بہترین AI ویڈیو جنریٹر: 45 کلپس، اندھے طریقے سے اسکور

• ٹیسٹ کی تاریخ 1 نومبر 2026
• 5 ماڈل
• 3 کام، ہر ایک کے 3 ٹیک
• 45 کلپس، 0 ناکام
• خام ڈیٹا شامل ہے

پانچوں بغیر آواز کے چلائیں

پانچوں ماڈلز کے لیے ایک ہی پرامپٹ۔ یہ ہر ماڈل کا ٹیک 1 از 3 ہے، تو ہم نے اچھے نتائج نہیں چنے۔ کسی بھی کلپ پر پلے دبائیں۔

مختصر جواب: اگر آپ ہر کام کے لیے ایک ماڈل چاہتے ہیں تو Kling 4.0 لیں، کیونکہ اس کا سب سے کمزور ٹیک (3.6) باقی سب کے سب سے کمزور ٹیک سے بہتر رہا۔ اگر قیمت زیادہ اہم ہے تو Wan 3.0 لیں، جو مجموعی طور پر Kling کے برابر رہا اور فی کلپ $0.60 پڑتا ہے۔ Seedance 2.5 ان دونوں کے بالکل بعد ہے اور بات چیت والے کلپس میں برابر ہے۔ MiniMax H3 حرکت کرتے کیمرے والے مناظر میں آگے ہے۔ وضاحت: Hermoso ان پانچوں تک رسائی بیچتا ہے، اور Seedance 2.5 ہمارا ڈیفالٹ ہے۔ یہ کوئی کام مکمل طور پر نہیں جیتا۔

کون سا ماڈل کس کے لیے

ہر چیز کے لیے ایک ماڈل

Kling 4.0

ٹیسٹ کا سب سے مستحکم نتیجہ۔ اس کا سب سے کم ٹیک 3.6 رہا، اور کوئی کام کمزور نہیں تھا۔ مجموعی طور پر پہلی پوزیشن پر Wan 3.0 کے ساتھ برابر رہا۔

بہترین قیمت

Wan 3.0

6 سیکنڈ کے لیے $0.60 پر مجموعی طور پر Kling کے برابر، ٹیسٹ کی سب سے تیز تفصیل اور بہترین قدرتی آواز۔ MiniMax H3 فی سیکنڈ سستا ہے، مگر مناظر کے علاوہ کاموں میں اس کا اسکور کم رہا۔

کیمرے پر بات کرتا ہوا شخص

برابری: Wan 3.0، Seedance 2.5، Kling 4.0

تینوں نے لائن بالکل ویسی ہی کہی۔ Wan نے سب سے بڑا آٹے کا غبار اور وہ آٹے میں لتھڑے بازو دیے جو ہم نے مانگے تھے، مگر اسٹاک اشتہار جیسی مسکراہٹ کے ساتھ۔ Seedance سب سے زیادہ فلم جیسی لگی، مگر تین میں سے ایک ٹیک میں گنتی غلط ہو گئی۔

باریک چھپائی والی پروڈکٹس

Kling 4.0، Wan 3.0 کے قریب

Kling کے ہر ٹیک میں تینوں لیبل لائنیں درست رہیں، اصلی ہاتھ اور اصلی کیمرے کے قریب جانے کے ساتھ۔ یہ بریف سے سب سے زیادہ مطابقت بھی رکھتا تھا۔ Seedance نے ٹیسٹ کا بہترین شہد بنایا، مگر تین میں سے صرف ایک ٹیک میں۔

بھرے منظر میں حرکت کرتا کیمرہ

MiniMax H3، پھر Wan اور Kling

سب سے اونچے انکشاف، اور آخر تک سوار فریم میں رہا۔ اس کے 8 سیکنڈ تھے جبکہ باقیوں کے 6، جو آہستہ حرکت میں مدد دیتا ہے۔ Wan 3.0 اور Kling 4.0 ہماری برابری کی حد کے اندر ہیں۔

جب فوری چاہیے

Veo 3.1

میانہ وقت 66 سیکنڈ میں تیار ہوا، باقیوں کے 156 سے 238 سیکنڈ کے مقابلے میں۔ ایک ساکن تصویر میں شاندار لگتا ہے، مگر بریف کے مراحل زیادہ بار چھوڑے، اور سب سے زیادہ قیمت پر۔

