Kling 4.0 против ByteDance Seedance 2.5: 50 референсов против 10 ключевых кадров

Сравните две спецификации — и цифры выглядят как разгром. ByteDance Seedance 2.5 принимает до 50 референсных материалов в одном запросе — 30 изображений, 10 видео и 10 аудиоклипов, причём аудио может использоваться отдельно — и генерирует видео и аудио совместно за один проход длительностью до 30 секунд. Kling 4.0 принимает до 15 референсных материалов суммарно и до 10 изображений ключевых кадров, а также генерирует видео длительностью от 3 до 30 секунд с двухканальным стерео. Пятьдесят против пятнадцати — это разрыв, который закрывает сравнение одним абзацем. Документированные сбои ИИ и инциденты с агентами, связанные с подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и отметку об оспаривании.

{{1}}Это не должно быть так, потому что две модели считают разные вещи и решают разные задачи. Референсный бюджет Seedance 2.5 рассчитан на согласованность в рамках целого корпуса работ — удерживать одного и того же персонажа, один и тот же продукт, один и тот же голос на множестве кадров, при этом аудио считается полноценным входным данным, а не функцией результата. Бюджет Kling 4.0 рассчитан на хореографию внутри одного кадра — закрепить десять моментов на таймлайне, вписать конкретную игру и движение камеры в кадр, а затем редактировать результат без повторной генерации. Одна модель стремится сохранить связность серии; другая — добиться того, чтобы один дубль сработал. Вопрос в том, что из этого представляет собой ваш проект.{{/1}}

Откуда берётся каждое число

Оба показателя заявлены производителями, и ни один из производителей не публикует эталонный тест в их подтверждение, поэтому приведённые ниже цифры — это заявления о возможностях, а не измеренная пропускная способность.

• Предел референсов — S​eedance 2.5: до 50 ассетов в одном запросе (30 изображений, 10 видео, 10 аудио) против Kling 4.0: до 15 суммарно (10 изображений, 5 видео с ограничением 30 секунд суммарно, голосовые референсы, 7 элементов, из которых до 3 на основе видео).

• Длительность — S​eedance 2.5: от 4 до 30 секунд за один проход против Kling 4.0: от 3 до 30 секунд, при этом расширение до 2 минут указано как «скоро».

• Разрешение — Seedance 2.5: 480p и 720p в 8-битном формате, 1080p в 10-битном, против Kling 4.0: 720p, 1080p и 4K, при этом 10-битный HDR при 1080p и 4K отмечен как «скоро».

• Аудиовход — Seedance 2.5 принимает отдельное референсное аудио, само по себе или в сочетании с изображениями и видео, тогда как Kling 4.0 принимает только голосовые референсы, а выходное аудио — двухканальное стерео.

• Управление кадром — Kling 4.0 поддерживает до 10 изображений ключевых кадров, размещаемых на таймлайне, тогда как {{1}}управление в Seedance 2.5{{/1}} основано на референсах, с фиксацией первого и последнего кадров и явным путём расширения, а не дорожкой ключевых кадров.

• Веса — ни одна из моделей не является открытой. ByteDance не объявила о планах открыть Seedance 2.5, а Kuaishou выпускает Kling 4.0 исключительно как размещаемый у себя продукт с доступом к API в режиме раннего доступа.

Аргумент об аудио, который и есть настоящий.

S​eedance 2.5 — это не видеомодель, к которой просто прикрутили аудио; B​yteDance описывает её как модель совместной генерации аудио и видео и называет преемницей в линейке, где обе модальности рассматриваются как единый контекст. На практике это означает, что аудиореференс ведёт себя как референс изображения — можно передать модели голос или трек и попросить, чтобы результат соответствовал ему, причём аудиореференс и видеореференс вместе ограничены 30 секундами входных данных. Для работы с диалогами это существенно иной рабочий процесс по сравнению с генерацией изображения и последующей подгонкой звука к нему.

Kling 4.0 подходит к аудио с другой стороны. Его аудиоистория — о качестве продакшена внутри сгенерированного клипа: двухканальное стерео, более точная синхронизация губ, диалоги на девяти языках с заданными акцентами и диалектами, а также генерация текста на экране, который остаётся читаемым при движении камеры. Примеры из примечаний к выпуску — селф-презентации в стиле влога, короткие драмы, реклама продуктов и игровые трейлеры — это форматы, где аудио генерируется, а не предоставляется. Нельзя передать Kling 4.0 сведённый трек и попросить смонтировать под него; можно передать ему образец голоса и сценарий.

Если честно, расклад такой. Если звук — это входные данные — лицензированный трек, записанная озвучка, тембр конкретного диктора — S​eedance 2.5 создан для этой задачи, а Kling 4.0 — нет. Если звук — это результат — сцена, которой нужен убедительный диалог на хинди или британский акцент, с липсинком, выдерживающим крупный план — технические характеристики Kling 4.0 обещают более конкретное, хотя он и более новый и менее проверенный из этих двух.

Что доски могут и чего не могут вам сообщить

У S​eedance 2.5 есть числовой показатель. На рейтинге text-to-video от Artificial Analysis — AA-Video-T2V v2.0 с аудио — Dreamina S​eedance 2.5 имеет Elo 1 143 с 95%-м интервалом от 1 134 до 1 152 по результатам 8 264 голосов, занимая третье место после Wan 3.0 с 1 156 и находясь достаточно близко к лидеру, чтобы интервалы перекрывались. Это слепые попарные голоса человеческих предпочтений, которые измеряют, какой клип выбрали люди, а не то, какая модель более способна в конкретной задаче.

