Gemini Omni 1.2 vs Seedance, Kling, Veo e Wan: test video AI

👁 113 letture

Sei modelli, due scene e lo stesso prompt parola per parola. Nella prima, la telecamera deve compiere una rotazione completa attorno a una venditrice di mele al mercato. Nella seconda, due uomini discutono animatamente davanti a un barbecue. Ogni clip dura 6 secondi, a risoluzione 720p con audio, generata la sera del 5 novembre 2026, giorno del debutto di Gemini Omni 1.2 Flash.

Per questo confronto ho messo alla prova Omni 1.2, il suo predecessore Omni 1.1, Veo 3.1 Lite di Google, Seedance 2.0 Fast di ByteDance, Wan 3.0 di Alibaba e Kling 3.0 Standard. Li ho interrogati tutti tramite la medesima API su OpenRouter, rendendo direttamente comparabili tempi di risposta e costi (conversione stimata basata sul tasso di riferimento BCE del 05/11/2026 pari a 1 EUR = 1,1224 USD, fonte: https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml). Kling 4.0 e Seedance 2.5 non sono presenti lì oppure hanno costi molto più alti, come spiego in chiusura.

Risultati a confronto

I dialoghi non sono stati valutati a orecchio: ho elaborato ciascuna traccia audio tramite il sistema di trascrizione Whisper large-v3, confrontando il testo generato con il prompt originale fornito al modello.

Scena 1: rotazione intorno al banco del mercato

Il prompt (qui tradotto dal test originale) richiedeva: una rotazione fluida e completa della telecamera a 360 gradi attorno a un’anziana venditrice di mele, scala della figura costante, senza stacchi o tagli di montaggio. Si tratta di un esercizio complesso, perché il modello deve ricostruire la parte posteriore della figura e lo sfondo retrostante, per poi tornare esattamente allo stesso volto iniziale.

Omni 1.2 ha rispettato la consegna alla perfezione. La camera si muove frontalmente, passa di lato, va dietro le spalle della donna mentre si aggiusta il foulard e torna sul suo sorriso. Il volto e il foulard a fiori restano coerenti dall’inizio alla fine. Anche Omni 1.1 tenta il movimento orbitale e mostra la schiena, ma lo spostamento risulta discontinuo e a scatti.

Gli altri modelli non hanno eseguito la rotazione richiesta. Veo 3.1 Lite e Wan 3.0 hanno piazzato la telecamera su un treppiede virtuale limitandosi a far muovere le mani alla protagonista. Seedance ha accennato un carrello in avanti. Kling ha invece spezzato la scena in diverse inquadrature con sfondi eterogenei, commettendo un errore esplicito rispetto alla richiesta di non inserire tagli.

Scena 2: discussione davanti al barbecue

Il test prevedeva due uomini sulla cinquantina accanto a una griglia in un orto comune. Il prompt fornito era in lingua polacca (tradotto qui in italiano): il primo con il berretto esclama “Ti avevo detto che la salsiccia doveva essere di Biedronka, non di Lidl!”, e il secondo con gli occhiali risponde “Mangia e non lamentarti”.

Omni 1.2 ha generato un unico piano sequenza stabile, mantenendo costante l’identità visiva di entrambi i personaggi e un perfetto lip-sync. Tuttavia ha tagliato la parte conclusiva della prima battuta: anziché completare la frase, ha recitato solo la prima metà. Sei secondi per due battute consecutive rappresentano un margine stretto e il modello ha preferito omettere parole piuttosto che accelerare la cadenza vocale. In un test separato della stessa scena basato su un fotogramma di riferimento, ha invece pronunciato l’intero testo.

Omni 1.1 ha recitato tutte le battute ma ha frammentato il video in tre inquadrature distinte, inserendo nel mezzo un uomo del tutto diverso con una maglietta verde. Veo 3.1 Lite e Wan 3.0 si sono comportati meglio di tutti su questo fronte: testo riprodotto integralmente, nomi dei supermercati corretti e singola inquadratura continua. Seedance 2.0 Fast ha sostituito il secondo interlocutore con un uomo con una birra, stravolgendo le parole in kielbana, biedynki e z lita. Kling ha mostrato il comportamento più insolito: ha rielaborato liberamente le battute inventando un testo differente, traducendo la prima frase con Traduzione del testo originale polacco: “Ti ho detto che la salsiccia dovrebbe provenire da Biedronka” e trasformando la seconda in un incomprensibile iscrizione corrotta nel test originale polacco.

Chi vince il confronto

Non esiste un vincitore assoluto e questi due scenari lo dimostrano con chiarezza.

• Movimento di camera e coerenza nel piano sequenza: vince Omni 1.2. È stato l’unico capace di realizzare una vera rotazione continua senza tagli, mantenendo identici i tratti dei personaggi per tutta la durata.
• Rapporto qualità-prezzo per il parlato: vince Veo 3.1 Lite. Con circa 0,04 EUR (0,05 USD) al secondo ha restituito dialoghi impeccabili, anche se vincola la ripresa a una camera fissa e accetta durate fisse di 4, 6 o 8 secondi.
• Velocità di generazione: Omni 1.1 e 1.2 richiedono meno di un minuto. Wan e Kling hanno costretto ad attendere quasi tre minuti.
• Da evitare per lingue non primarie: Kling 3.0 Standard e Seedance 2.0 Fast mostrano evidenti limiti di pronuncia e fedeltà al testo.

Va ricordato cosa manca in questa selezione. Seedance 2.5, al momento il modello di punta di ByteDance, costa su OpenRouter circa 0,20 EUR (0,23 USD) al secondo a 720p, oltre il triplo di Omni 1.2, motivo per cui non è stato incluso. Kling 4.0 è accessibile via API solo tramite un fornitore dedicato senza tariffe pubbliche. Per approfondire i costi al secondo puoi leggere la guida su quanto costa Gemini Omni 1.2, mentre trovi un confronto più ampio su cinque scenari nella nostra arena dei video AI.

Tutti i test di lancio sono raccolti nell’hub dedicato a Gemini Omni Flash.

// continua a leggereArena video AI: Wan 3.0, Kling, Seedance, Veo, H3 e RunwayBenchmarkSkyReels V4 vs Seedance 2.0 vs Kling 3.0: confronto modelli videoBenchmarkFLUX 3 Max vs Kling, Seedance, Veo e Wan: Arena VideoStrumenti IA