Generowanie wideo

Generuj klipy wideo z tekstu lub obrazów i ożywiaj nieruchome obrazy.

Dostępne
46z 91
Dostawcy
15
Zakres cen
0,0016 USD – 4,80 USDza domyślny przebieg

46 modeli

  • Google Veo 3.1

    Google DeepMind

    Nowe

    Latest Veo with image-to-video and context-aware audio

    audioi2v

    Modalności: Wideo

    0,48 USD/s

  • Kling v3

    Kuaishou (Kling)

    Nowe

    Cinematic video up to 15s with multi-shot and native audio

    audioi2v

    Modalności: Wideo

    0,2688 USD/s

  • Kling v3 Omni

    Kuaishou (Kling)

    Nowe

    Most versatile: multi-reference images, video editing, native audio

    audioi2vediting

    Modalności: Wideo

    0,2688 USD/s

  • Nowe

    Top-ranked for motion quality and visual fidelity

    top-quality

    Modalności: Wideo

    0,144 USD/s

  • Google Veo 2

    Google DeepMind

    Google's state-of-the-art video generation model. Simulates real-world physics with various visual styles.

    high-quality

    Modalności: Wideo

    0,60 USD/s

  • Google's Veo 3 served via Replicate. Text-to-video with native synchronized audio generation. High-fidelity motion and scene coherence in short clips.

    veotext-to-videoaudio

    Modalności: Tekst, Obraz, Wideo

    0,48 USD/s

  • Tencent's HunyuanVideo, a 13B open-weights text-to-video diffusion transformer. Produces high-motion, photorealistic clips with smooth temporal consistency and was one of the first open models to rival closed systems on motion quality.

    hunyuanvideotext-to-video

    Modalności: Tekst, Wideo

    ≈ 3,06 USD/uruchomienie

  • Kling v2.1

    Kuaishou (Kling)

    Kuaishou's Kling v2.1, generating 5 and 10 second videos at 720p or 1080p from text or an image. Known for cinematic camera work and realistic physical motion, available on Replicate via the official KwaiVGI account.

    videotext-to-videoimage-to-video

    Modalności: Tekst, Obraz, Wideo

    0,060 USD/s

  • Kling v2.1 Master

    Kuaishou (Kling)

    Kuaishou's premium Kling v2.1 Master. Generates 1080p 5s and 10s clips from text or an image with strong dynamics and prompt adherence. The top tier of the Kling 2.1 family.

    text-to-videoimage-to-video

    Modalności: Tekst, Obraz, Wideo

    0,336 USD/s

  • MiniMax Hailuo 02 on Replicate. Text-to-video and image-to-video producing 6s or 10s clips at 768p standard or 1080p pro. Known for accurate real-world physics and stable motion.

    hailuotext-to-videoimage-to-video

    Modalności: Tekst, Obraz, Wideo

    0,324 USD/wideo

  • Runway's Gen-4 Turbo on Replicate. Fast image-to-video generation producing 5s and 10s clips at 720p with strong character and scene consistency across shots.

    gen-4image-to-videofast

    Modalności: Tekst, Obraz, Wideo

    0,060 USD/s

  • Google Veo 3 Fast

    Google DeepMind

    Nowe

    Faster cheaper Veo 3 with audio

    fastaudio

    Modalności: Wideo

    0,18 USD/s

  • Google Veo 3.1 Fast

    Google DeepMind

    Nowe

    Faster Veo 3.1 with image-to-video and audio

    fastaudioi2v

    Modalności: Wideo

    0,18 USD/s

  • Nowe

    xAI video with native audio and lip-sync, up to 15s

    audioi2v

    Modalności: Wideo

    0,060 USD/s

  • Hailuo 2.3

    MiniMax

    Nowe

    Minimax model for realistic human motion and VFX

    i2v1080p

    Modalności: Wideo

    0,336 USD/wideo

  • Kling V2.5 Turbo Pro

    Kuaishou (Kling)

    Nowe

    Kling 2.5 Turbo Pro: Unlock pro-level text-to-video and image-to-video creation with smooth motion, cinematic depth, and remarkable prompt adherence.

