Gemini Omni 1.2 kontra Seedance, Kling, Veo i Wan. Sześć modeli, te same dwie sceny

👁 115 przeczytań

Sześć modeli, dwie sceny, to samo polecenie co do przecinka. W pierwszej kamera ma zrobić pełny obrót wokół sprzedawczyni jabłek na krakowskim Kleparzu. W drugiej dwóch działkowców kłóci się przy grillu po polsku o to, z którego dyskontu ma być kiełbasa. Każdy klip 6 sekund, 720p, z dźwiękiem, zamówiony 5 listopada wieczorem, w dniu premiery Gemini Omni 1.2 Flash.

Do porównania wziąłem Omni 1.2, jego poprzednika Omni 1.1, Veo 3.1 Lite od Google, Seedance 2.0 Fast od ByteDance, Wan 3.0 od Alibaby i Kling 3.0 Standard. Wszystkie przez to samo API w OpenRouterze, więc rachunek i czas są porównywalne. Kling 4.0 i Seedance 2.5 tam nie stoją albo kosztują kilka razy więcej, o tym na końcu.

Wyniki w jednej tabeli

Dialogi sprawdzałem nie na ucho, tylko przepuszczając każdy plik przez rozpoznawanie mowy Whisper large-v3 i porównując z poleceniem.

Scena 1: obrót wokół straganu

Polecenie: płynny pełny obrót kamery wokół starszej pani sprzedającej jabłka, stała skala postaci, bez cięć. To trudne zadanie, bo model musi wymyślić, jak pani wygląda z tyłu i co jest za nią, a potem wrócić do tej samej twarzy.

Omni 1.2 zrobił dokładnie to, o co prosiłem. Kamera idzie od przodu, przez bok, za plecy, gdzie pani poprawia chustę, i wraca do uśmiechu. Twarz i chusta w kwiaty są te same na początku i na końcu. Omni 1.1 też próbuje obrotu i nawet zagląda za plecy, ale ruch jest szarpany.

Reszta stawki obrotu nie zrobiła. Veo 3.1 Lite i Wan 3.0 postawiły kamerę na statywie i kazały pani pomachać rękami. Seedance zrobił delikatny najazd. Kling pociął scenę na kilka ujęć z różnymi tłami, co przy prośbie „bez cięć” jest po prostu błędem.

Scena 2: kłótnia przy grillu

Polecenie: dwóch pięćdziesięciolatków przy grillu na działce. Pierwszy, w kaszkiecie: „Mówiłem ci, że kiełbasa ma być z Biedronki, nie z Lidla!”. Drugi, w okularach: „Zjesz i nie będziesz marudził.”

Omni 1.2 dał jedno spokojne ujęcie, obaj panowie są przez cały czas ci sami, ruch warg zgadza się z głosem. Zgubił jednak końcówkę pierwszego zdania: zamiast „z Biedronki, nie z Lidla” jest samo „z Biedronki”. Sześć sekund na dwie kwestie to ciasno i model wolał uciąć tekst niż przyspieszyć. W wersji tej samej sceny zrobionej z kadru jako obrazu referencyjnego wypowiedział już całość.

Omni 1.1 powiedział wszystko, ale pociął scenę na trzy ujęcia, a w środkowym siedzi przy stole zupełnie inny pan w zielonej koszulce. Veo 3.1 Lite i Wan 3.0 wypadły tu najlepiej: pełny tekst, poprawne „Biedronki” i „Lidla”, jedno ujęcie. Seedance 2.0 Fast podmienił drugiego bohatera na faceta z piwem, a w mowie wyszło „kielbana”, „biedynki” i „z lita”. Kling zrobił coś najdziwniejszego: przetłumaczył tekst na własny polski. „Powiedziałem ci, że kiełbasa powinna być z Biedronki”, a druga kwestia zamieniła się w niezrozumiałe „Gdzieś to i nie skargił się”.

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Kto wygrywa

Nie ma jednego zwycięzcy i dobrze to widać na tych dwóch scenach.

• Ruch kamery i spójność w jednym ujęciu: Omni 1.2. Jako jedyny zrobił prawdziwy obrót bez cięć, a postacie nie zmieniały twarzy w żadnej z moich scen.
• Najtańszy poprawny dialog: Veo 3.1 Lite. 0,05 USD za sekundę i bezbłędny polski tekst, tylko kamera statyczna i długość tylko 4, 6 albo 8 sekund.
• Szybkość: Omni 1.1 i 1.2, poniżej minuty. Wan i Kling kazały czekać prawie trzy minuty.
• Do omijania przy polskiej mowie: Kling 3.0 Standard i Seedance 2.0 Fast w tej konfiguracji.

Uczciwie trzeba dodać, czego tu nie ma. Seedance 2.5, dziś najmocniejszy model ByteDance, kosztuje w OpenRouterze około 0,23 USD za sekundę 720p, ponad trzy razy więcej niż Omni 1.2, i do tego testu go nie brałem. Kling 4.0 jest dostępny przez API tylko u jednego dostawcy, bez publicznej stawki. Pełne zestawienie cen za sekundę jest w tekście ile kosztuje Gemini Omni 1.2, a starsze porównanie w pięciu scenach w arenie wideo AI.

Wszystkie testy premierowe zebrałem w hubie Gemini Omni Flash.