Одна из четырёх заговорила по-английски: сравниваю нейросети для видео со звуком на одной сцене

Четыре модели умеют писать звук прямо внутри генерации видео: MiniMax H3, Seedance 2.5, Kling 3.0 и FLUX 3. Устроено это у всех по-разному, и вот тут начинаются различия. У MiniMax звук появляется сам, отдельной настройки для него просто нет. У Seedance это тумблер, у Kling - галочка «Встроенная озвучка», у FLUX - селект «Со звуком / Без звука».

Я собрал одну сцену и прогнал её во всех четырёх дважды: сначала без реплики, потом с репликой на русском. Настройки везде одинаковые - 6 секунд, 16:9, стандартное качество. Сравниваю по файлу, а не по анонсам.

Гонял всё в одном боте - Cyber AI: четыре модели в одном месте дешевле четырёх подписок.

• Нужен ролик с репликой персонажа на русском - MiniMax H3. Самый громкий и разборчивый звук из четырёх, и самый дешёвый.

• Нужен атмосферный фон без речи - Kling 3.0. У него фоновая дорожка живая сразу, без реплики.

• Нужна речь с максимально чистой русской артикуляцией - Seedance 2.5, но приготовьтесь: это самая дорогая из четырёх.

• Нужен широкий формат и длинный ролик - FLUX 3, у него длительность до 20 секунд и форматы до 21:9.

• Не берите Kling, если в кадре должна звучать русская речь. Почему - ниже, это главная находка этого теста.

Сцена одна для всех: бариста дожимает крышку на стакане, ставит его на стойку, поднимает взгляд в камеру. Расписана по таймингам: все четыре модели понимают разметку «0-2 сек», «2-4 сек». Звук назван словами прямо в промпте: шипение кофемашины, стук стакана о дерево, гомон улицы за окном. Музыку я запретил отдельной строкой.

Вот промпт первого раунда целиком, можете забирать:

0-2 сек: крупный план рук бариста, он дожимает крышку на бумажном стакане, пар поднимается над крышкой, утренний свет падает сбоку.

2-4 сек: камера отъезжает на средний план, бариста ставит стакан на деревянную стойку и поднимает взгляд в камеру.

4-6 сек: бариста коротко улыбается и кивает.

Звук: слышны шипение кофемашины, стук стакана о дерево и приглушённый гомон утренней улицы за окном. Музыки нет.

Стиль: документальная съёмка, естественный свет, без цветокоррекции.

Во втором раунде я поменял ровно одну строку - четвёртую. Вместо «улыбается и кивает» стало «улыбается и произносит: «Ваш капучино готов»». Больше в промпте не изменилось ничего.

Тут есть тонкость. Разные модели по-разному ждут русскую речь: одни читают кириллицу, другие транслит. Поэтому MiniMax и FLUX получили фразу кириллицей, а Seedance и Kling - транслитом: «Vash kapuchino gotov». Сцена и звуковая картина при этом остались слово в слово теми же.

Критерии я записал до того, как запустил первую генерацию:

• есть ли звуковая дорожка в файле вообще;

• насколько она громкая - средний и максимальный уровень я снимал ffmpeg, а не ушами;

• слышен ли именно тот фон, который назван в промпте;

• во втором раунде - на каком языке звучит реплика и совпадает ли она с текстом.

Последний пункт я не оценивал на слух: снял дорожки и прогнал через распознавание речи. Так в статье стоит проверяемый факт, а не «мне показалось».

Дорожка приехала во всех четырёх файлах - тут никто не подвёл. А вот громкость разошлась сильно.

• Kling 3.0 - средний уровень около минус 27 децибел. Живая дорожка, слышно сразу.

• FLUX 3 и Seedance 2.5 - примерно минус 37. Тише, но пики почти у нуля: события в дорожке есть, фон приглушён.

• MiniMax H3 - минус 46. На слух это почти тишина: что-то шуршит, но кофемашину в этом шуршании не узнать.

Вывод: нужен атмосферный фон без речи - MiniMax не берите. Он экономит силы на том, о чём его не просили голосом.

Одна же строка перевернула всю картину.

