H3 Max, Wan 3.0 и GPT Image 2.5: проверили новые модели одной лужей

Сравнивать видеонейросети по пресс-релизам бесполезно: каждая «самая реалистичная» и «лучшая в своём классе». Поэтому мы сделали проще. Взяли один запрос, отправили его всем пяти видеомоделям MaxGPT и засекли, сколько каждая думала и что получилось.

Запрос был такой: «Осенняя улица после дождя, золотой час. Девушка в жёлтом дождевике прыгает в лужу, брызги, вокруг кружатся кленовые листья. Она смеётся и говорит: „Осень пришла!“ Ручная камера, живой звук улицы».

Две из пяти моделей у нас новые — H3 Max и Wan 3.0. А заодно мы обновили картиночную модель по умолчанию: вместо GPT Image 2 теперь работает GPT Image 2.5. Расскажем про всех по очереди, а в конце — какую когда брать.

H3 Max: ролик быстрее, чем вы допьёте глоток кофе

Начнём с цифры, ради которой эту модель стоит попробовать. Девять секунд. Столько прошло от нажатия кнопки до готового пятисекундного ролика со звуком, и это вместе с очередью и загрузкой файла. Сама генерация на видеокарте заняла две с половиной секунды. Остальные модели на тот же запрос тратили от полутора до трёх с лишним минут.

Откуда такая скорость. В основе — MiniMax H3, видеомодель китайской компании MiniMax с открытыми весами. Её взяла команда fal, одна из крупнейших площадок, где запускают генеративные модели, дообучила и переписала под свои серверы. В конце августа они выпустили результат под названием H3 Max. По их замерам, пропускная способность выросла примерно в 35 раз по сравнению с исходной H3, а в слепых сравнениях, где зрители выбирают лучший из двух роликов, не зная, чей какой, H3 Max обошла дюжину конкурентов.

Скорость — не единственный плюс. H3 Max всегда генерирует ролик со звуком: шум улицы, шаги, смех, короткие реплики. В нашем тесте героиня прыгнула в лужу, листья закружились, и прозвучало вполне разборчивое «Осень пришла!» по-русски. Переключателя звука у модели нет, да он и не нужен: звук идёт бесплатно.

H3 Max, 9 секунд от запроса до файла. Включите звук — реплика в конце.

Теперь честно про ограничения. Разрешение — 768p, это меньше Full HD. Для сторис, рилс и черновиков хватает, для большого экрана — уже нет. И в сложных сценах с быстрым движением H3 Max проще, чем дорогие модели: детали чуть мягче, физика воды скромнее.

Зато цена: 40 медиа-кредитов за секунду, ролик на 5 секунд — 200 кредитов. Это самое дешёвое видео в MaxGPT. Мы бы использовали H3 Max так: перебрать пять-десять вариантов промпта, найти удачную идею, а финальную версию при желании отправить в модель подороже. Подробности и характеристики — на странице H3 Max.

Wan 3.0: видео, похожее на снятое телефоном

Wan — семейство видеомоделей Alibaba. Третье поколение вышло в бету в начале августа 2026 года, а 24 августа стало доступно всем. В Alibaba делали упор на людей: живые лица разной внешности, естественную мимику, движения без «пластика», которым грешат многие нейросети.

Модель умеет больше, чем мы пока используем. Нативно она генерирует ролики до 30 секунд, понимает на входе текст, картинки, звук и даже видео. В MaxGPT доступны ролики на 5, 10 и 15 секунд, в 720p, по описанию или от вашего фото.

В нашем тесте Wan сняла самый «бытовой» ролик из пяти. Никакой рекламной красоты: обычная улица, резиновые сапоги, листья летят прямо в камеру. Больше всего похоже на видео, которое подруга сняла на телефон, — а запрос ведь и просил ручную камеру. Звук и реплика на месте.

Wan 3.0, почти три минуты. Самая «телефонная» картинка из пяти.

Ждать пришлось почти три минуты. Это обычное время для видеомоделей такого уровня, но после H3 Max кажется вечностью.

По цене Wan 3.0 — середина: 50 медиа-кредитов за секунду, и звук не влияет на стоимость. Пятисекундный ролик — 250 кредитов. Kling 3 Pro со звуком обойдётся в 420, а Seedance Pro — в 760. Если нужен реалистичный человек в кадре и не хочется переплачивать, начинайте с Wan.

Один запрос — пять моделей

Вот как выглядели результаты всех пяти моделей. Время — от запроса до готового файла, цена — за ролик такой длины со звуком.

Veo 3.1 от Google выдала самый кинематографичный кадр: контровой свет, симметричная композиция, веер брызг и листьев, как в рекламе. Звук у Veo вообще лучший — дорожка собрана, а не просто добавлена. Но это самая дорогая секунда в MaxGPT. Для черновиков есть Veo 3.1 Fast: быстрее и заметно дешевле.

Veo 3.1, полторы минуты. Контровой свет и симметрия, как в рекламе.

Kling 3 Pro снял сцену спокойно и без монтажа: неподвижная камера сверху, отражение в луже, прыжок, и героиня смеётся прямо в объектив. Брызги и листья на месте, но «ручной камеры» из запроса не получилось. Kling силён в другом — в оживлении фото, об этом ниже.