اسکور

ہر کلپ کو دو الگ الگ اندھے ججوں سے چھ معیارات پر 1 سے 5 ملے۔ کام کا اسکور اس کے تین ٹیکس کا اوسط ہے، تو خراب ٹیک بھی شمار ہوتا ہے۔ ہم نے کوئی رینڈر کرنے سے پہلے اصول لکھ لیا تھا: 0.3 سے کم فرق برابری ہے، اور نارنجی رنگ سب سے اوپر کے اسکور اور اس کے برابر والوں کو نشان زد کرتا ہے۔

ماڈل	بات چیت	پروڈکٹ	منظر	مجموعی	سب سے کمزور ٹیک
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

مجموعی اسکور 45 اسکورز کا سادہ اوسط ہے۔ آڈیو کو مکمل طور پر نکال دیں تو Kling، Wan سے آگے نکل جاتا ہے جبکہ باقی اپنی جگہ رہتے ہیں: 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 مجموعی طور پر برابری کی حد میں ہے، اور اس کا سب سے کمزور ٹیک ہی وجہ ہے کہ ہم اسے اوپر کے دو ماڈلز کے پیچھے رکھتے ہیں۔

کام 1: ایک شخص بات کرتا ہوا اور انگلیوں پر گنتی کرتا ہوا

ایک بیکر ایک مخصوص لائن کہتی ہے، پھر ایک، دو، اور تین انگلیاں دکھاتی ہے، اور روٹی کو تھپکی دیتی ہے تاکہ آٹا اڑے۔ یہ ایک ہی مقفل شاٹ میں لپ سنک، الفاظ، ہاتھ کی ساخت اور چھوٹی طبیعیات کو آزماتا ہے۔ فاتح: Wan 3.0، Seedance 2.5 اور Kling 4.0 کے درمیان تین طرفہ برابری۔ سبھی 15 کلپس نے لائن بالکل ویسی کہی۔ انگلیوں نے میدان بانٹ دیا: Veo 3.1 کسی ٹیک میں تین تک نہیں پہنچا، اور MiniMax H3 نے تین میں سے دو ٹیکس میں پوری ہتھیلی کھولی۔

ٹیک 1ٹیک 2ٹیک 3

پانچوں بغیر آواز کے چلائیں

بات چیت کے اسکور

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

تین ٹیکس کا اوسط۔ نارنجی رنگ پہلی پوزیشن یا اس سے 0.3 کے اندر والوں کا ہے۔

کام 2: چھپے لیبل والا شہد کا جار

لیبل والے جار پر آہستہ سے کیمرہ قریب جاتا ہے جبکہ ڈوئی سے شہد گرتا ہے۔ یہ چھوٹے متن، ساکن رہتے حروف اور گاڑھے مائع کو آزماتا ہے۔ لیبل ہماری اپنی بنائی ہوئی فرضی پروڈکٹ کا ہے۔ فاتح: Kling 4.0، Wan 3.0 برابری کی حد کے اندر۔ ہجے تقریباً حل ہو چکے تھے: 15 میں سے 14 کلپس نے تینوں لائنیں درست لکھیں۔ شہد نہیں۔ تقریباً کچھ بھی ویسا نہیں تہہ ہوا اور لپٹا جیسا مانگا تھا، اور Veo 3.1 کسی ٹیک میں کیمرہ قریب لے کر نہیں گیا۔

ٹیک 1ٹیک 2ٹیک 3

پانچوں بغیر آواز کے چلائیں

پروڈکٹ کے اسکور

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

تین ٹیکس کا اوسط۔ نارنجی رنگ پہلی پوزیشن یا اس سے 0.3 کے اندر والوں کا ہے۔

کام 3: بارش والے بازار میں سائیکل سوار کا پیچھا

بارش میں ایک کورئیر کے پیچھے ایک ہی مسلسل شاٹ: ٹھیلے سے بچنے کا موڑ، ایک کتا گزرتا ہوا، گھنٹی کی ایک ٹن، پھر کیمرہ چھتریوں کے اوپر اٹھ کر پوری گلی دکھاتا ہے۔ فاتح: MiniMax H3، Wan 3.0 اور Kling 4.0 برابری کی حد کے اندر۔ کوئی بھی ہر بیٹ پر پورا نہیں اترا۔ Kling اور H3 بریف کے سب سے قریب رہے۔ Wan سب سے تیز تھا، مگر سادہ کینوس کی جگہ رنگین خیمے اور من گھڑت نشان لے آیا۔ Seedance سوار کو بار بار کاٹتا رہا، اور Veo تین میں سے دو ٹیکس میں سوار کو بالکل کھو بیٹھا۔

