Công cụ tạo video AI tốt nhất: 45 clip, chấm điểm mù

• Thử nghiệm ngày 1 tháng 11 năm 2026
• 5 mô hình
• 3 tác vụ, mỗi tác vụ 3 lần thử
• 45 clip, 0 lỗi
• Có đầy đủ dữ liệu thô

Phát cả năm, tắt tiếng

Cùng một prompt cho cả năm. Đây là lần thử 1 trong số 3 lần của mỗi mô hình, nên chúng tôi không chọn những clip đẹp nhất. Nhấn phát ở bất kỳ clip nào.

Tóm lại: nếu bạn muốn một mô hình cho mọi việc, hãy dùng Kling 4.0, vì lần thử kém nhất của nó (3.6) cao hơn lần thử kém nhất của mọi mô hình khác. Nếu giá quan trọng hơn, hãy dùng Wan 3.0, mô hình ngang Kling về tổng thể với $0.60 mỗi clip. Seedance 2.5 đứng ngay sau hai mô hình trên và ngang họ ở các clip nói chuyện. MiniMax H3 dẫn đầu ở các cảnh có máy quay di chuyển. Công khai: Hermoso bán quyền truy cập cả năm mô hình, và Seedance 2.5 là mô hình mặc định của chúng tôi. Nó không thắng trọn vẹn tác vụ nào.

Nên dùng mô hình nào cho ai

Một mô hình cho mọi việc

Kling 4.0

Kết quả ổn định nhất của bài thử. Lần thử thấp nhất của nó đạt 3.6, và không tác vụ nào là điểm yếu. Nó đồng hạng nhất với Wan 3.0 về tổng thể.

Giá trị tốt nhất

Wan 3.0

Ngang Kling về tổng thể với $0.60 cho 6 giây, chi tiết sắc nét nhất bài thử và âm thanh tự nhiên nhất. MiniMax H3 rẻ hơn tính theo giây, nhưng điểm thấp hơn ở các clip không thuộc nhóm Cảnh.

Người nói chuyện trước máy quay

Hòa: Wan 3.0, Seedance 2.5, Kling 4.0

Cả ba đều nói đúng câu thoại từng chữ. Wan tạo ra đám bột bay lớn nhất và đôi tay dính bột như chúng tôi yêu cầu, kèm nụ cười như trong quảng cáo ảnh stock. Seedance trông điện ảnh nhất nhưng đếm sai trong một lần thử trên ba.

Sản phẩm có chữ nhỏ

Kling 4.0, Wan 3.0 sát nút

Mọi lần thử của Kling đều giữ đúng cả ba dòng nhãn, có bàn tay thật và cú đẩy máy thật. Nó cũng bám sát yêu cầu nhất. Seedance làm ra mật ong đẹp nhất bài thử, nhưng chỉ trong một lần thử trên ba.

Máy quay di chuyển trong cảnh đông đúc

MiniMax H3, rồi đến Wan và Kling

Những cú hé lộ cao nhất, với người đi xe vẫn trong khung hình ở cuối. Clip này cũng dài 8 giây trong khi các mô hình khác là 6 giây, điều giúp ích cho một cú di chuyển chậm. Wan 3.0 và Kling 4.0 nằm trong ngưỡng hòa của chúng tôi.

Khi bạn cần nhanh

Veo 3.1

Hoàn tất trong khoảng 66 giây theo trung vị, so với 156 đến 238 giây của các mô hình còn lại. Ảnh tĩnh của nó rất đẹp, nhưng nó bỏ qua các bước trong yêu cầu thường xuyên hơn bất kỳ mô hình nào khác, lại với mức giá cao nhất.

Điểm số

Mỗi clip được chấm từ 1 đến 5 theo sáu tiêu chí bởi hai giám khảo mù độc lập. Điểm của một tác vụ là trung bình ba lần thử, nên lần thử tệ vẫn được tính. Chúng tôi viết quy tắc trước khi render: chênh lệch dưới 0.3 là hòa, và màu cam đánh dấu điểm cao nhất cùng những mô hình hòa với nó.

Mô hình	Nói chuyện	Sản phẩm	Cảnh	Tổng thể	Lần thử kém nhất
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

Tổng thể là trung bình đơn giản của 45 điểm. Nếu bỏ hoàn toàn âm thanh ra, Kling sẽ vượt Wan một chút, còn các mô hình khác giữ nguyên thứ hạng: 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 nằm trong ngưỡng hòa về tổng thể, và lần thử kém nhất của nó là lý do chúng tôi xếp nó sau hai mô hình dẫn đầu.

