірки, тож різницю 0.3 або менше слід вважати відсутністю різниці. Обидва судді були моделями AI, які читали кадри та вимірювання. Ніхто не слухав ці кліпи на слух: звук оцінювався за транскрипціями, спектрограмами та гучністю, тож якість голосу є найслабшою частиною нашого оцінювання, а 12 кадрів можуть пропустити збій між ними. Наш показник синхронізації губ був грубим, і ми на нього не покладалися. Він поставив Seedance 2.5 і Kling 4.0 найближче, а Wan 3.0 відхилявся до пів секунди, тож дивіться самі кліпи, якщо для вас важлива синхронізація губ. Сліпе оцінювання мало одну відому прогалину: 8-секундна тривалість MiniMax H3 робила його кліпи впізнаваними, і ці додаткові дві секунди могли допомогти йому в повільному відкритті. Усе, чого немає в таблиці, зокрема Seedance 2.0 і HeyGen Video, не тестувалося. Моделі та ціни змінюються швидко, а ці результати отримані за один день.