Gemini Omni 1.2 vs Seedance, Kling, Veo ve Wan Karşılaştırması

👁 111 okunma

Altı model, iki sahne, virgülüne kadar aynı komut istemi. İlk sahnede kameranın pazar yerindeki bir elma satıcısının etrafında tam bir tur dönmesi gerekiyor. İkinci sahnede ise bahçede mangal başında iki adamın Lehçe diyaloğu yer alıyor. Her biri 6 saniyelik, 720p çözünürlükte ve sesli bu klipleri, Gemini Omni 1.2 Flash modelinin çıkış günü olan 5 Kasım akşamı ürettim.

Karşılaştırmaya Omni 1.2, selefi Omni 1.1, Google’dan Veo 3.1 Lite, ByteDance’ten Seedance 2.0 Fast, Alibaba’dan Wan 3.0 ve Kling 3.0 Standard modellerini dahil ettim. Hepsini OpenRouter üzerindeki aynı API aracılığıyla çalıştırdım; bu sayede maliyet ve süreler birebir karşılaştırılabilir oldu. Kling 4.0 ve Seedance 2.5 orada yer almıyor ya da kat kat daha pahalıya geliyor; bunlara yazının sonunda değineceğim.

Sonuç tablosu

Diyalogları sadece kulakla dinleyerek değil, her bir dosyayı Whisper large-v3 konuşma tanıma modelinden geçirip komut istemiyle karşılaştırarak kontrol ettim.

Sahne 1: Pazar tezgahı etrafında dönüş

Komut istemi (Lehçe orijinalinden çeviri): Elma satan yaşlı bir kadının etrafında kameranın akıcı ve tam bir tur atması, karakter ölçeğinin sabit kalması, kesme olmaması. Bu zorlu bir görev; çünkü modelin kadının arkadan nasıl göründüğünü ve arkasında ne olduğunu hayal etmesi, ardından tekrar aynı yüze dönmesi gerekiyor.

Omni 1.2 tam olarak istediğim şeyi gerçekleştirdi. Kamera önden başlıyor, yana geçiyor, kadının başörtüsünü düzelttiği arkaya doğru ilerliyor ve yeniden gülümseyen yüze geri dönüyor. Çiçekli başörtüsü ve yüz yapısı başta da sonda da tamamen aynı. Omni 1.1 de dönmeyi deniyor ve hatta arkaya bakıyor, ancak hareket oldukça sarsıntılı.

Diğer modeller ise bu dönüş hareketini yapamadı. Veo 3.1 Lite ve Wan 3.0 kamerayı tripoda sabitleyip kadına ellerini sallattı. Seedance hafif bir yaklaşma yaptı. Kling ise “kesme olmadan” talimatına rağmen sahneyi farklı arka planlara sahip birkaç çekime böldü; bu doğrudan bir hata.

Sahne 2: Mangal başında tartışma

Komut istemi (Lehçe orijinalinden çeviri): Bahçede mangal başında ellili yaşlarda iki adam. Kasketli olan ilk adam: “Sana sosisi Biedronka’dan almanı söylemiştim, Lidl’dan değil!” (Lehçe orijinalinin çevirisi: “Sana sosisi Biedronka’dan almanı söylemiştim, Lidl’dan değil!”). Gözlüklü ikinci adam: “Yiyeceksin ve mızmızlanmayacaksın.” (Lehçe orijinalinin çevirisi: “Yiyeceksin ve mızmızlanmayacaksın.”). Testi doğrudan Lehçe konuşma ile yaptık.

Omni 1.2 sakin bir tek plan sundu; her iki adam da baştan sona aynı kaldı ve dudak senkronizasyonu sesle uyuştu. Ancak ilk cümlenin sonunu yuttu: “z Biedronki, nie z Lidla” (Biedronka’dan, Lidl’dan değil) yerine yalnızca “z Biedronki” (Biedronka’dan) dedi. İki replik için altı saniye oldukça dar bir zaman olduğundan, model konuşmayı hızlandırmak yerine metni kesmeyi tercih etti. Aynı sahnenin referans bir görselden üretilen versiyonunda ise cümlenin tamamını söyledi.

Omni 1.1 metnin tamamını seslendirdi fakat sahneyi üç kesmeye ayırdı; ortadaki çekimde masada yeşil tişörtlü bambaşka bir adam oturuyordu. Veo 3.1 Lite ve Wan 3.0 bu aşamada en başarılı modeller oldu: Eksiksiz metin, doğru telaffuz ve tek plan. Seedance 2.0 Fast ikinci karakteri biralı bir adamla değiştirdi ve Lehçe telaffuzda kelimeleri orijinal Lehçe testteki bozuk yazım, orijinal Lehçe testteki bozuk yazım ve orijinal Lehçe testteki bozuk yazım şeklinde tamamen bozdu. Kling ise en tuhaf sonuca imza attı; metni kendi uydurduğu bozuk bir Lehçeye çevirdi. İlk repliği Lehçe orijinalinin çevirisi: “Sana sosisi Biedronka’dan almamız gerektiğini söylemiştim” yaptı, ikinci replik ise anlamsız bir orijinal Lehçe testteki bozuk yazım ifadesine dönüştü.

Kazanan kim?

Tek bir mutlak kazanan yok ve bu iki sahne arasındaki farklar durumu net şekilde gösteriyor.

• Kamera hareketi ve tek planda tutarlılık: Omni 1.2. Kesme olmadan gerçek bir kamera dönüşünü başaran tek model oldu ve sahnelerin hiçbirinde karakterlerin yüzü değişmedi.
• En ekonomik hatasız diyalog: Veo 3.1 Lite. Saniye başına 0,05 USD maliyetle hatasız konuşma sundu; ancak kamera tamamen sabitti ve süre seçenekleri yalnızca 4, 6 veya 8 saniyeyle sınırlı.
• Hız: Bir dakikanın altındaki süreleriyle Omni 1.1 ve 1.2. Wan ve Kling ise yaklaşık üç dakika bekletti.
• Çok dilli konuşmada uzak durulması gerekenler: Bu test konfigürasyonunda Kling 3.0 Standard ve Seedance 2.0 Fast.

Burada yer almayan alternatifleri de belirtmek gerek. ByteDance’in şu anki en güçlü modeli Seedance 2.5, OpenRouter üzerinde 720p için saniye başına yaklaşık 0,23 USD maliyete sahip; bu da Omni 1.2’nin üç katından fazla bir rakam olduğu için bu teste almadım. Kling 4.0 ise API üzerinden yalnızca tek bir sağlayıcıda bulunuyor ve kamuya açık bir tarifesi yok. Saniye başına ayrıntılı maliyet dökümü için Gemini Omni 1.2 fiyatı yazısına, beş sahneli karşılaştırmalar içinse video yapay zeka arenası içeriğimize göz atabilirsiniz.

Çıkış dönemine ait tüm testlerimizi Gemini Omni Flash merkezinde bir araya getirdim.

// okumaya devamGTA 6 Tarzı AI Video: Seedance, Wan 3.0 ve MiniMax KarşılaştırmasıKarşılaştırmalarSeedance 2.5, Wan 3.0 ve InfiniteTalk lip-sync testiKarşılaştırmalarGemini 4 Argon kaynak uyduruyor mu? 16 yayını inceledimKarşılaştırmalar