ٹیک 1ٹیک 2ٹیک 3

پانچوں بغیر آواز کے چلائیں

منظر کے اسکور

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

تین ٹیکس کا اوسط۔ نارنجی رنگ پہلی پوزیشن یا اس سے 0.3 کے اندر والوں کا ہے۔

ہم نے کیا اسکور کیا

تمام 45 کلپس کا اوسط۔ تفصیل ان ماڈلز کو سب سے کم الگ کرتی ہے۔ بریف پر عمل سب سے زیادہ الگ کرتا ہے، اور یہی فرق درجہ بندی کی زیادہ تر وجہ ہے۔

سب سے مہنگا ماڈل آخر میں آیا

Veo 3.1 فی کلپ Wan 3.0 سے چار گنا خرچ کرتا ہے اور ہر کام پر سب سے کم اسکور کیا، بات چیت پر MiniMax H3 کے برابر۔ تصویریں خوبصورت لگتی ہیں، اور ٹیسٹ کا سب سے قابل یقین آٹا ان میں ہے۔ مسئلہ مراحل کا ہے: وہ کبھی تین تک نہیں گنتا، شہد پر کبھی کیمرہ قریب لے کر نہیں گیا، اور بارش میں سوار کو کھو دیا۔ اگر آپ کا شاٹ ایک سادہ خیال ہے تو یہ آپ کے لیے اس ٹیسٹ کے بتائے سے بہتر ہو سکتا ہے۔ ہمارے پرامپٹس جان بوجھ کر مراحل سے بھرے تھے۔

لیبل آسان ہو گیا، مائع نہیں

ہمیں توقع تھی کہ لیبل مشکل حصہ ہوگا۔ 15 میں سے چودہ کلپس نے تینوں لائنیں درست چھاپیں، اور صرف ایک Veo ٹیک نے ایک فالتو لفظ شامل کیا۔ گرتے ہوئے تہہ ہونے اور لپٹنے والا شہد وہ چیز ہے جو تقریباً سب سے چھوٹ گئی۔ زیادہ تر کلپس میں ہمیں سیدھا کالم ملا، یا ایک سخت شکل جو بمشکل بدلی۔ ایک Seedance 2.5 ٹیک نے یہ ٹھیک کیا، جو خود بھی مسئلہ ہے: یہ تین میں سے صرف ایک ٹیک تھا۔

کچھ شہد کلپس کی موسیقی کے بارے میں

ہم نے باورچی خانے کی آوازیں مانگی تھیں اور موسیقی نہیں۔ 15 شہد کے کلپس میں سے 8 پر ماڈل نے تقریباً کوئی آواز واپس نہیں دی، -40 dB سے نیچے، اور ہمارے رینڈر کے راستے نے اس کے نیچے ایک ہلکی موسیقی کا ٹریک شامل کر دیا: MiniMax H3 کے تینوں ٹیک، Seedance 2.5 کے دو، Veo 3.1 کے دو اور Wan 3.0 کا ایک۔ کسی بھی Kling ٹیک کو اس کی ضرورت نہیں پڑی۔ یہ موسیقی ہماری ہے، ماڈل کی نہیں۔ ان کلپس نے خاموشی کی وجہ سے آواز میں پوائنٹس کھوئے، اور وہ خام جدول میں نشان زد ہیں۔ بات چیت اور منظر والے کلپس کو چھوا نہیں گیا۔

ہم نے یہ کیسے چلایا

ہم نے تین پرامپٹس اور اسکورنگ کے اصول پہلے لکھے، پائپ لائن جانچنے کے لیے ایک پائلٹ کلپ چلایا، پھر باقی رینڈر کیے۔ پائلٹ انہی 45 میں سے ایک ہے۔ کوئی چیز ناکام نہیں ہوئی، اس لیے نہ کسی کو دوبارہ چلایا گیا اور نہ ہی ہٹایا گیا۔

ہر کلپ نے 16:9، 720p اور 6 سیکنڈ مانگے، بغیر برانڈ کے سیاق اور بغیر پرامپٹ دوبارہ لکھے۔ دو استثنا: MiniMax H3 8 سیکنڈ پر چلا کیونکہ اس کے پاس 6 سیکنڈ کا آپشن نہیں تھا، اور وہ 1280x720 کے بجائے 1344x768 دیتا ہے۔ Wan 3.0 30 فریم فی سیکنڈ پر دیتا ہے، باقی 24 پر۔

