Ranking generatorów wideo AI: 6 modeli, te same polecenia

👁 119 przeczytań

Ranking generatorów wideo AI zrobiłem na dwóch identycznych poleceniach, które dałem sześciu modelom: Veo 3.1 Fast, Klingowi 3.0, Seedance 2.0 Fast, Hailuo 2.3, Grok Imagine Video i Wan 3.0. Pierwsze polecenie to kawa nalewana do filiżanki, drugie to żółto-czerwony warszawski tramwaj w deszczu o zmierzchu. Wszystkie klipy wygenerowałem przez API OpenRoutera 26 i 27 września 2026, każdy w jednym podejściu, bez losowania od nowa. Poniżej 12 filmów, czasy, rachunek co do centa i moje oceny.

01Generatory wideo AI: który wybrać, ile kosztują i co działa po polskuHub o wideo z AI: Kling, Veo, Wan, Seedance, Hailuo, Runway i Higgsfield w jednej tabeli z cenami w złotych, testy modeli, poradniki i kulisy platform.Czytaj →02Veo 3 od Google: wersje, ceny, gdzie działa i mój testVeo 3.1, Fast i Lite: ceny za sekundę w USD i zł, punkty we Flow, Veo w aplikacji Gemini i moje dwa klipy z testu na tle pięciu konkurentów.Czytaj →03Seedance od ByteDance: wersje, ceny w tokenach i mój testSeedance 1.5 Pro, 2.0, Fast, Mini i 2.5: jak liczyć tokeny wideo, ile naprawdę kosztuje klip i jak Seedance 2.0 Fast wypadł w moim teście.Czytaj →04Kling AI: jak zacząć, sprawdzić koszt i ocenić wideoKling AI od promptu do kontroli filmu. Sprawdź koszt, błędy ruchu i dlaczego porównanie z Sorą wymaga uwzględnienia zamknięcia aplikacji.Czytaj →05Hailuo AI i MiniMax H3: co potrafi, ile kosztuje i czy jest za darmoHailuo od MiniMaxa to tani generator do szybkich prób, a MiniMax H3 dokłada 2K i dźwięk stereo. Plany od 7,99 USD, koszt klipu przez API, limity za darmo.Czytaj →06Wan AI: modele wideo Alibaby - 2.2 za darmo, 3.0 w chmurzeWszystkie wersje Wan w jednym miejscu: co działa lokalnie za darmo, co tylko przez API, ceny w złotych, moje testy z filmami i gotowy skrypt.Czytaj →

Jak testowałem

Oba polecenia są po angielsku i identyczne słowo w słowo dla każdego modelu. To te same polecenia, na których wcześniej porównałem Wan 3.0 z Wan 2.2, więc klipy Wan 3.0 wziąłem z tamtego testu. Klipy pięciu pozostałych modeli wygenerowałem 27 września przez endpoint wideo OpenRoutera, w proporcjach 16:9, z dźwiękiem wszędzie tam, gdzie model go obsługuje.

• P1, kawa: „Close-up of hot coffee being poured into a white ceramic cup on a wooden kitchen table, steam rising, morning sunlight through the window, shallow depth of field, slow gentle camera push-in, realistic.”
• P2, tramwaj: „A yellow and red Warsaw tram passing along a rainy street at dusk, reflections of street lights on wet cobblestones, people with umbrellas on the sidewalk, static camera on a tripod, cinematic realistic footage.”

Długość: 4 sekundy, bo Veo nie ma 5 sekund (tylko 4, 6 albo 8), a chciałem porównywać podobne klipy i zmieścić się w budżecie 4,50 USD. Wyjątki: Hailuo 2.3 w OpenRouterze zaczyna od 6 sekund, a Wan 3.0 miał 5 sekund z wcześniejszego testu. Z każdego klipu wyciągnąłem ffmpegiem 5 klatek (5%, 28%, 50%, 72% i 95% długości) i oglądałem je w pełnej rozdzielczości. Ścieżkę dźwiękową sprawdziłem modelem faster-whisper medium na procesorze, z detektorem mowy i bez niego, oraz pomiarem głośności.

Oceniałem w skali 0-10 cztery rzeczy: zgodność z poleceniem (kamera, światło, pora dnia, kolory tramwaju), fizykę (strumień, rosnący poziom kawy, porcelana, ruch tramwaju), artefakty (zlewające się kształty, bełkot w napisach) i dźwięk. Czas generowania mierzyłem od wysłania zlecenia do pobrania pliku, z odpytywaniem co 15 sekund (w teście Wan co 20 s), więc wynik jest dokładny z tolerancją kilkunastu sekund.

Wyniki w jednej tabeli

Koszty to usage.cost z odpowiedzi OpenRoutera, w dolarach netto, przeliczone po kursie NBP 3,857 zł. Kolumna „za sekundę” dzieli koszt przez faktyczną długość klipu, dlatego Kling wypada tak drogo: za klip 4-sekundowy policzył 0,63 USD, czyli 5 sekund po 0,126 USD. Minimum 5 sekund opisałem też przy cenie Wan 3.0.

