Нейросеть для видео: прогнали одинаковый промпт через Seedance 2.5, Veo 3.1 и Kling 3.0

Три модели живут в одном боте, а значит, их можно сравнить честно: один и тот же промпт, одни и те же настройки, два разных по жанру сюжета. Сравниваем по четырём вещам - что реально попало в кадр, как отработала речь, выполнено ли заданное движение камеры и совпали ли длительность с разрешением. Все три модели доступны в Cyber AI.

Короткий ответ до подробностей.

Условия одинаковые у всех трёх: режим «только текст», без референсов, 720p, пропорции 16:9, длительность 8 секунд, звук включён. У Veo выбран тир Quality, у Seedance подмодель 2.5 с выключенным онлайн-поиском, у Kling версия 3.0 с выключенным Multi-Shot и включённой озвучкой.

Промпты под удобный результат не сочиняли: взяли два готовых и перевели на русский. Первый пришлось сократить - убрана отсылка к референсным картинкам, потому что гоняем режим «только текст». Второй пошёл дословно, четыре отрезка по две секунды.

Вот оба промпта целиком, чтобы тест можно было повторить.

Сцена A, диалог в кабинете:

Сцена B, четыре тайминга в джунглях:

Общие правила, как формулировать запрос к модели, разбирали в отдельном гайде: как писать промпты.

Одно различие во входе есть, и оно вынужденное. Реплика героя записана так, как её принимает каждая модель: у Veo кириллицей, у Seedance и Kling транслитом. Это не вкусовщина, а требование самих моделей: вот так они и принимают речь.

Критерии записали до генераций:

- состав сцены - попали ли в кадр все названные персонажи, предметы и обстановка;

- речь - прозвучала ли заданная реплика и совпала ли она с текстом промпта;

- камера - выполнено ли движение, которое просили в промпте;

- техника - совпали ли фактическая длительность и разрешение файла с заказанными.

Сюжета два, и они намеренно разные. Первый - разговор двух людей в кабинете, статичный кадр, вся нагрузка на лица и на реплику. Второй - четыре плана в джунглях за восемь секунд, вся нагрузка на смену кадров и движение камеры.

Речь проверяли не на слух, а воспроизводимо: звуковую дорожку каждого ролика прогнали через распознавание речи с указанием русского языка и сравнили результат с фразой из промпта. Заказанная реплика была одна на все три: «Из всех кабинетов в этом городе ты зашла именно в мой».

Дата проверки условий - 15 сентября 2026 года. Настройки в боте меняются, и через месяц часть цифр может выглядеть иначе.

Что это. Модель ByteDance, в боте лежит в разделе Seedance как подмодель 2.5. Рядом в том же разделе живут Mini, Fast и Pro прошлого поколения.

Настройки в тесте. 2.5, только текст, 720p, 16:9, 8 секунд, генерация аудио включена, онлайн-поиск выключен.

Сцена с диалогом. Взяла кадр через плечо: детектив в фокусе, женщина только тёмным силуэтом на переднем плане. Крупность плотнее, чем просили в промпте, свет заметно темнее остальных двух.

Речь. Распознавание вернуло «Из всех кабинатов в этом городе ты зашла именно в мой» - фраза та самая, разошлась одна буква в одном слове. То есть транслит модель отрабатывает, но произношение слегка плывёт.

Сцена по таймингам. Самое буквальное исполнение из трёх. Отработала все четыре отрезка, включая обратный план с веснушчатым лицом и руку, скользящую по резьбе - оба этих кадра остальные передали приблизительнее. Финал сняла облётом сверху. Волосы героини сделала рыжими, хотя в промпте каштановые.

Сильная сторона. Длина и объём входных данных. Тридцать секунд одной генерацией не даёт больше никто из трёх, а в режиме «Референсы» модель принимает до тридцати изображений, десяти видео и десяти звуковых дорожек. Промпт держит двадцать тысяч символов - покадровый сценарий влезает целиком.

Где упирается. Версия 2.5 не выдаёт 1080p и 4K - только 480p и 720p. Высокое разрешение есть у соседней подмодели Pro 2.0, но у неё потолок длительности пятнадцать секунд. Выбирать приходится между длиной и чёткостью, обойти эту развилку нечем. Ещё одно: режимы «Референсы» и «Первый и последний кадр» не работают одновременно, а звуковой референс не принимается без картинки или видео.

Что это. Модель Google, в боте раздел Veo с тремя тирами - Lite, Fast и Quality.

Настройки в тесте. Тир Quality, текст в видео, 720p, 16:9, 8 секунд.

Сцена с диалогом. Единственная из трёх показала обоих персонажей в кадре. Средний план такой, как описан: детектив за столом, женщина рядом, вокруг печатная машинка, картотека, жалюзи и настольная лампа. Камера стоит неподвижно, как и положено среднему плану.

Речь. Распознавание вернуло заказанную фразу слово в слово. Из трёх моделей это единственный такой результат, и он же объясняет, зачем Veo реплику пишут кириллицей.

Сцена по таймингам. Прошла все четыре отрезка, финальный подъём крана вышел самым выраженным из трёх. Есть нюанс с кадром: картинка приходит с чёрными полями, широкоэкранные 2,39:1 вписаны внутрь файла 720p. Для кино это плюс, а вот для вертикальной нарезки минус: полезной высоты меньше.