ہر کام ہر ماڈل کو ایک ہی بات کہتا ہے، اس طرح لکھا گیا جیسا اس ماڈل کا بنانے والا تجویز کرتا ہے، کیونکہ منصفانہ ٹیسٹ میں ایک ماڈل دوسرے کا لہجہ نہیں پڑھتا۔ Kling کے پاس 4.0 کے لیے کوئی گائیڈ نہیں، تو ہم نے اس کی 3.0 عادات استعمال کیں۔ Veo 3.1 مکمل ماڈل ہے، اس کا تیز ورژن نہیں۔

ہم نے Veo 3.1، Wan 3.0 اور MiniMax H3 کو سیڈ 1101، 2202 اور 3303 بھیجے۔ ہمارا رینڈر راستہ Seedance 2.5 یا Kling 4.0 کو کوئی سیڈ نہیں بھیجتا، تو وہ ٹیک تین آزاد رنز ہیں۔ کسی ماڈل نے وہ سیڈ تصدیق نہیں کیا جو اس نے استعمال کیا۔

اسکورنگ اندھی تھی اور دو الگ الگ AI جج نے کی، لوگوں نے نہیں۔ ہر کلپ کو شروع سے آخر تک 12 فریموں، اس کی آواز کے اسپیکٹروگرام، اس کی بلندی اور ایک ٹرانسکرپٹ میں تبدیل کیا گیا، ایک بے ترتیب کوڈ کے تحت۔ کوئی جج اس وقت تک نہیں دیکھ سکتا تھا کہ کون سا ماڈل کلپ بنا رہا ہے جب تک اس کے اسکور نہ آ جائیں۔ دونوں ججوں کے نتائج قریب سے ملتے تھے، کلپس کے درمیان 0.91 کی ہم آہنگی (correlation) اور ہر معیار پر اوسطاً 0.36 پوائنٹس کا فرق۔ اس صفحے کے اسکور ان کا اوسط ہیں، اور ہر جج کا عدد CSV میں ہے۔

کچھ جانچیں فیصلے کی ضرورت نہیں رکھتیں۔ ایک مقامی ٹرانسکرپٹ نے تمام 15 بات چیت والے کلپس پر درست لائن کی تصدیق کی۔ سین ڈیٹیکشن کو کسی کلپ میں کوئی کٹ نہیں ملا، اگرچہ ایک Veo 3.1 ٹیک چھلانگ کی طرح چلتا ہے اور ہم نے اسے نشان زد کیا۔ دونوں ججوں نے لیبل لائنیں الگ الگ گنیں اور تمام 15 پر متفق رہے۔

پرامپٹس، لفظ بہ لفظ

ان میں سے کوئی بھی کاپی کریں۔ ہر لنک Hermoso میں وہی پرامپٹ اس ماڈل پر کھولتا ہے۔

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.

یہ ٹیسٹ کیا نہیں بتا سکتا

تین پرامپٹس سب کچھ نہیں ڈھانپتے، اور ہر کام پر تین ٹیک ایک چھوٹا نمونہ ہیں، اس لیے 0.3 یا اس سے کم فرق کو کوئی فرق نہ سمجھیں۔ دونوں جج AI ماڈل تھے جو فریم اور پیمائشیں پڑھ رہے تھے۔ کسی نے ان کلپس کو کان لگا کر نہیں سنا: آواز کو ٹرانسکرپٹ، اسپیکٹروگرام اور بلندی سے جانچا گیا، اس لیے آواز کا معیار ہمارے اسکورنگ کا سب سے کمزور حصہ ہے، اور 12 فریموں کے درمیان کوئی خرابی چھوٹ سکتی ہے۔ ہمارا لپ سنک پیمانہ کھردرا تھا اور ہم نے اس پر انحصار نہیں کیا۔ اس نے Seedance 2.5 اور Kling 4.0 کو سب سے قریب دکھایا، اور Wan 3.0 کو آدھے سیکنڈ تک دور، تو اگر آپ کے لیے لپ سنک اہم ہے تو کلپس خود دیکھیں۔ اندھے پن میں ایک معلوم سوراخ تھا: MiniMax H3 کی 8 سیکنڈ کی لمبائی نے اس کے کلپس کو پہچانے جانے کے قابل بنا دیا، اور وہ اضافی دو سیکنڈ سست انکشاف میں اس کی مدد کر سکتے ہیں۔ جدول میں نہ ہونے والی ہر چیز، بشمول Seedance 2.0 اور HeyGen Video، کا ٹیسٹ نہیں ہوا۔ ماڈلز اور قیمتیں تیزی سے بدلتی ہیں، اور یہ نتائج ایک ہی دن کے ہیں۔