Kling 3 Pro, 1 минута 50 секунд. Спокойный общий план.

Seedance Pro от ByteDance думала дольше всех, зато показала самую аккуратную работу с движением. Чистые брызги, отражения в мокром асфальте и смена планов: от общего к ногам и обратно к лицу, как будто ролик кто-то смонтировал.

Seedance Pro, 3 минуты 14 секунд. Три плана в одном ролике.

Одна деталь, о которой стоит знать. С первой попытки Kling и Seedance сказали «осЕнь пришла» — с ударением не на тот слог. H3 Max, Wan и Veo справились сами. Помог знак ударения в самой реплике: «О́сень пришла!» плюс слово «по-русски» в описании. Мы пробовали и популярный лайфхак с заглавной ударной гласной («Осень пришлА»), но видеомодели его не поняли: Seedance всё равно ошибалась, а Kling вообще переходил на английский. Если в вашем ролике герой говорит по-русски и путает ударение, ставьте знак ударения над нужной гласной.

Все пять роликов можно посмотреть рядом на странице моделей для видео. Там же видно, что «лучшей» модели нет: у каждой свой характер, и выбирать стоит под задачу.

GPT Image 2.5 вместо GPT Image 2

Теперь про картинки. 8 сентября OpenAI выпустила GPT Image 2.5 в двух вариантах. Sunburst — точная версия, которая внимательнее следует запросу и лучше правит готовые изображения. Flare — быстрая и попроще. В MaxGPT работает Sunburst.

GPT Image 2 и раньше была у нас моделью по умолчанию — за то, как она пишет текст на картинках, в том числе по-русски. Версия 2.5 делает это ещё аккуратнее и лучше держит длинные запросы с кучей деталей. Мы проверили на той же осенней теме: попросили девушку в жёлтом дождевике за столиком кафе с какао и надпись на витрине. Через полминуты пришла картинка с рукописным «Осень пришла» на стекле и строчкой «какао с зефиром — 190 ₽» — без единой кривой буквы. Именно этот кадр стоит справа на обложке статьи.

GPT Image 2.5, около 30 секунд. Обе надписи на стекле — с первой попытки.

Правки тоже стали надёжнее. Загрузите фото и напишите, что поменять: модель меняет то, что попросили, и реже перерисовывает лишнее.

Цены не изменились: 10 медиа-кредитов за картинку в обычном качестве и 50 — в высоком. Если у вас в настройках была выбрана GPT Image 2, ничего делать не нужно: генератор сам переключился на 2.5. Попробовать GPT Image 2.5.

Картинка → видео: связка, которая работает

Самый интересный результат теста получился случайно. Мы взяли ту самую картинку из кафе от GPT Image 2.5 и отдали её Kling 3 Pro — оживить. Над какао пошёл пар, по стеклу потекли капли, девушка улыбнулась. А надпись на витрине не поплыла ни в одном кадре, хотя буквы — первое, что обычно ломается у видеомоделей.

Картинка — GPT Image 2.5, движение — Kling 3 Pro.

Отсюда рабочий рецепт для обложек, открыток и роликов для соцсетей. Сначала рисуете идеальный кадр в GPT Image 2.5 — дёшево и с правильным текстом. Потом оживляете его в Kling 3 Pro или Wan 3.0. Получается гораздо предсказуемее, чем описывать всю сцену словами и надеяться, что видеомодель сама всё правильно расставит.

Одна оговорка. Seedance Pro не оживляет фото реальных людей — ByteDance блокирует такие кадры. Для портретов и семейных снимков берите Kling 3 Pro: он держит лицо узнаваемым от первой до последней секунды.

Какую модель выбрать

Если коротко, то под задачу.

Нужно быстро и дёшево — проверить идею, сделать сторис, перебрать варианты промпта — H3 Max. Девять секунд и 200 кредитов за попытку.

Нужен живой человек в кадре и бытовая, «нерекламная» картинка — Wan 3.0. Звук бесплатно, цена средняя.

Нужно оживить своё фото — Kling 3 Pro. Лица, одежда и надписи остаются как на снимке.

Нужен кинематографичный ролик со звуком как в кино — Veo 3.1, а для черновиков Veo 3.1 Fast.

Сложное движение — танец, спорт, вода, смена планов — Seedance Pro, если готовы подождать и заплатить.

Выбирать модель можно прямо в генераторе видео — например, сразу с H3 Max. Видео и картинки расходуют одни и те же медиа-кредиты, цена ролика видна до запуска.

Коротко

В MaxGPT две новые видеомодели. H3 Max — ускоренная fal версия MiniMax H3: ролик со звуком за девять секунд, 200 медиа-кредитов за пять секунд, разрешение 768p. Wan 3.0 от Alibaba — реалистичные люди и естественное движение, звук включён в цену, 250 кредитов за пять секунд. Картиночная модель по умолчанию теперь GPT Image 2.5 от OpenAI: ещё аккуратнее с текстом и правками, цены прежние — 10 и 50 кредитов. В тесте с одним запросом самой быстрой оказалась H3 Max, самой кинематографичной — Veo 3.1, самой аккуратной в движении — Seedance Pro. Всё работает без VPN и с оплатой российской картой.