---

#Seedance 2.5

开发公司：字节跳动 Seed 团队

发布时间：2026 年 7 月 31 日

核心特点：侧重音视频联合生成、参考素材控制及编辑能力。厂商介绍的能力包括连续叙事、运镜和动作编排，可依据参考视频控制运镜与动作，适用于具有连续情节的多镜头内容。

Arena 评分：文生视频榜中的 Dreamina Seedance 2.5 (720p) 为 1474±9 分，第 7 名；图生视频榜中的 Dreamina Seedance 2.5 (720p) 为 1477±7 分，第 4 名；视频编辑榜中的 Dreamina Seedance 2.5 (720p) 为 1410±26 分，第 2 名。上述成绩对应榜单标注的 720p 配置。

适用场景：可用于多镜头故事、广告短片及基于参考视频的创作。例如，参照示范视频的运镜制作新的广告片、生成包含开场与转折的完整短故事，或依据舞蹈参考视频生成角色动作。参考视频宜与目标画面的节奏及构图相近；差异过大可能影响动作表现，并增加变形风险。

#Seedance 2.5 Draft

开发公司：字节跳动 Seed 团队

发布时间：2026 年 9 月 22 日

核心特点：用于先生成和检查视频草稿，再按选定草稿完成输出。公开接口支持提交 Draft ID，将草稿重新生成为 1080p 视频；该接口要求在 7 天内由原调用账户完成，Genspark 是否提供相同的续作操作需看接口。Draft 属于生成流程中的草稿模式，不能直接沿用标准版的速度、质量或评分。

适用场景：可用于分镜试验、动作方向确认和多个广告创意的初步比较。例如，先检查主体、运镜及情节顺序，再完成选定镜头。草稿筛选与后续成片可能分别产生用量，费用应以平台实际记录为准。

#Seedance v2

开发公司：字节跳动 Seed 团队

发布时间：2026 年 2 月 12 日

核心特点：Genspark 会员页面列出的 Seedance 2 系列另一版本，能力定位低于 Seedance 2.5，同样支持文字或参考素材驱动的视频生成。

适用场景：可用于根据文字描述生成风景短片，或依据商品图片制作展示视频。会员页面中的版本名称未完整说明具体规格，使用前应在参数栏确认时长、清晰度及音频支持情况。

#MiniMax H3

开发公司：MiniMax

发布时间：2026 年 7 月 31 日

核心特点：具备统一的多模态上下文理解能力，可生成带原生立体声的视频，并支持参考素材驱动的生成与修改。该型号可同时参考文字、图片、视频和音频，在同一次生成中完成画面与声音制作。

Arena 评分：文生视频榜中的 MiniMax H3 为 1460±9 分，第 8 名；图生视频榜中的 MiniMax H3 为 1495±5 分，第 1 名；视频编辑榜中的 MiniMax H3 为 1392±19 分，第 3 名。

适用场景：可用于电商广告、品牌动画、产品演示，以及结合动作或声音参考的短片。例如，根据商品图片与品牌音乐生成电商广告、依据动作参考视频制作角色动画，或生成带解说的产品演示。音频参考应与目标画面的节奏相近，以减少动作与声音不同步的问题。

#MiniMax H3 Max

开发公司：MiniMax

发布时间：2026 年 9 月 2 日

核心特点：基于开放权重 H3 加强指令遵循和画面审美，支持画面与音频联合生成。公开服务覆盖文生视频、图生视频、首尾帧控制和多模态参考，提供 5—15 秒、480p 或 768p 输出；不同平台可能仅开放其中部分参数。

适用场景：可用于带对白的广告、多个镜头的角色短片及参考素材再创作。例如，按时间段安排商品演示动作，或让同一角色在不同场景中保持外观与声音。提示词宜同时说明画面变化、对白及环境音，并检查每个事件是否按顺序出现。

#Wan 3.0

开发公司：阿里巴巴

发布时间：2026 年 10 月 22 日

核心特点：支持一次生成 2—30 秒、最高 1080p 的音画同步视频，覆盖文字、图片和参考素材驱动的创作。公开参考接口可结合图片、视频及音频；开启思考模式时还可使用文档或公开网页辅助理解创作要求。平台实际输入方式及数量上限应以 Genspark 参数为准。

