KI-Video Arena: Wan 3.0, Kling, Seedance, Veo, H3 und Runway

👁 122 Aufrufe

In fünf identischen Szenen schnitt Wan 3.0 mit durchschnittlich 8,8/10 Punkten am besten ab, dicht gefolgt von MiniMax H3 Max (8,4/10). Beide brachten als einzige den Schriftzug (deutsche Übersetzung des polnischen Originals: „GELBES BOOT“) fehlerfrei auf eine Schultafel, wobei Wan dies für ca. 0,19 EUR (0,21 USD) pro Clip schaffte - am günstigsten im gesamten Vergleichstest. Am schwächsten schnitten Veo 3.1 Lite (praktisch ohne Kamerabewegung und mit kyrillischen Zeichen statt polnischer Sonderzeichen) und Runway Gen-4.5 ab, das über die API gar keinen Ton liefert. Neu an der Spitze unseres Rankings für Bild-zu-Video ist Vidu Q4 Preview - das Modell startet in der Arena, sobald Start-Frames vorliegen, da es keinen reinen Text-zu-Video-Modus bietet. Am 11. Oktober schickte ich HappyHorse 1.1 von Alibaba durch dieselben Szenen (Schnitt 6,1/10 in vier Szenen ohne Sprache) - Ergebnisse und Videoclips finden Sie im Beitrag HappyHorse vs Wan 3.0, Seedance und MiniMax. Ebenfalls am 11. Oktober überprüfte ich FLUX 3 Video auf denselben Szenen: Schnitt 8,9/10, inklusive polnischer Sprache und fehlerfreier Sonderzeichen. Hinweis zu Währungsumrechnungen: USD-Preise basieren auf dem EZB-Referenzkurs vom 12.10.2026 (1 EUR = 1,1181 USD, Quelle: EZB); es handelt sich um unverbindliche Richtwerte ohne Steuern.

Einen breiteren Vergleich der KI-Video-Generatoren mit meinen Testergebnissen, USD-Preisen und Gratis-Optionen finden Sie hier: KI Video erstellen: Die besten KI-Video-Generatoren im Test.

Vergleichstabelle der Ergebnisse

Bewertungen auf einer Skala von 0 bis 10. Der Gesamtdurchschnitt umfasst alle fünf Szenen; ein Modell ohne Audioausgabe erhält für die Sprachszene 0 Punkte.

Kosten und Parameter der Clips in diesem Testlauf:

Wichtigste Erkenntnisse:

• Textdarstellung im Bild trennte das Testfeld am deutlichsten. Die erste Zeile „ARENA WIDEO 2026“ meisterten alle Modelle, die Sonderzeichen der zweiten Zeile schrieben nur Wan 3.0 und H3 Max fehlerfrei.
• Kamerasteuerung: Kling, Wan und H3 Max vollführten eine saubere Kreisbewegung von vorne nach hinten um das Motorrad. Veo 3.1 Lite bewegte die Kamera praktisch gar nicht.
• Wasserphysik: Nur Wan bildete den gesamten Ablauf korrekt ab - Einschenken, Überlaufen und die sich bildende Pfütze in richtiger Reihenfolge.
• Preise: Die höchste Qualität war nicht die teuerste. Wan 3.0 in 480p kostete ca. 0,19 EUR (0,21 USD) für 5 Sekunden, Seedance 2.5 in derselben Auflösung ca. 0,46 EUR (0,52 USD).

Szene 1: Kamerabewegung

Bewertungskriterien: Gleichmäßigkeit der 180-Grad-Orbitbewegung, Stabilität von Motorrad und Umgebung, Spiegelungen in den Pfützen.

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Szene 2: Sprachausgabe (getestet mit polnischem Zungenbrecher)

Bewertungskriterien: Verständlichkeit des gesprochenen polnischen Satzes (gemessen via faster-whisper large-v3, WER), Lippensynchronität, Akzent.

