KI-Video-Generator Test: Veo 3.1, Kling 3.0, Grok & 3 weitere

👁 125 Aufrufe

Update 28.09.2026: Nach Leserhinweisen haben wir einen neuen, laufend aktualisierten Vergleich mit Vollversionen (Seedance 2.5 und 2.0, MiniMax H3 und H3 Max, Gemini Omni Flash 1.1, FLUX.3, Kling 3.0 Turbo, Veo 3.1) erstellt - die besten KI-Tools für Videos.

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.

Die EUR-Beträge sind unverbindliche Umrechnungen der veröffentlichten USD-Preise zum EZB-Referenzkurs vom 2026-10-12: 1 EUR = 1.1181 USD. Es handelt sich nicht um bestätigte örtliche Endpreise einschließlich Steuern. Anbieter und Bank können andere Kurse oder Gebühren berechnen. ECB.

Wir haben 6 KI-Video-Generatoren mit zwei identischen Prompts getestet: Veo 3.1 Fast, Kling 3.0, Seedance 2.0 Fast, Hailuo 2.3, Grok Imagine Video und Wan 3.0. Der erste Prompt zeigt Kaffee, der in eine Tasse gegossen wird, der zweite eine gelb-rote Straßenbahn im Regen bei Dämmerung. Alle Clips haben wir am 26. und 27. September 2026 über die OpenRouter-API generiert, jeden in einem einzigen Durchgang ohne erneutes Würfeln. Hier sind 12 Videos, Zeiten, Kosten auf den Cent genau und unsere Bewertungen.

01Veo 3 von Google: Versionen, Preise und mein PraxistestGoogle Veo 3 und 3.1 im Test: Versionen Quality, Fast und Lite, API-Kosten in EUR, Google Flow und Praxisergebnisse mit Video-Beispielen.Lesen →02Seedance 2.5 und 2.0: Ranking, Preise und TestSeedance 2.5 liegt im Text-zu-Video-Ranking auf Platz 3. Alle Versionen, API-Preise in Euro und Testergebnisse - inklusive Tests mit polnischer Sprache.Lesen →03Wan AI: Alibaba Video-Modelle 2.2 gratis, 3.0 in der CloudWan AI von Alibaba: Versionen 2.1, 2.2 und 3.0 im Test. Wo sie laufen, was sie kosten und wie gut sie funktionieren - mit Videos, Preisen und Skript.Lesen →

So haben wir getestet

Beide Prompts sind auf Englisch und für jedes Modell wortwörtlich identisch. Es sind dieselben Prompts, mit denen wir zuvor Wan 3.0 mit Wan 2.2 verglichen haben, daher stammen die Wan-3.0-Clips aus diesem Test. Die Clips der fünf übrigen Modelle haben wir am 27. September über den Video-Endpoint von OpenRouter generiert, im Format 16:9, mit Ton überall dort, wo das Modell ihn unterstützt.

• P1, Kaffee: „Close-up of hot coffee being poured into a white ceramic cup on a wooden kitchen table, steam rising, morning sunlight through the window, shallow depth of field, slow gentle camera push-in, realistic.“
• P2, Straßenbahn: „A yellow and red Warsaw tram passing along a rainy street at dusk, reflections of street lights on wet cobblestones, people with umbrellas on the sidewalk, static camera on a tripod, cinematic realistic footage.“

Länge: 4 Sekunden, weil Veo keine 5 Sekunden hat (nur 4, 6 oder 8) und wir vergleichbare Clips wollten und im Budget von 4,02 EUR (4,50 USD) bleiben mussten. Ausnahmen: Hailuo 2.3 beginnt bei OpenRouter bei 6 Sekunden, und Wan 3.0 hatte 5 Sekunden aus dem früheren Test. Aus jedem Clip haben wir mit ffmpeg 5 Frames extrahiert (5%, 28%, 50%, 72% und 95% der Länge) und sie in voller Auflösung betrachtet. Die Tonspur haben wir mit dem faster-whisper-Modell medium auf CPU geprüft, mit und ohne Sprachdetektor, sowie mit Lautstärkemessung.

Bewertet haben wir auf einer Skala von 0-10 vier Dinge: Übereinstimmung mit dem Prompt (Kamera, Licht, Tageszeit, Straßenbahnfarben), Physik (Strahl, steigender Kaffeespiegel, Porzellan, Straßenbahnbewegung), Artefakte (verschmelzende Formen, Kauderwelsch in Schriften) und Ton. Die Generierungszeit haben wir vom Absenden des Auftrags bis zum Herunterladen der Datei gemessen, mit Abfragen alle 15 Sekunden (im Wan-Test alle 20 s), das Ergebnis ist also auf einige Sekunden genau.

Ergebnisse in einer Tabelle

Die Kosten sind usage.cost aus der OpenRouter-Antwort, in USD netto. Die Spalte „pro Sekunde“ teilt die Kosten durch die tatsächliche Cliplänge, deshalb schneidet Kling so teuer ab: Für einen 4-Sekunden-Clip berechnete es 0,63 USD, also 5 Sekunden à 0,126 USD. Das Minimum von 5 Sekunden haben wir auch beim Preis von Wan 3.0 beschrieben.

Prompt 1: Kaffee wird in eine Tasse gegossen

Hier zeigt sich die Physik: Trifft der Strahl die Mitte, steigt der Kaffeespiegel, bleibt das Porzellan undurchsichtig und fährt die Kamera langsam heran. Reihenfolge nach höchster Bewertung.