适用场景：可用于较长的产品演示、连续动作片段、人物口播和带环境音的故事镜头。例如，结合商品图片及动作参考，生成一段完整的展示过程。长镜头应明确动作阶段及结束状态，并检查中途主体外观与空间关系是否变化。

#Gemini Omni Flash

开发公司：Google DeepMind

发布时间：2026 年 5 月 19 日

核心特点：Genspark 会员页面列出的型号。Gemini Omni 系列可结合文字、图片、视频与音频参考，通过自然语言逐轮修改场景、动作和风格，重点面向已有视频编辑。在视觉表现方面，侧重画面质感与光影效果。

Arena 评分：文生视频榜中的 gemini-omni-flash 为 1513±9 分，第 2 名；图生视频榜中的 gemini-omni-flash 为 1465±6 分，第 6 名；视频编辑榜中的 gemini-omni-flash 为 1367±15 分，第 4 名。

适用场景：可用于已有视频的创意改编、主体替换、风格调整及多轮编辑。例如，将实拍视频调整为动画风格、替换画面中的人物或商品，或通过多轮对话逐步调整光线与镜头。按厂商说明，场景延长功能目前仅适用于 Veo 3.1 生成的片段；需要延长时长的镜头，可优先使用 Veo 3.1 生成，具体功能是否开放仍以 Genspark 为准。

#Grok Imagine Video

开发公司：xAI

发布时间：2026 年 1 月 28 日

核心特点：官方模型文档列出文字、图片与视频输入，以及视频输出。该型号可根据文字描述、静态图片或已有视频生成新的视频内容。

Arena 评分：文生视频榜中的 Grok Imagine Video (720p) 为 1342±6 分，第 18 名；图生视频榜中的 Grok Imagine Video (720p) 为 1415±4 分，第 12 名；视频编辑榜中的 Grok Imagine Video 为 1258±10 分，第 7 名。文生视频与图生视频成绩对应 720p 配置。

适用场景：可用于文字描述生成片段、静态素材动态化及基于已有视频的延伸创作。例如，根据文字描述生成短片、将静态插画制作成动态画面，或依据已有片段继续创作。视频任务应在视频功能选择 Grok Imagine Video；Grok 4.7、Grok 4.6 等对话型号不直接承担视频生成任务。

#FLUX 3 Video

开发公司：Black Forest Labs

发布时间：2026 年 8 月 4 日

核心特点：支持原生音频，可根据文字、图片或关键帧生成视频，覆盖多样化风格与多镜头内容。该型号可通过关键帧控制画面的起止状态，并同步生成对白或环境音。

Arena 评分：文生视频榜中的 FLUX 3 Video 为 1493±17 分，第 3 名（初步评分，Preliminary）；图生视频榜中的 FLUX 3 Video (20260811) 为 1449±5 分，第 9 名。图生视频成绩明确对应 2026 年 8 月 11 日版本。

适用场景：可用于带对白或环境音的短片、产品动态展示及风格化广告。例如，通过指定首帧与尾帧生成产品变形动画、制作带环境音的风景短片，或生成风格化品牌广告。首尾关键帧的构图差异宜控制在合理范围内，差异过大可能影响中间画面的过渡自然度。

#FLUX 3 Max

开发公司：fal Research

发布时间：2026 年 10 月 22 日

核心特点：面向文生视频与图生视频，侧重运动连贯性、细节表现及较低生成延迟，公开页面列出 720p 输出。fal 展示的测试中，10 秒片段平均约 12.45 秒生成；该数字来自特定服务和测试条件，不代表 Genspark 的等待时间。

适用场景：可用于需要多次试拍的广告镜头、产品动态展示及快速创意迭代。例如，围绕同一产品连续比较不同运动轨迹，或从静态概念图生成预演镜头。速度测试结果不能替代成片检查，应重点核对人物面部、快速运动和细小结构。

#PixVerse C1

开发公司：爱诗科技

发布时间：2026 年 4 月 7 日

核心特点：面向影视化视频生成，公开服务支持原生音频、最高 1080p 与最长 15 秒输出。C1 系列分别提供文生视频、图生视频、参考生视频和首尾画面过渡功能；菜单中显示 C1 不代表 Genspark 已开放全部输入方式。