Polecenie 1: kawa nalewana do filiżanki

Tu widać fizykę: czy strumień trafia do środka, czy poziom kawy rośnie, czy porcelana zostaje nieprzezroczysta i czy kamera powoli najeżdża. Kolejność od najwyższej oceny.

Polecenie 2: warszawski tramwaj w deszczu

To polecenie sprawdza posłuszeństwo w szczegółach: żółto-czerwone barwy, zmierzch, deszcz, odbicia latarni na bruku, parasole i nieruchoma kamera na statywie.

Dźwięk: co naprawdę jest w ścieżce

Pięć z sześciu modeli oddało plik ze ścieżką audio. Grok ją ma, choć karta modelu w OpenRouterze nie deklaruje generowania dźwięku. Hailuo 2.3 dźwięku nie ma wcale.

• Mowy nie ma nigdzie. Whisper bez filtra mowy „usłyszał” w każdym klipie zdanie w stylu „Thanks for watching!”. To znana halucynacja tego modelu na ciszy i szumie, z prawdopodobieństwem braku mowy 0,52-0,84. Po włączeniu detektora mowy (VAD) wszystkie transkrypcje poza jedną wyszły puste.
• Muzyka w kawie. Tym jednym wyjątkiem był Seedance: detektor uznał 3,9 sekundy ścieżki za głos. Analiza częstotliwości pokazuje jednak ciąg dźwięków D, E, F i C, czyli melodię, a nie mowę. Wan 3.0 w tym samym poleceniu też dołożył melodię (dźwięki G, A, D). W ścieżkach Veo i Klinga takiego wzoru melodii nie ma.
• Głośność. Grok w kawie ma średnio -51 dB, czyli praktycznie ciszę. Wan w tramwaju ma średnio -11 dB i szczyty na 0 dB, więc przed montażem trzeba go ściszyć. Pozostałe ścieżki mają średnio od -16 do -39 dB.

Wnioski

• Najlepszy stosunek jakości do ceny: Grok Imagine Video. Najtańszy (1,08 zł za 4 s), najszybszy (51 s) i najwyżej oceniony. Testowałem podstawową wersję; w OpenRouterze jest też Grok Imagine Video 1.5 za 0,14 USD za sekundę w 720p, której tu nie sprawdzałem.
• Najrówniejszy: Veo 3.1 Fast. Najlepsza kawa i dobry tramwaj, 52-54 s na klip. Ograniczenie: tylko 4, 6 albo 8 sekund i tylko 16:9 lub 9:16. Szczegóły są w hubie Veo 3.
• Wan 3.0 trzyma poziom przy ponad trzykrotnie dłuższym czasie (170 s), za to jako jedyny z tej szóstki robi do 30 sekund w jednym przebiegu i mówi po polsku. Cały przegląd modelu jest w hubie Wan AI.
• Seedance 2.0 Fast rozlicza się w tokenach wideo, a nie w sekundach. W praktyce wyszło 0,092 USD za sekundę; jak to policzyć, pokazuję w hubie Seedance.
• Kling 3.0 Standard oddał 1080p, choć zamówiłem 720p. Kosztował jednak najwięcej za sekundę i najsłabiej trafiał w kolory i porę dnia.
• Hailuo 2.3 w OpenRouterze działa tylko w 1080p i od 6 sekund, bez dźwięku. Do szybkich szkiców wolałbym Groka.

Dwa ujęcia to mało, żeby wydać wyrok w sprawie całego modelu. Ten sam model z innym ziarnem losowania może zrobić lepszy albo gorszy klip, a ja dałem każdemu jedno podejście. To moja opinia: do realistycznych krótkich ujęć zacząłbym od Groka i Veo, a Wan 3.0 trzymałbym na dłuższe sceny i polski dialog. Szersze porównanie narzędzi, planów i cen jest w przewodniku po generatorach wideo AI.

Najczęstsze pytania

Który generator wideo AI jest najlepszy?

W moim teście na dwóch tych samych poleceniach wygrał Grok Imagine Video (8,25/10), przed Veo 3.1 Fast (8,0) i Wan 3.0 (7,75). Różnice w pierwszej czwórce są małe, więc warto sprawdzić model na własnym ujęciu.

Który generator wideo AI jest najtańszy?

Przez OpenRouter najtańszy był Grok Imagine Video: 0,28 USD (ok. 1,08 zł) za 4 sekundy w 720p z dźwiękiem. Najdrożej za sekundę wyszedł Kling 3.0 Standard, bo za klip 4-sekundowy policzył 5 sekund.

Który model robi wideo najszybciej?

Grok i Veo 3.1 Fast oddawały klip w 50-54 sekundy. Kling potrzebował ok. 114 sekund, Seedance 106-164 s, a Hailuo i Wan 3.0 około 3 minut.

Czy te modele generują dźwięk?

Veo 3.1 Fast, Kling 3.0, Seedance 2.0 Fast, Wan 3.0 i Grok Imagine Video oddały pliki z dźwiękiem. Hailuo 2.3 dźwięku nie ma. W żadnym klipie nie pojawiła się mowa, ale Seedance i Wan dodały do kawy muzykę.