MiniMax из самого тихого стал самым громким: средний уровень подскочил с минус 46 до минус 19. Реплика приехала на русском: распознавание вытащило «Ваш капучино готов» - ровно то, что в промпте.

Seedance получил фразу транслитом и прочитал её по-русски: «Ваш капучину готов». Окончание смазано, зато артикуляция самая чистая из четырёх.

FLUX заговорил по-русски, но фразу собрал приблизительно: распознавание услышало «Лашка почина готов». Узнать реплику трудно.

А вот Kling озвучил сцену по-английски: «Your cappuccino is ready». Транслит он понял как английский текст и перевёл. Определитель языка дал английский с уверенностью 0,98 - это не догадка.

Вот это и есть главная находка. Транслит, который для Seedance работает как русская речь, для Kling - команда говорить по-английски. Нужен русский голос - Kling молча выдаст не тот язык.

MiniMax H3

• Как записана реплика: кириллицей

• Без реплики: почти тишина, минус 46 дБ

• С репликой: минус 19 дБ, самая громкая из четырёх

• Что слышно: «Ваш капучино готов», по-русски

• Настройка звука: отсутствует, звук пишется сам

• Цена: самая низкая из четырёх

Seedance 2.5

• Как записана реплика: транслитом

• Без реплики: минус 37,5 дБ

• С репликой: минус 27,3 дБ

• Что слышно: «Ваш капучину готов», по-русски, артикуляция самая чистая

• Настройка звука: тумблер «Генерация аудио»

• Цена: примерно в шесть раз выше, чем у MiniMax

Kling 3.0

• Как записана реплика: транслитом

• Без реплики: минус 26,8 дБ, лучший фон из четырёх

• С репликой: минус 27,5 дБ

• Что слышно: «Your cappuccino is ready» - по-английски

• Настройка звука: галочка «Встроенная озвучка» плюс отдельные звуковые эффекты

• Цена: чуть выше MiniMax

FLUX 3

• Как записана реплика: кириллицей

• Без реплики: минус 37,3 дБ

• С репликой: минус 29 дБ

• Что слышно: по-русски, но фраза искажена

• Настройка звука: селект «Со звуком / Без звука»

• Цена: втрое выше MiniMax

MiniMax первый не потому, что «лучше»: на этой задаче он дал самую громкую и точную реплику и оказался самым дешёвым. Три плюса в одной точке - редкость.

Kling попал в рекомендацию только на фон именно из-за английского. Модель-то хорошая, фоновая дорожка у неё лучшая в подборке, ведь слышно её сразу. Но на русской речи она работает против вас.

Seedance не первый из-за цены: за ту же сцену берёт примерно в шесть раз больше MiniMax, а отдаёт звук тише и чище только по артикуляции. На серии роликов разница копится быстро.

FLUX остаётся в подборке из-за формата: до 20 секунд длительности и широкие пропорции вплоть до 21:9. Под кинематографичный кадр это иногда важнее, чем разборчивость фразы.

Сцена одна. Один промпт, шесть секунд, одна реплика из трёх слов, по одной генерации на модель и раунд. Это не рейтинг и не замер стабильности: на другой сцене расстановка поменяется, разброс между попытками у видеомоделей большой.

Не проверял длинные диалоги, несколько говорящих, попадание губ и работу с референсами - у MiniMax их принимается до девяти картинок, трёх видео и трёх аудио, это отдельная тема.

Децибелы - про громкость, не про качество. Дорожка бывает громкой и неприятной. Ухо тут всё же остаётся последней инстанцией, поэтому все восемь роликов выше - в статье, слушайте сами.

Условия проверки: 17 сентября 2026 года, стандартное качество, 6 секунд, 16:9. Модели обновляются, так что через месяц числа могут быть другими.

Промпт первого раунда лежит выше целиком, второй отличается одной строкой. Повторить проще там же, где гонял я: четыре модели в одном месте, настройки из статьи.

Бот, в котором я делал всё из этой статьи: Telegram | MAX

Если будете сравнивать сами - снимайте дорожку приборами, а не на слух. Разница между минус 46 и минус 19 децибел на телефонной колонке слышна как «тихо» и «нормально», а это двадцать семь децибел, то есть совершенно разные дорожки.

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.