适用场景：可用于动作短片、社交广告、参考图驱动的视觉片段和镜头过渡。例如，把一张产品概念图转为带声音的宣传镜头。运动较快或镜头变化较多时，应明确主体、动作和景别，并检查手部、物体形态及音画配合。

#Kling V3

开发公司：快手

发布时间：2026 年 2 月 5 日

核心特点：支持多镜头叙事、主体一致性及原生多语言音频，可在一次生成中安排多个镜头，并保持人物外观的连续性。

适用场景：可用于动作场景、角色短片、产品广告及需要控制镜头节奏的内容。例如，生成人物奔跑与跳跃的动作片段、同一角色在多个场景中的短片，或产品多角度展示广告。多镜头提示词应按顺序分别说明各镜头的景别与动作，避免因镜头要求表述不清而影响生成顺序。

#Happy Horse

开发公司：阿里巴巴

发布时间：2026 年 4 月 28 日

核心特点：Genspark 会员页面以系列名称列出，未标明具体版本。阿里云公开介绍其支持文字、图片与参考素材驱动的视频生成。能力侧重包括画面质感与视觉呈现。

适用场景：可用于广告、电商展示、短剧及社交媒体内容。例如，制作电商商品展示视频、短剧情片段，或注重画面质感的社交媒体短视频。由于 Genspark 未标明具体版本，生成前应确认时长、画质与可用输入方式。

#Gemini Veo 3.1

开发公司：Google DeepMind

发布时间：2025 年 10 月 15 日

核心特点：厂商名称为 Veo 3.1，支持原生音频，侧重真实感、指令遵循、镜头控制及画面一致性。主要根据文字或图片生成新镜头，细节调整通常需要修改提示词后重新生成。

Arena 评分：文生视频榜中的 Veo 3.1 (Audio) 为 1364±14 分，第 12 名；图生视频榜中的 Veo 3.1 (Audio) 为 1398±10 分，第 13 名。上述成绩对应 Audio 配置。

适用场景：可用于广告镜头、产品演示，以及带环境音或对白的短片。例如，生成产品在桌面旋转展示的广告镜头、带环境音的街景短片，或两人对话的剧情片段。由于修改需要重新生成视频，提交前应完整说明镜头、动作与声音要求，以减少重复生成及相应积分消耗。

#Gemini Veo 3

开发公司：Google DeepMind

发布时间：2025 年 9 月 9 日

核心特点：根据文字或图片生成带原生声音的视频，可将对白、音效和环境声与画面共同生成。属于早于 Veo 3.1 的版本。Google 已宣布其 Veo 3.0 Gemini API 端点于 2026 年 6 月 30 日关闭；这不能直接说明 Genspark 同名菜单实际使用的服务版本。

适用场景：可用于带对白的短镜头、环境氛围片段及产品创意展示。例如，生成带街道环境音的城市镜头，或依据产品图片制作动画。选择前应确认功能当前可用性、实际输出规格及声音选项。

#Kling V3 Motion Control

开发公司：快手可灵团队

发布时间：2026 年 3 月 5 日

核心特点：将参考视频中的动作、节奏与表情迁移到角色图片上，角色外观主要由图片确定。公开服务包含 V3 Standard 与 V3 Pro 两种，并可保留参考视频原声；Genspark 未在菜单中注明具体精度。

适用场景：可用于舞蹈动作复现、虚拟角色表演、人物手势及讲解动作。例如，让指定角色执行示范视频中的动作，或将表演节奏迁移到已有角色形象。参考人物的构图、身体可见范围和动作幅度宜与目标角色匹配，以减少遮挡与肢体变形。

#Kling O3

开发公司：快手可灵团队

发布时间：2026 年 2 月 5 日

核心特点：可灵视频系列中的 O3 型号，公开服务支持原生音频、多镜头组织和元素参考，侧重镜头控制及主体一致性。系列页面列出 3—15 秒创作范围，可为不同镜头分别设置提示；具体分辨率、精度及输入方式应查看平台参数。

