Kling 4.0 對決 ByteDance Seedance 2.5：50 張參考圖對上 10 個關鍵影格

把兩份規格表並排一看，數字看起來就像一場壓倒性勝利。B​yteDance S​eedance 2.5在單次請求中最多可接受 50 個參考素材——30 張圖片、10 段影片和 10 段音訊，且音訊可獨立存在——並在一次處理中聯合生成影片與音訊，最長可達 30 秒。Kling 4.0最多可接受共 15 個參考素材，以及最多 10 張關鍵影格圖片，並可生成 3 到 30 秒、具雙聲道立體聲的內容。五十對十五，這種差距用一段話就能讓比較畫下句點。像這次發布這類版本背後的已記錄 AI 故障與代理事件，都彙整在the OrcaRouter AI Incident Archive其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

它不應該，因為這兩個模型在計算不同的東西，也在解決不同的問題。Seedance 2.5 的參考預算，是為了讓一整組作品保持一致而設計——在許多鏡頭之間維持同一個角色、同一件產品、同一種聲音，並把音訊視為首要輸入，而不是輸出的一項功能。Kling 4.0 的預算則是為了單一鏡頭內的編排而設計——在時間軸上釘住十個時刻，把特定的表演與運鏡放進畫面，然後編輯結果而不必重新生成。一個模型試圖讓一系列作品保持連貫；另一個則試圖讓一個鏡頭成功到位。問題在於你的專案屬於哪一種。

每個數字來自哪裡

這兩個數字都是廠商自行陳述，且兩家廠商都沒有公布可供佐證的基準測試，因此下列數字屬於能力宣稱，而非實測吞吐量。

• 參考上限 — Seedance 2.5 單次請求最多支援 50 個素材（30 張圖片、10 段影片、10 段音訊），對比 Kling 4.0 最多支援 15 個合併項目（10 張圖片、5 段影片合計上限 30 秒、語音參考、7 個元素，其中最多 3 個為影片元素）。

• 時長 — S​eedance 2.5 單次可生成 4 至 30 秒，相較之下 Kling 4.0 為 3 至 30 秒，並標示即將推出延伸至 2 分鐘的功能。

• 解析度 — Seedance 2.5 提供 8-bit 的 480p 與 720p、10-bit 的 1080p，相較於 Kling 4.0 的 720p、1080p 與 4K，其中 1080p 與 4K 的 10-bit HDR 標示為即將推出。

• 音訊輸入 — Seedance 2.5 接受獨立的參考音訊，可單獨使用，或與圖片和影片結合；而 Kling 4.0 僅接受語音參考，輸出音訊為雙聲道立體聲。

• 鏡頭控制 — Kling 4.0 支援最多 10 張關鍵影格圖片置於時間軸上，而 S​eedance 2.5 的控制則以參考為驅動，具備首幀與末幀固定，以及明確的延伸路徑，而非關鍵影格軌道。

• 權重 —— 兩款模型皆非開放。位元組跳動尚未公布開放 Seedance 2.5 的計畫，而快手僅以代管產品的形式推出 Kling 4.0，其 API 存取仍處於早期體驗階段。

音訊論點，也就是真正的那一個

Seedance 2.5 並非只是硬加上音訊的影片模型；ByteDance 將其描述為音訊與視訊聯合生成模型，並將其列為該產品線的後繼者，而這條產品線把這兩種模態視為同一個脈絡。實際上，這意味著音訊參考的作用就像圖像參考——你可以交給模型一段人聲或一段音軌，並要求輸出與之相符，而參考音訊與參考影片合計最多可作為 30 秒的輸入。對於以對話為主的作品而言，這與先生成畫面、再讓聲音配合畫面的工作流程有實質上的不同。

Kling 4.0 從另一端切入音訊。它的音訊敘事聚焦於生成片段內部的製作品質：雙聲道立體聲、更精準的脣形同步、涵蓋九種語言且能指定口音與方言的對白，以及鏡頭移動時仍保持清晰易讀的螢幕文字生成。發布說明中的範例是 Vlog 風格的自我介紹、短劇、產品廣告與遊戲預告片——這些格式的音訊是生成而來，而非外部提供。你無法把一條已混音完成的音軌交給 Kling 4.0，要它跟著剪輯；但你可以交給它一段聲音參考與一份腳本。

所以，誠實的分界是這樣的。如果聲音是輸入——一軌授權音樂、一段錄好的旁白、某位特定講者的音色——S​eedance 2.5 就是為此打造的，Kling 4.0 則不然。如果聲音是輸出——一個需要可信的印地語對白或英國口音的場景，而且嘴型同步要經得起特寫鏡頭——那麼 Kling 4.0 的規格表就是更明確的承諾，儘管它是兩者中較新、也較未經證實的那一個。