Prompt 2: Warschauer Straßenbahn im Regen

Dieser Prompt prüft Gehorsam im Detail: gelb-rote Farben, Dämmerung, Regen, Reflexionen von Laternen auf Kopfsteinpflaster, Regenschirme und stehende Kamera auf Stativ.

Ton: Was wirklich in der Spur ist

Fünf von sechs Modellen lieferten eine Datei mit Audiospur. Grok hat sie, obwohl die Modellkarte bei OpenRouter keine Tonerzeugung deklariert. Hailuo 2.3 hat überhaupt keinen Ton.

• Sprache gibt es nirgends. Whisper ohne Sprachfilter „hörte“ in jedem Clip einen Satz wie „Thanks for watching!“. Das ist eine bekannte Halluzination dieses Modells bei Stille und Rauschen, mit einer Wahrscheinlichkeit für fehlende Sprache von 0,52-0,84. Nach Aktivierung des Sprachdetektors (VAD) waren alle Transkriptionen bis auf eine leer.
• Musik im Kaffee. Diese eine Ausnahme war Seedance: Der Detektor erkannte 3,9 Sekunden der Spur als Stimme. Die Frequenzanalyse zeigt jedoch eine Folge von Tönen D, E, F und C, also eine Melodie, keine Sprache. Wan 3.0 fügte im selben Prompt ebenfalls eine Melodie hinzu (Töne G, A, D). In den Spuren von Veo und Kling gibt es kein solches Melodiemuster.
• Lautstärke. Grok hat beim Kaffee durchschnittlich -51 dB, also praktisch Stille. Wan hat bei der Straßenbahn durchschnittlich -11 dB und Spitzen bei 0 dB, muss also vor dem Schnitt leiser gemacht werden. Die übrigen Spuren haben durchschnittlich -16 bis -39 dB.

Fazit

• Bestes Preis-Leistungs-Verhältnis: Grok Imagine Video. Am günstigsten (0,2504 EUR (0,28 USD) für 4 s), am schnellsten (51 s) und am höchsten bewertet. Wir haben die Basisversion getestet; bei OpenRouter gibt es auch Grok Imagine Video 1.5 für 0,1252 EUR (0,14 USD) pro Sekunde in 720p, das wir hier nicht geprüft haben.
• Am gleichmäßigsten: Veo 3.1 Fast. Bester Kaffee und gute Straßenbahn, 52-54 s pro Clip. Einschränkung: nur 4, 6 oder 8 Sekunden und nur 16:9 oder 9:16. Details im Hub Veo 3.
• Wan 3.0 hält das Niveau bei über dreimal längerer Zeit (170 s), macht dafür als einziges dieser sechs bis zu 30 Sekunden in einem Durchgang und spricht Deutsch. Die vollständige Übersicht des Modells ist im Hub Wan AI.
• Seedance 2.0 Fast rechnet in Video-Token ab, nicht in Sekunden. In der Praxis ergaben sich 0,0823 EUR (0,092 USD) pro Sekunde; wie man das berechnet, zeigen wir im Hub Seedance.
• Kling 3.0 Standard lieferte 1080p, obwohl wir 720p bestellt hatten. Es kostete jedoch am meisten pro Sekunde und traf Farben und Tageszeit am schwächsten.
• Hailuo 2.3 funktioniert bei OpenRouter nur in 1080p und ab 6 Sekunden, ohne Ton. Für schnelle Skizzen würden wir Grok bevorzugen.

Zwei Aufnahmen sind zu wenig, um ein Urteil über das gesamte Modell zu fällen. Dasselbe Modell kann mit anderem Zufallsseed einen besseren oder schlechteren Clip machen, und wir haben jedem einen Versuch gegeben. Das ist unsere Meinung: Für realistische kurze Aufnahmen würden wir mit Grok und Veo beginnen, und Wan 3.0 für längere Szenen und polnischen Dialog bereithalten. Ein breiterer Vergleich von Tools, Plänen und Preisen findet sich im Leitfaden zu KI-Video-Generatoren.

Häufig gestellte Fragen

Welcher KI-Video-Generator ist der beste?

In unserem Test mit zwei identischen Prompts gewann Grok Imagine Video (8,25/10), vor Veo 3.1 Fast (8,0) und Wan 3.0 (7,75). Die Unterschiede in den ersten vier sind gering, daher lohnt es sich, das Modell mit der eigenen Aufnahme zu prüfen.

Welcher KI-Video-Generator ist am günstigsten?

Über OpenRouter war Grok Imagine Video am günstigsten: 0,2504 EUR (0,28 USD) für 4 Sekunden in 720p mit Ton. Am teuersten pro Sekunde war Kling 3.0 Standard, weil es für einen 4-Sekunden-Clip 5 Sekunden berechnete.

Welches Modell erstellt Videos am schnellsten?

Grok und Veo 3.1 Fast lieferten den Clip in 50-54 Sekunden. Kling brauchte ca. 114 Sekunden, Seedance 106-164 s, und Hailuo und Wan 3.0 etwa 3 Minuten.

Erzeugen diese Modelle Ton?

Veo 3.1 Fast, Kling 3.0, Seedance 2.0 Fast, Wan 3.0 und Grok Imagine Video lieferten Dateien mit Ton. Hailuo 2.3 hat keinen Ton. In keinem Clip erschien Sprache, aber Seedance und Wan fügten dem Kaffee Musik hinzu.

// weiterlesenWarum ich froh bin, dass Dacia beim Autogas allein auf weiter Flur stehtTechnikNach dem Training feuern diese Neuronen weiter - und machen Sie fitterBiologieKI-Video Arena: Wan 3.0, Kling, Seedance, Veo, H3 und RunwayBenchmarks