适用场景：可用于叙事广告、角色连续镜头、产品多角度展示和带对白的短片。例如，通过角色参考保持多个镜头中的人物外观，再分别安排景别与动作。多角色场景应注明每个角色的台词和行动，减少主体或声音混淆。

#PixVerse V6

开发公司：爱诗科技

发布时间：2026 年 3 月 30 日

核心特点：支持文字与图片驱动的视频生成，侧重多镜头逻辑、角色表现、镜头控制及同步音频。厂商页面介绍了 15 秒、1080p 的创作能力，可在一段视频中安排多个镜头并同步生成声音。

适用场景：可用于社交媒体视频、产品预告、广告创意及短剧情片段。例如，制作竖屏社交媒体视频、新品上市预告，或具有简短情节的喜剧片段。Genspark 实际开放的时长与清晰度可能与厂商页面不同，应以平台参数栏为准。

#Seedance Pro Fast

开发公司：字节跳动 Seed 团队

发布时间：2025 年 10 月 24 日

核心特点：公开同名系列为 Seedance 1.0 Pro 的速度优化版本，侧重生成效率、运动稳定性及成本控制，提供文字和图片驱动的视频功能。Genspark 菜单省略了代际编号，本条保留平台名称，不将其视为 Seedance 2.5 的 Fast 版，也不额外假设原生音频能力。

适用场景：可用于社交短片、商品动态初稿、广告方案比较及分镜预演。例如，批量生成不同运动或背景的产品展示版本。需要最终成片时，应先检查人物动作、产品边缘和镜头衔接，再决定是否换用其他精度重做。

#Fal Lipsync V3

开发公司：fal

发布时间：2026 年 4 月 6 日

核心特点：口型同步工具，以现有视频和目标音频为输入，调整画面中人物的嘴部运动，使其与新语音衔接。fal 的公开 V3 接口名为 sync-lipsync/v3，对应 sync-3；本条按该口型同步用途说明，不将其解释为一般文生视频模型。

适用场景：可用于视频翻配、口播台词更新及人物讲解片段。例如，在已有讲解视频中替换一段录音，再同步调整口型。输入应尽量保持面部清晰，目标音频宜与镜头长度接近；遮挡、快速转头和多人同时说话会增加处理难度。

#Wan V2.7

开发公司：阿里巴巴

发布时间：2026 年 4 月 7 日

核心特点：厂商名称为 Wan2.7-Video，覆盖文生视频、图生视频、参考素材生成视频及视频编辑，侧重多镜头一致性与自然语言控制。输入方式较完整，可通过自然语言指定镜头切换。

Arena 评分：文生视频榜中的 Wan 2.7 为 1337±7 分，第 20 名；图生视频榜中的 Wan 2.7 为 1428±5 分，第 11 名。

适用场景：可用于脚本视频、人物叙事、参考图驱动的片段及已有视频修改。例如，根据分镜脚本生成多镜头视频、使用人物参考图生成连续剧情，或调整已有视频的背景与色调。提供多份参考素材时，应说明各素材对应的角色或场景，以减少主体混淆。

补充说明：公开服务支持最长 15 秒的原生音频视频、首尾帧控制，以及通过自然语言编辑既有视频；角色参考可用于维持外观与声音的一致性。Genspark 实际可选时长、清晰度和编辑功能以参数栏为准。

#Vidu Q4

开发公司：生数科技

发布时间：2026 年 10 月 22 日

核心特点：官方列出图生视频及参考生视频，支持 3—16 秒片段、2K／4K 输出，以及最多 15 张参考图和 3 段参考音频。重点改善人物表现、快速动作、镜头语言和特效，可结合参考声音生成同步音画；Genspark 实际开放规格可能不同。

适用场景：可用于 AI 短剧、角色广告、动作片段及多镜头叙事。例如，结合角色、场景和画风参考，制作一段带对白的宣传短片。多张参考图应分别注明用途，并在输出后检查角色身份、声音归属和镜头切换。

#Runway

开发公司：Runway

核心特点：Runway 提供视频生成与编辑系列，可从文字、图片或已有片段出发完成镜头创作。官方产品体系还包括参考素材控制、背景调整、对象移除、延长和放大等工具；这些属于系列整体能力，不能推断 Genspark 的单一 Runway 功能全部支持。