Für Szene 2 kam derselbe Prompt wie im Testlauf vom 28.09.2026 zum Einsatz (faster-whisper large-v3, WER nach Zahlwort-Ausschreibung). Wir haben den Sprachtest bewusst auf Polnisch durchgeführt, um die Qualität seltenerer Laute zu prüfen. Ein neuer Clip wurde nur für Veo 3.1 Lite generiert. Vollständige Transkriptionen weiterer Modelle (Veo 3.1, Gemini Omni Flash, Grok Imagine) finden sich in unserem Videomodell-Ranking.

Halbnahaufnahme einer Frau in ihren Dreißigern, die an einem Küchentisch sitzt und direkt in die Kamera blickt. Sie sagt klar und ruhig auf Polnisch (deutsche Übersetzung des polnischen Originals): „In Szczebrzeszyn summt ein Käfer im Schilf, und ich bezahle zweiunddreißig Einheiten der polnischen Währung.“ Natürliches Tageslicht von einem Fenster, statische Kamera, realistisch, keine Untertitel, kein Bildschirmtext, keine Musik.

Szene 3: Text auf Tafel

Bewertungskriterien: Exakte Übereinstimmung der Schrift mit dem Prompt, insbesondere bei diakritischen Sonderzeichen.

Nahaufnahme einer grünen Schultafel in einem sonnendurchfluteten Klassenzimmer. Eine Hand vollendet das Schreiben mit weißer Kreide. Die Schultafel zeigt deutlich genau zwei Textzeilen in Großbuchstaben: erste Zeile (deutsche Übersetzung des polnischen Originals: „VIDEO-ARENA 2026“), zweite Zeile (deutsche Übersetzung des polnischen Originals: „GELBES BOOT“). Statische Kamera, realistisch, Kreidestaub im Licht, kein weiterer Text.

Szene 4: Wasserphysik

Bewertungskriterien: Wasserstrahl, Spritzer, kontinuierlich steigender Wasserpegel, realistisches Überlaufen, kein plötzliches Verschwinden der Flüssigkeit.

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Szene 5: Figurenkonsistenz bei harten Schnitten

Bewertungskriterien: Identisches Gesicht, Haare, Brille, Mantel und Rucksack nach dem Kameraschnitt.

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Methodik und Testkriterien

• Jedes Modell erhielt exakt denselben englischen Text-Prompt (lediglich die Tafelaufschrift sowie der gesprochene Satz waren auf Polnisch), Bildformat 16:9, ohne Initialbild (Text-zu-Video), genau ein Durchlauf ohne Mehrfach-Generierungen zur Auswahl.
• Cliplänge: 5 Sekunden als Standard. Abweichungen sind durch API-Vorgaben bedingt: Veo 3.1 Lite akzeptiert 4, 6 oder 8 Sekunden (eingestellt wurden 6 s), Runway Gen-4.5 wurde auf 4 Sekunden gesetzt, um im Budgetrahmen zu bleiben.
• Auflösung: Seedance 2.5, Wan 3.0 und H3 Max in 480p; Kling, Veo und Runway in 720p (jeweils die niedrigste verfügbare Stufe). Kling 3.0 Standard liefert standardmäßig eine 1080p-Datei aus.
• Auswertung: Vollständige Sichtprüfung jedes Clips sowie Vergleich von 4 Standbildern (bei 8 %, 35 %, 62 % und 92 % der Gesamtlaufzeit). Der Tafeltext wird auf dem letzten Vollbild bei nativer Auflösung geprüft.
• Sprachtest: Transkription via faster-whisper large-v3 im polnischen Sprachmodell mit Wortfehlerrate (WER) nach Ziffernnormalisierung.
• Kostenermittlung: Angabe des Felds usage.cost aus der API-Antwort von OpenRouter in USD (Netto-API-Kosten ohne Mehrwertsteuer), umgerechnet zum EZB-Kurs.
• Medienoptimierung: Alle Videodateien wurden für das Web als H.264 (maximal 1280 px Breite) komprimiert und starten erst nach Anklicken.

