一個提示詞，六個影片模型，九項實測檢查

我們發送的內容

一個提示詞，在同一個早晨從同一個帳號，原封不動地發送到六個文字轉影片模型。每個模型生成的每段影片都是 16:9 比例、長 6 秒，並使用該模型的 720p 層級（Hailuo 3 使用其最小的 768p 層級）。聲音保留各模型的預設設定。每個模型執行兩次。

A quiet bakery storefront on a cobblestone street in the early morning. Above the door, a dark green wooden sign reads BAKERY in large white capital letters. A red bicycle leans against the wall to the left of the door. Exactly three terracotta potted plants stand in a row to the right of the door. A small round cafe table with an open yellow umbrella stands on the pavement at the right of the frame. A ginger cat walks steadily along the pavement in front of the shop, from the left edge of the frame to the right edge. The camera slowly pushes in toward the door for the whole shot. Soft low sunlight from the left. No people anywhere in the shot. Photorealistic.

模型：Seedance 2.5、Kling v3、Veo 3.1、Wan 3.0、Grok Imagine Video 1.5 和 Hailuo 3。場景中刻意沒有人物，以便每項檢查都能由工具測量，而非主觀判斷。

評分方式

九項檢查，結果為通過或未通過，因此單次執行滿分為 9 分，模型總分為 18 分。其中八項由工具測量。一項（花盆數量）由人工目視計數，因為偵測器有時會將一個花盆誤判為兩個，或將桌上的植物計入。

自行車、雨傘、招牌和佈局會在影片的前三分之一進行檢查。提示詞要求鏡頭推進，這會導致場景邊緣在後期被裁切，因此如果雨傘在第 4 秒時離開畫面，並不代表失敗。

分數

簡單的部分對所有模型來說都很簡單。所有十二個片段在招牌入鏡時都正確拼寫了 BAKERY，繪製了紅色自行車與黃色雨傘，在地上放置了一排三個花盆，並讓一隻橘貓從左向右走過。失誤之處包括出現無人要求的人物、場景佈局方向錯誤，以及鏡頭移動方向錯誤。

每個片段

點擊任何片段的播放按鈕。在你點擊之前不會載入任何內容。首次生成：

第二次執行，使用相同的提示詞與設定：

未通過檢查的情況

檢查項目未捕捉到的問題

評分標準只能看到它衡量的內容。這些問題是在我們檢查未通過的案例時發現的，對某些工作而言，它們比通過或未通過更重要。

• 慢有多慢。 提示詞要求緩慢推進。從片段的 10% 到 90% 進行測量，Veo 3.1 的畫面放大了 1.8 倍和 2.6 倍；其他模型則在 1.10 到 1.45 倍之間，除了 Grok 的第一次橫向執行。根據我們的判斷，Veo 的移動並不慢，而且在第二次執行中，標誌從畫面上方移出。
• 無人要求的文字。 十二個片段中有三個加入了並非真實單字的文字：Seedance 2.5 第一次執行中的窗戶文字，文字辨識器在每一幀讀取結果都不同，以及 Veo 3.1 和 Wan 3.0 第二次執行中的菜單板。如果你的畫面必須沒有文字，請在提示詞中說明並進行檢查。
• 打開就是打開。 Grok 的第一次執行顯示一把黃色雨傘，在整個片段中保持關閉。我們的偵測器能找出雨傘是打開或關閉，因此這通過了顏色檢查。我們僅憑肉眼才發現這個問題。
• 貓的去處。 在 Veo 3.1 的第二次執行中，貓轉向鏡頭並填滿畫面。它最終仍然位於右側，因此通過了測試。

你獲得的成果

使用 ffprobe 和 ffmpeg 對交付的檔案進行測量。每個模型的兩次執行在大小、幀率和長度上均一致。

有兩點值得注意。Hailuo 3 在其 768p 層級上回傳的影片片段比要求的更長，且位元率僅約為其他大多數模型的四分之一。Grok 和 Kling 回傳的音軌非常安靜，幾乎無聲；由於提示詞並未要求聲音，因此這是需要知道的事實，而非缺陷。

各模型耗時

費用

上述費率是直接從價格表即時讀取的，按等級逐項列出，以 5 秒影片為基準。我們的影片在 720p 等級執行 6 秒（Hailuo 3 為 768p），因此每段影片的費用比表中列出的價格高出五分之一。在確認渲染之前，系統一定會顯示價格。

此測試未涵蓋的內容

• 測試僅使用一個提示詞和一種場景類型：靜止街道、一隻動物、緩慢的鏡頭移動。涉及手部動作、快速動作、對話、多人場景或長影片時，各模型的排名可能會不同。
• 測試影片中沒有人物，因此無法反映任何模型繪製人物的效果。
• 每個模型僅執行兩次，樣本量較小。即使兩次都通過的模型，第三次仍可能失敗。
• 測試時每個模型均使用 720p 等級。較高等級可能會改變細節，在某些模型上甚至會改變整體結果。
• 偵測器、色彩測試和文字辨識器可能會出錯。我們親自檢視了所有未通過的項目，並在下方公布原始數據。
• 測試不評估美感。光線、質感、貓咪行走的自然程度以及聲音的契合度，需由你自行判斷。

關於動作，我們執行了另一項測試：在同一個畫面中，讓四種模型生成一個站立後空翻，詳情請見 讓 AI 人物動作更真實。若要確保汽車保持其形狀，請參閱 AI 汽車廣告 中的行駛測試。

方法與原始數據

物體與人物：使用在 COCO 上訓練的 Mask R-CNN，信心分數為 0.6（人物為 0.7），針對分散在影片中的 24 個畫面進行分析。文字：使用 macOS Vision 文字辨識器，關閉語言校正，針對 12 個畫面進行分析。攝影機：比對影片 10% 至 90% 區間內 9 個畫面之間的 SIFT 特徵，並使用 RANSAC 相似性擬合，將縮放比例相乘。色彩：對於自行車，取其遮罩內飽和度最高的 20% 像素；對於雨傘，取其遮罩內頂部 40% 區域的中位色調。

在測試過程中，有兩項顏色測試結果發生了變化，我們特此說明，因為這些變化影響了最終結果。第一次自行車測試計算了遮罩中所有飽和像素，但車架管之間露出的暖色牆面干擾了油漆顏色的判定。第一次雨傘測試中，Seedance 2.5 生成的芥末黃雨傘因後方磚牆的干擾而失敗。我們修正了程式碼以精確測量物體，並使用最終版本重新評分所有片段。目視檢查與偵測器結果在 12 個片段中有 10 個相符；但在兩個 Veo 3.1 片段中，偵測器也計入了桌上的植物或將兩個花盆合併計算。