适用场景：可用于产品动态展示、角色镜头、概念预演及已有片段的创意修改。例如，让产品静态图产生镜头运动，或围绕同一角色制作场景草稿。开始前应确认该功能要求的输入素材、时长、音频支持和实际版本。

#ByteDance Video Upscaler

开发公司：字节跳动

核心特点：对已有视频进行分辨率提升，公开服务列出 1080p、2K 和 4K 输出，并区分 30fps、60fps 及普通／Pro 处理。它需要输入视频，主要用于成片后的清晰度增强；输出规格和处理精度不同，用量也会变化。

适用场景：可用于放大已有 AI 视频、统一不同来源片段的输出规格及改善低清素材的展示效果。例如，将较低分辨率的产品短片处理成更适合发布的尺寸。应检查快速运动、字幕和边缘纹理，放大并不保证恢复拍摄时已丢失的真实细节。

#Topaz Video Upscaler

开发公司：Topaz Labs

核心特点：用于已有视频的放大、细节增强与画质修复。Topaz 公开产品分别提供侧重忠实保留的 Precision、生成式修复的 Starlight 和创意增强的 Astra 等系列；菜单未标版本，不能认定固定使用其中某一模型。降噪、补帧和 HDR 转换在公开目录中属于不同任务，不应默认包含在此放大功能中。

适用场景：可用于旧素材修复、压缩视频改善及 AI 成片后期增强。例如，改善低清存档视频，或让生成片段的细节更适合大屏展示。使用生成式增强时，应特别检查人脸、衣物纹理与文字，避免把生成的新细节当作原始记录。

#Depth Anything Video

开发公司：字节跳动 Video Depth Anything 研究团队

核心特点：从输入视频估计每帧的深度，并保持相邻帧的时间一致性，输出可用于表达远近关系的深度图。公开服务基于 Video Depth Anything，支持 Small、Base、Large 三种规模、不同伪彩显示、原视频并排对照和原始深度数据导出。它属于视频分析与后期辅助工具，不生成普通剧情视频，也不以提升分辨率为主要用途。

适用场景：可用于景深与雾效合成、前后景分层、三维重建辅助和场景理解。例如，依据深度图给远处物体添加雾效，或为后期合成区分近景和远景。单目估计不等同于精确测距，透明物体、反光表面及快速运动区域需要检查。

#模型选用建议

选用视频生成与编辑模型时，应根据创作目标、现有素材及制作阶段，综合考虑音画同步、多镜头一致性、参考素材控制与后期处理等需求。建议先确认所用功能支持的功能及输出规格，再通过代表性片段测试画面稳定性、动作自然度与声音同步效果，确认符合要求后开展完整制作。具体选用建议如下：

• 视频生成与音画同步：从文字或图片制作带声音的短片，可比较 Gemini Veo 3.1、MiniMax H3、Wan 3.0 与 FLUX 3 Video。宜在生成前明确镜头内容、动作顺序、画幅和声音要求，并以短样片检查主体稳定性、运动自然度及音画衔接，再安排完整制作。

• 多镜头叙事与参考控制：角色连续、多镜头编排及参考素材驱动的短片，可评估 Seedance 2.5、Kling V3／O3 或 Vidu Q4。应分别说明各镜头的主体、景别和动作，明确参考图片与声音的对应关系，并重点检查跨镜头外观、空间关系及台词归属的一致性。

• 已有素材与定向编辑：已有视频改编可评估 Gemini Omni Flash 或 Wan V2.7；角色动作迁移可采用 Kling V3 Motion Control；配音替换与口型调整可采用 Fal Lipsync V3。宜先确认实际支持的编辑方式，再用代表性片段检查素材保留、肢体细节及声音同步。

• 创意预演与后期制作：分镜和运镜验证可评估 Seedance 2.5 Draft 或 Seedance Pro Fast；成片放大与画质改善可比较 ByteDance、Topaz 视频放大工具；景深和分层合成可使用 Depth Anything Video。应按制作阶段选择功能，并核验最终时长、清晰度及新增细节。