У Kling 4.0 нет числовой оценки. По состоянию на 22 октября, через неделю после потребительского запуска, она не появляется на видеолидербордах. Это отсутствие не является окончательным вердиктом — новым моделям требуются недели, чтобы набрать голоса, а лидерборды регулярно отстают от запусков, — но оно означает, что все заявления о качестве Kling 4.0 в этом сравнении основаны на собственных материалах Kuaishou. Модель, которую она заменяет, не выглядит обнадеживающе на том же инструменте: уровни Kling 3.0 «изображение в видео» находятся между Elo 1 036 и 1 055 в таблице AA, а её уровни «текст в видео» в октябрьских замерах составляли около 1 000–1 015. Поколение, которое сокращает разрыв в 90 пунктов, стало бы крупным скачком; это возможно, и это не подтверждено.

Ещё об одной асимметрии стоит сказать прямо. В собственном анонсе ByteDance назвала правдоподобность сложного движения и стабильность взаимодействия нескольких субъектов среди слабых мест модели — это необычно откровенно и даёт проверяющему материал для тестирования. В примечании к выпуску Kuaishou не названо ни одной слабости; единственные оговорки — метки «скоро» у HDR и расширения. Поставщика, который перечисляет свои режимы отказов, оценивать легче, чем того, кто этого не делает.

Цена за секунду готового материала, и почему ценник вводит в заблуждение

S​eedance 2.5 оплачивается в токенах, объём которых зависит от длительности, разрешения и частоты кадров. {{1}}В собственных примерах расчёта BytePlus пятисекундный клип 16:9 без видеовхода оценивается примерно в $0.514 при 480p, $1.156 при 720p и $2.843 при 1080p — около $0.103, $0.231 и $0.569 в секунду.{{/1}} {{2}}Artificial Analysis нормализует стоимость той же модели до $34.12 за минуту 1080p при настройках по умолчанию, что согласуется с расчётом, если умножить цену за секунду.{{/2}} {{3}}Серия 2.0 дешевле по всем позициям на той же странице цен, поэтому она по-прежнему продаётся рядом с более новой моделью.{{/3}}

У Kling 4.0 вообще нет опубликованного тарифа на API. В разделе цен документации для разработчиков указаны Kling 3.0 и его тарифные уровни, а не новая модель, а баннер в документации по API сообщает о раннем доступе. Сторонние платформы публикуют расценки Kling 4.0 за секунду, но тариф реселлера — это иной инструмент, чем прайс-лист вендора: он может меняться вслед за спросом и ничего не говорит о том, сколько будет стоить модель, когда вендор откроет эндпоинт.

Это делает данную строку единственной, где сравнение не является близким ни в одном из направлений. S​eedance 2.5 дорог в расчёте на секунду и открыто об этом заявляет; Kling 4.0 не имеет указанной цены. Для целей бюджетирования модель без цены — не дешёвая, а неизвестная, и неизвестность приходится учитывать как риск, а не как экономию.

Где эти два действительно будут использоваться вместе

Короткая драма — это тот случай, который делает разделение наглядным. Бюджет в 50 ассетов и отдельные аудиореференсы Seedance 2.5 — правильный инструмент, чтобы удерживать актёрский состав, локацию и голос на протяжении двадцати кадров: это задача на согласованность, и объём референсов — способ её решить. Дорожка ключевых кадров и точечное редактирование Kling 4.0 — правильный инструмент для тех двух-трёх кадров в эпизоде, которые должны попасть точно: раскрытие, реакция, вставка продукта, где режиссёр знает, как должен выглядеть одиннадцатый кадр.

Это также аргумент в пользу того, чтобы вообще не выбирать — и в пользу того, чтобы не выбирать плохо. Оркестрация вокруг генерации видео — раскадровка, составление промптов, подписывание референсов, прохождение модерации, повторная попытка, когда генерация обрывается на полпути, — это работа текстовой модели, и она должна находиться за одним интерфейсом, а не за двумя SDK от разных вендоров. OrcaRouter даёт более 200 моделей через единый эндпоинт, совместимый с OpenAI, по прайс-листу провайдера с наценкой 0% и автоматическим переключением при сбое, так что конвейер может хранить решения о маршрутизации в конфигурации, а не в коде. Ни одной из этих моделей сегодня нет в нашем каталоге: наш ассортимент Kling заканчивается семейством Kling 3.0, от $0.084 за запрос для Kling 3.0 и Omni до $0.112 для Turbo, а Seedance 2.5 тоже не маршрутизируется. В каталоге есть остальная часть конвейера — и именно там на самом деле сосредоточена большая часть затрат на переключение.

Вердикт, сформулированный как условие, а не как победитель

Выбирайте Seedance 2.5, когда работа представляет собой сериал, звук подаётся на вход, и нужна цена, которую можно внести в таблицу уже сегодня. Выбирайте Kling 4.0, когда работа — это несколько точно поставленных кадров, звук генерируется, и человек просматривает каждый дубль, — и примите, что вы покупаете неизмеренную модель без цены, полагаясь на её панель управления. Повторите сравнение, когда API Kling 4.0 выйдет из раннего доступа и появится первый Elo; если скачок в генерации реален, аргумент об объёме референсов перестанет быть решающим, а аргумент о ключевых кадрах станет причиной для перехода.