Tác vụ 1: một người nói chuyện và đếm trên ngón tay

Người thợ làm bánh nói đúng một câu, giơ một, hai rồi ba ngón tay, và vỗ ổ bánh để bột bay lên. Tác vụ này kiểm tra đồng bộ môi, lời nói, giải phẫu bàn tay và vật lý nhỏ trong một cảnh quay khóa cố định. Người thắng: hòa ba chiều giữa Wan 3.0, Seedance 2.5 và Kling 4.0. Cả 15 clip đều nói đúng câu thoại từng chữ. Phần ngón tay phân loại các mô hình: Veo 3.1 không lần nào đạt đủ ba, và MiniMax H3 mở được cả bàn tay trong hai trên ba lần thử.

Lần thử 1Lần thử 2Lần thử 3

Phát cả năm, tắt tiếng

Điểm nói chuyện

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

Trung bình ba lần thử. Màu cam là vị trí đầu hoặc trong vòng 0.3 điểm so với vị trí đầu.

Tác vụ 2: hũ mật ong có nhãn in

Cú đẩy máy chậm vào một hũ có nhãn trong khi mật ong nhỏ từ muôi xuống. Tác vụ kiểm tra chữ nhỏ, việc chữ có đứng yên không, và chất lỏng đặc. Nhãn là sản phẩm tự tạo của chúng tôi. Người thắng: Kling 4.0, với Wan 3.0 nằm trong ngưỡng hòa. Việc viết đúng chữ gần như đã được giải quyết: 14 trên 15 clip đúng cả ba dòng. Còn mật ong thì không. Hầu như không có clip nào để mật ong gấp và cuộn như yêu cầu, và Veo 3.1 không lần nào đẩy máy vào.

Lần thử 1Lần thử 2Lần thử 3

Phát cả năm, tắt tiếng

Điểm sản phẩm

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

Trung bình ba lần thử. Màu cam là vị trí đầu hoặc trong vòng 0.3 điểm so với vị trí đầu.

Tác vụ 3: theo dõi người đi xe đạp qua khu chợ mưa

Một cảnh quay liền mạch phía sau người giao hàng trong mưa: một cú né quanh xe đẩy, một con chó băng qua, một tiếng chuông, rồi máy quay vươn lên trên những chiếc ô để lộ cả con phố. Người thắng: MiniMax H3, với Wan 3.0 và Kling 4.0 nằm trong ngưỡng hòa. Không ai đạt đủ mọi nhịp. Kling và H3 bám sát yêu cầu nhất. Wan sắc nét nhất nhưng thay tấm bạt trơn bằng lều màu và biển hiệu bịa đặt. Seedance liên tục cắt mất người đi xe, và Veo làm mất hẳn người đi xe trong hai trên ba lần thử.

Lần thử 1Lần thử 2Lần thử 3

Phát cả năm, tắt tiếng

Điểm cảnh

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

Trung bình ba lần thử. Màu cam là vị trí đầu hoặc trong vòng 0.3 điểm so với vị trí đầu.

Theo tiêu chí chấm

Trung bình trên cả 45 clip. Chi tiết là thứ ít phân biệt các mô hình nhất. Bám sát yêu cầu là thứ phân biệt chúng nhiều nhất, và khoảng cách đó là phần lớn lý do bảng xếp hạng trông như vậy.

Mô hình đắt nhất được xếp cuối cùng

Veo 3.1 tốn gấp bốn lần mỗi clip so với Wan 3.0 và điểm thấp nhất ở mọi tác vụ, ngang MiniMax H3 ở phần nói chuyện. Các ảnh tĩnh rất đẹp, với bột trông thật nhất bài thử. Vấn đề nằm ở các bước: nó không bao giờ đếm đến ba, không bao giờ đẩy máy vào mật ong, và làm mất người đi xe trong mưa. Nếu cảnh quay của bạn là một ý tưởng đơn giản, nó có thể phục vụ bạn tốt hơn so với bài thử này. Các prompt của chúng tôi cố ý đầy các bước.

Chữ đã dễ, chất lỏng thì không

Chúng tôi nghĩ nhãn sẽ là phần khó. Mười bốn trên 15 clip in đúng cả ba dòng, và chỉ một lần thử Veo thêm một từ lạc. Mật ong gấp và cuộn khi rơi xuống là thứ gần như ai cũng bỏ lỡ. Hầu hết clip cho chúng tôi một cột thẳng, hoặc một hình dạng cứng gần như không đổi. Một lần thử Seedance 2.5 làm đúng, và đó cũng chính là vấn đề: đó chỉ là một lần thử trên ba.