看板能告訴你什麼、不能告訴你什麼

Seedance 2.5 有個分數。在 Artificial Analysis 的文字轉影片排行榜（AA-Video-T2V v2.0，含音訊）上，Dreamina Seedance 2.5 在 8,264 票中拿下 Elo 1,143，95% 區間為 1,134 至 1,152，排名第三，落後於 1,156 的 Wan 3.0，但與領先者夠接近，區間有重疊。這些是盲測的成對人類偏好投票，衡量的是人們選了哪支片段，而不是哪個模型在特定任務上更強。

Kling 4.0 沒有分數。截至 10 月 22 日、其消費版推出後一週，它仍未出現在影片排行榜上。這種缺席並非定論——新模型需要數週才能累積投票，而排行榜落後於發布是常態——但這確實意味著，本比較中所有關於 Kling 4.0 的品質說法都來自 K​uaishou 自家資料。它所取代的模型在同一項指標上並不樂觀：Kling 3.0 的圖生影片層級在 AA 排行榜上介於 Elo 1,036 與 1,055 之間，而其文生影片層級在 10 月讀數中約為 1,000 至 1,015。若一代模型能縮小 90 分差距，將是大幅躍升；這有可能，但尚未驗證。

還有一個不對稱之處值得直說。ByteDance 自家的發布文章把複雜動作的合理性與多主體互動的穩定性列為該模型的弱點，這異常坦率，也讓審閱者有具體可測試的項目。Kuaishou 的發布說明則完全沒有列出任何弱點；它唯一保留的地方，是 HDR 與擴展功能上的「即將推出」標籤。一家會列出自身失效模式的廠商，比一家不這麼做的廠商更容易評估。

每完成一秒的價格，以及為何這個標價會誤導人

S​eedance 2.5 以 token 計費，費用會隨片長、解析度與影格率而變。BytePlus 自家提供的計算範例指出，一段 5 秒、16:9、無影片輸入的片段，在 480p 下約為 $0.514、720p 下為 $1.156、1080p 下為 $2.843——相當於每秒約 $0.103、$0.231 與 $0.569。Artificial Analysis 將同一模型在預設設定下標準化為每分鐘 1080p 為 $34.12，這與把每秒數字乘開後的結果一致。同一價格頁面上，2.0 系列全面較便宜，這也是它仍與較新模型並列販售的原因。

Kling 4.0 完全沒有公布 API 費率。開發者文件的定價區塊列出的是 Kling 3.0 及其各級方案，而不是這個新模型；API 文件上方的橫幅則寫著搶先體驗。第三方平台公布了 Kling 4.0 的每秒價格，但經銷商費率和供應商定價是截然不同的東西：它會隨需求變動，也完全無法說明當供應商開放端點時，這個模型會收費多少。

這使得這一列成為唯一一列，無論從哪個方向比較，差距都不小。Seedance 2.5 按秒計費且價格高昂，並對此公開透明；Kling 4.0 則未定價。就預算編列而言，未定價的模型並不便宜，而是未知；未知必須被視為風險，而不是節省。

這兩者實際上會一起使用的地方

一部短劇正是能讓這種分工具體化的案例。S​eedance 2.5 的 50 項素材額度與獨立音訊參考，正是在二十個鏡頭中維持同一組演員、同一個場景與同一個聲音的正確工具——那是一個一致性問題，而參考素材的數量正是解決之道。Kling 4.0 的關鍵影格軌道與定向編輯，則是針對該集中必須精準到位的那兩、三個鏡頭的正確工具：揭露、反應、產品插入，也就是導演清楚知道第 11 幀該長什麼樣子的地方。

這也是為什麼乾脆不選、以及為什麼別選錯的論據。影片生成周邊的統籌工作——鏡頭清單、提示詞草擬、參考素材的標註、審核關卡、生成中途失敗時的重新嘗試——都是文字模型的工作，應該收在單一介面之後，而不是散在兩套廠商 SDK 裡。OrcaRouter 提供 200 多個模型一個與 OpenAI 相容的端點，以供應商牌價、0% 加價並自動容錯切換，讓管線能把路由決策留在設定裡，而不是寫在程式碼中。這裡提到的兩個模型目前都不在我們的目錄上：我們的 Kling 系列只到 Kling 3.0 家族，從 Kling 3.0 與 Omni 每次請求 $0.084 起，到 Turbo 的 $0.112，而 Seedance 2.5 同樣沒有納入路由。目錄上有的是管線的其他部分，而那才是大部分轉換成本真正所在。

裁決，陳述為一項條件，而非贏家

當作品是一系列作品、聲音是輸入來源，而且你需要一個今天就能放進試算表的價格時，選擇 S​eedance 2.5。當作品是少數幾個精準執導的鏡頭、聲音是生成出來的，而且每一個鏡次都有人在監看時，選擇 Kling 4.0——並接受你是在憑其控制介面的實力，購買一個未經實測、尚未定價的模型。當 Kling 4.0 的 API 結束早期存取、第一個 Elo 出現時，重新執行比較；如果生成能力的躍升是真的，參考量的論點就不再具決定性，而關鍵影格的論點則成為轉換的理由。