Сильная сторона. Аккуратность кадра и звук. Google в описании модели отдельно говорит, что шумы, атмосферу и диалог модель генерирует нативно, а не подмешивает отдельным слоем. Вывод заявлен до 1080p и 4K, и в боте оба разрешения на месте.

Где упирается. Список длительностей форма не задаёт вовсе: поле принимает любое значение, а что реально отдаст модель - вопрос к вендору. Мы снимали восемь секунд и получили восемь. Пропорции: только 16:9 и 9:16. Ни квадрата, ни 4:3, ни сверхширокого кадра. Промпт - пять тысяч символов, покадровый сценарий на длинную сцену придётся резать. Продление ролика вынесено в отдельный раздел, в основной форме его нет.

Что это. Модель Kuaishou. В боте раздел Kling устроен иначе: внутри одного раздела лежат шесть версий - от 1.6 до 3.0. Всё, что ниже 3.0, свои возможности имеет, но Multi-Shot и элементы есть только у тройки.

Настройки в тесте. Версия 3.0, 720p, 16:9, 8 секунд, озвучка включена, Multi-Shot выключен, чтобы сравнивать одиночный кадр.

Сцена с диалогом. Кадр через плечо, женщина размытой фигурой справа. Средний план выдержан, внутри восьми секунд камера делает медленный наезд.

Речь. Русская речь в ролике есть и она разборчива, но текст не тот. Распознавание вернуло «От всех офисов в этом городе ты пришел к моему»: смысл сохранён, слова другие, и обращение сменило род. Модель не произнесла заданную строку, а выдала свой пересказ.

Сцена по таймингам. Все четыре отрезка на месте, смена планов читается. Финальный широкий кадр снят с земли, а не краном сверху, как просили. Костюм героини разошёлся с описанием.

Сильная сторона. Сценарий из нескольких планов и повторяющиеся сущности. Multi-Shot даёт от двух до шести планов в одном ролике, минимум секунда на план, и у каждого плана свой промпт до пяти тысяч символов: раскадровку задают прямо в форме. Раздел «Элементы» хранит сущности семи типов: персонажи, животные, предметы, костюмы, сцены, эффекты и прочее. У каждого типа свои слоты под ракурсы - например, у персонажа фронтально в полтела, профиль сбоку, крупный план лица и вид сзади. Это же и есть механизм, которым одного героя удерживают между разными роликами.

Где упирается. Длительность - от трёх до пятнадцати секунд, дальше никак. И важное для русскоязычной озвучки: в официальном анонсе Kling 3.0 от 5 февраля 2026 года встроенный звук заявлен для английского, китайского, японского, корейского и испанского. Русского в этом списке нет, и именно поэтому реплику в промпте приходится писать транслитом.

В обеих сценах ни одна модель не провалила задание: все три отработали четыре тайминга и все три собрали кабинет с нужным реквизитом. Разница ведь не в том, кто «лучше рисует», а в том, что каждая понимает под одной и той же фразой.

«Средний план, детектив и женщина» у Veo превратился в кадр с двумя людьми, а у Seedance и Kling - в кадр через плечо, где второй человек работает силуэтом. Это устойчивое различие в трактовке, а не случайность одной генерации, и именно оно решает, когда вам нужны оба лица в кадре.

Со звуком картина жёстче. Veo произнесла заданную строку дословно, Seedance - с одной сбитой буквой, Kling пересказала её своими словами. Это ложится ровно на официальный список языков озвучки Kling, где русского нет: модель тянет русский, но не держится текста. Если реплика в кадре должна прозвучать буквально - например, это слоган или имя, - на Kling закладываться не стоит.

Выбор по длине и разрешению не про качество. Тридцать секунд одной генерацией есть только у Seedance 2.5, но ценой 720p. 4K дают Veo и Kling, но у Kling свой потолок - пятнадцать секунд. Это развилка, которую нельзя обойти уговорами промпта.

Раскадровку из нескольких планов Kling принимает прямо в форме, а Seedance и Veo - только текстом внутри одного промпта. В нашем тесте текстовая разметка по таймингам сработала у всех трёх, так что для восьми секунд Multi-Shot не обязателен. Он начинает окупаться, когда планов больше трёх и каждому нужен свой подробный промпт.

Сюжетов было два, по одной генерации на модель в каждом. Это ведь не статистика, а срез: он показывает, как модель трактует конкретную формулировку, а не как она ведёт себя в среднем.

Не проверяли режимы с референсами, не проверяли 1080p и 4K, не проверяли длинные ролики на тридцать секунд. Всё снято в 720p на восьми секундах: это единственная точка, где три модели сравнимы без натяжек.

Речь мерили распознаванием, а не ухом живого человека. Распознавание показывает, что модель произнесла, но не показывает, насколько естественно это звучит и попадает ли в губы.

Эстетику не оценивали намеренно. «Красивее» - не критерий, который можно воспроизвести, поэтому смотрели только на проверяемое: что попало в кадр, как двигалась камера, что с длительностью и разрешением.

Если нужен звук отдельно от картинки, это другие модели бота: например, про то, как пользоваться Suno, есть отдельный разбор.

Генерировать можно и прямо в чате с ChatGPT: плагин Cyber AI ставится по прямой ссылке или поиском «Cyhub» в разделе «Плагины» настроек ChatGPT. В Claude работает тот же плагин, а для своего кода те же модели есть по API.

Все три модели и ещё два десятка нейросетей собраны в одном месте: Cyber AI | MAX.