Về nhạc trong một số clip mật ong

Chúng tôi yêu cầu âm thanh nhà bếp và không có nhạc. Trên 8 trong 15 clip mật ong, mô hình trả về gần như không có âm thanh, dưới -40 dB, và đường render của chúng tôi thêm một bản nhạc nền nhỏ bên dưới: cả ba lần thử MiniMax H3, hai lần Seedance 2.5, hai lần Veo 3.1 và một lần Wan 3.0. Không lần thử Kling nào cần nó. Nhạc đó là của chúng tôi, không phải của mô hình. Những clip này bị trừ điểm âm thanh vì khoảng im lặng, và chúng được đánh dấu trong bảng dữ liệu thô. Các clip nói chuyện và cảnh không bị ảnh hưởng.

Cách chúng tôi thực hiện

Chúng tôi viết ba prompt và quy tắc chấm điểm trước, chạy một clip thử để kiểm tra đường xử lý, rồi render phần còn lại. Clip thử là một trong 45 clip. Không có gì lỗi, nên không có gì phải thử lại hay bị loại bỏ.

Mọi clip đều yêu cầu 16:9 ở 720p và 6 giây, không có ngữ cảnh thương hiệu và không viết lại prompt. Hai ngoại lệ: MiniMax H3 chạy 8 giây vì nó không có tùy chọn 6 giây, và nó xuất 1344x768 thay vì 1280x720. Wan 3.0 xuất ở 30 khung hình mỗi giây, các mô hình còn lại ở 24.

Mỗi tác vụ nói cùng một điều với mọi mô hình, được viết theo cách nhà sản xuất của mô hình đó khuyến nghị, vì một bài thử công bằng không bắt mô hình này đọc theo phương ngữ của mô hình khác. Kling không có hướng dẫn cho 4.0, nên chúng tôi dùng thói quen của 3.0. Veo 3.1 là mô hình đầy đủ, không phải phiên bản nhanh.

Chúng tôi gửi seed 1101, 2202 và 3303 cho Veo 3.1, Wan 3.0 và MiniMax H3. Đường render của chúng tôi không truyền seed cho Seedance 2.5 hay Kling 4.0, nên các lần thử đó là ba lần chạy độc lập. Không mô hình nào xác nhận seed mà nó đã dùng.

Việc chấm điểm được thực hiện mù bởi hai giám khảo AI độc lập, không phải người. Mỗi clip được rút gọn còn 12 khung hình từ đầu đến cuối, kèm phổ tần của âm thanh, độ lớn và bản chép lời, dưới một mã ngẫu nhiên. Không giám khảo nào thấy mô hình nào đã tạo clip cho đến khi điểm của họ được ghi lại. Hai giám khảo đồng thuận khá sát, với hệ số tương quan 0.91 giữa các clip và chênh lệch trung bình 0.36 điểm mỗi tiêu chí. Điểm trên trang này là trung bình của họ, và số của từng giám khảo nằm trong CSV.

Một số kiểm tra không cần phán đoán. Bản chép lời cục bộ xác nhận đúng câu thoại trong cả 15 clip nói chuyện. Việc phát hiện cảnh không tìm thấy cú cắt nào trong clip nào, dù một lần thử Veo 3.1 phát như một cú nhảy và chúng tôi đã đánh dấu. Cả hai giám khảo đếm các dòng nhãn riêng và khớp nhau ở cả 15 clip.

Các prompt, nguyên văn từng chữ

Sao chép bất kỳ prompt nào. Mỗi liên kết mở prompt đó trên mô hình tương ứng trong 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.

Thử nghiệm này không thể cho bạn biết điều gì

Ba prompt không bao quát mọi thứ, và ba lần thử mỗi tác vụ là một mẫu nhỏ, nên hãy coi chênh lệch 0.3 trở xuống là không có chênh lệch. Cả hai giám khảo đều là mô hình AI đọc khung hình và số đo. Không ai nghe các clip bằng tai: âm thanh được chấm qua bản chép lời, phổ tần và độ lớn, nên chất lượng giọng nói là phần yếu nhất trong cách chấm điểm của chúng tôi, và 12 khung hình có thể bỏ sót một lỗi nằm giữa chúng. Phép đo đồng bộ môi của chúng tôi khá thô và chúng tôi không dựa vào nó. Nó cho thấy Seedance 2.5 và Kling 4.0 gần nhất, còn Wan 3.0 lệch tới nửa giây, nên hãy xem các clip nếu đồng bộ môi quan trọng với bạn. Phép che mù có một lỗ hổng đã biết: độ dài 8 giây của MiniMax H3 khiến các clip của nó dễ nhận ra, và hai giây thêm đó có thể đã giúp nó ở cú hé lộ chậm. Mọi thứ không có trong bảng, gồm Seedance 2.0 và HeyGen Video, đều chưa được thử. Mô hình và giá thay đổi nhanh, và các kết quả này lấy từ một ngày duy nhất.