Fehlende Modelle und Hintergründe

• Kling 4.0 und 4.0 Flash: Kling hatte die Vollversion für Oktober angekündigt, am Stichtag 08.10.2026 gab es jedoch weder ein offizielles API-Modell noch eine Preisliste. Das Modell wird nachgereicht, sobald die Schnittstelle bereitsteht. Einzelheiten zum Modell finden Sie in unserem Beitrag zu Kling 4.0.
• Sora 2: Die Schnittstelle wurde am 24.09.2026 stillgelegt, die eigenständige App bereits im April.
• Veo 3.1 (Vollversion) und Gemini Omni Flash: Die Vollversion von Veo schlägt mit ca. 0,36 EUR (0,40 USD) pro Sekunde inklusive Audio zu Buche, während Gemini Omni Flash nicht via OpenRouter erreichbar ist. Beide Modelle wurden am 28.09. im Videomodell-Vergleich erfasst.
• Kling 3.0 Pro: Aufgrund des Budgets (ca. 0,50 EUR bzw. 0,56 USD für 5 Sekunden ohne Audio) in dieser Testrunde ausgelassen. Einen detaillierten Bild-zu-Video-Test finden Sie im Ratgeber zu Kling AI.

Häufig gestellte Fragen (FAQ)

Welcher KI-Videogenerator meistert Sonderzeichen am besten?

In dieser Testrunde bildeten ausschließlich Wan 3.0 und MiniMax H3 Max den Schriftzug des polnischen Originals (deutsche Übersetzung: „GELBES BOOT“) fehlerfrei ab. Kling, Seedance, Veo 3.1 Lite und Runway ersetzten die Sonderzeichen durch tschechische oder deutsche Umlaute oder wichen auf kyrillische Buchstaben aus.

Welches KI-Videomodell ist derzeit am günstigsten?

Den niedrigsten Einzelpreis bot Veo 3.1 Lite mit ca. 0,16 EUR (0,18 USD) für 6 Sekunden ohne Ton, zeigte jedoch auch die schwächste Gesamtleistung. Das beste Preis-Leistungs-Verhältnis lieferte Wan 3.0 mit ca. 0,19 EUR (0,21 USD) für 5 Sekunden in 480p.

Ist Kling 4.0 bereits per API verfügbar?

Mit Stand vom 8. Oktober 2026 noch nicht. Eine Flash-Variante steht in der Weboberfläche von Kling für ausgewählte Ultra-Kunden bereit. Drittanbieter, die einen „Kling 4 API“-Zugang anbieten, leiten Anfragen im Hintergrund an Vorgängerversionen weiter.

Lässt sich OpenAI Sora noch nutzen?

Nein. Die Sora-Anwendung wurde am 26. April 2026 eingestellt, und die offizielle Sora 2 API folgte am 24. September 2026. OpenAI hat bisher kein Nachfolgemodell freigegeben.

In welchen Abständen wird diese Video-Arena aktualisiert?

Sobald neue Videomodelle über standardisierte Entwicklerschnittstellen zugänglich werden. Als Nächstes steht die Integration von Kling 4.0 an.

Quellen und Stand der Recherche

• Preise und Modellparameter: OpenRouter, Video-Modellübersicht (Stand: 08.10.2026).
• Kling 4.0 Versionshinweise: Kling Release Notes.
• Abschaltung von Sora 2: OpenAI Deprecation Documentation.
• EZB-Referenzkurs vom 12.10.2026: Europäische Zentralbank.

// weiterlesenFLUX 3 Max vs Kling, Seedance, Veo und Wan: Video Arena TestKI-WerkzeugeKI-Video-Generator Test: Veo 3.1, Kling 3.0, Grok & 3 weitereBenchmarksKandinsky 6 und Wan 2.2: KI-Influencerinnen als VideoBenchmarks