    kwaivgitext-to-video

    Modalności: Tekst, Obraz, Wideo

    0,084 USD/s

  • Nowe

    Fast affordable video with I2V support

    fastbudgeti2v

    Modalności: Wideo

    0,072 USD/s

  • Nowe

    Physics-accurate video generation up to 1080p

    i2v1080pphysics

    Modalności: Wideo

    0,084 USD/s

  • Nowe

    A faster and cheaper version of Seedance 1 Pro

    text-to-video

    Modalności: Tekst, Obraz, Wideo

    0,072 USD/s

  • Seedance Lite

    ByteDance

    Nowe

    Budget ByteDance video, fast and cheap

    budgeti2vfast

    Modalności: Wideo

    0,0432 USD/s

  • Seedance Pro

    ByteDance

    Nowe

    ByteDance video with T2V and I2V, up to 1080p

    i2v1080p

    Modalności: Wideo

    0,18 USD/s

  • Wan 2.2 5B Fast

    Alibaba (Wan)

    Nowe

    The fastest Wan 2.2 text-to-image and image-to-video model

    wan-videotext-to-video

    Modalności: Tekst, Obraz, Wideo

    0,030 USD/wideo

  • Nowe

    Ultra-cheap I2V. Upload image and animate it.

    budgeti2vfast

    Modalności: Wideo

    0,060 USD/wideo

  • Nowe

    Ultra-cheap T2V for pennies

    budgetfast

    Modalności: Wideo

    0,060 USD/wideo

  • Wan 3

    Alibaba (Qwen)

    Nowe

    (50% off until Aug 30!) - Wan 3.0 generates video from a text prompt or a starting image, with cinematic motion and support for 480p, 720p, and 1080p output up to 30 seconds.

    text-to-video

    Modalności: Tekst, Obraz, Wideo

    0,12 USD/s

  • AnimateDiff

    Community

    Plug-and-play motion module that animates personalized Stable Diffusion models without further training. 16-frame clips at 512x512.

    animationanimatediffopen-source

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,1201 USD/uruchomienie

  • ByteDance distillation of AnimateDiff. 4-step sampling for over 10x faster inference at comparable quality to multi-step base model.

    animationbytedancefast

    Modalności: Tekst, Obraz, Wideo

    0,00117 USD/GPU s

  • CogVideoX-5B

    Community

    CogVideoX-5B from Tsinghua/Zhipu AI, an open 5B-parameter text-to-video diffusion transformer. Generates 6-second 720p clips with coherent motion and is widely used in research for its open weights and reproducibility.

    cogvideoxzhipuvideo

    Modalności: Tekst, Wideo

    ≈ 0,60 USD/uruchomienie

  • Zhipu/Tsinghua's 5B open text-to-video model. 720x480 @ 8fps, 6s clips, image-to-video variant available.

    tsinghuacogvideoxtext-to-video

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,4081 USD/uruchomienie

  • EchoMimic

    Community

    Ant Group EchoMimic. Lifelike audio-driven portrait animation with editable landmark conditioning for fine-grained motion control.

    lipsyncant-groupportrait-animation

    Modalności: Obraz, Wideo, Audio

    ≈ 0,48 USD/uruchomienie

  • Google FILM frame interpolation. Synthesizes high-quality intermediate frames between near-duplicate inputs, designed for large motion gaps.

    upscaleframe-interpolationopen-source

    Modalności: Obraz, Wideo

    ≈ 0,0016 USD/uruchomienie

  • LivePortrait

    Community

    Kuaishou LivePortrait. Efficient portrait animation driven by reference videos with stitching, retargeting and motion-control parameters.

    lipsynckuaishouportrait-animation

    Modalności: Obraz, Wideo

    ≈ 0,0949 USD/uruchomienie

  • Lightricks' 2B DiT video model. Realtime generation on consumer GPUs (~6s @ H100, 24fps).

    ltxtext-to-videoopen-weights

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,0229 USD/uruchomienie

  • Luma Labs' Ray-2 at 720p on Replicate. Text and image-to-video producing 5s and 9s clips with fast, coherent motion and strong camera control. Successor to Dream Machine.

    ray-2text-to-videoimage-to-video

    Modalności: Tekst, Obraz, Wideo

    0,216 USD/s

  • MagicAnimate

    Community

    ByteDance MagicAnimate. Temporally consistent human-image animation driven by a DensePose motion sequence with strong identity preservation.

    animationhuman-motionbytedance

    Modalności: Obraz, Wideo

    ≈ 0,4081 USD/uruchomienie

  • MiniMax's video generation model. Fast, high-quality video output with text-to-video capabilities.

    fastaffordable

    Modalności: Wideo

    0,60 USD/wideo

  • Mochi 1

    Genmo

    Genmo's Mochi 1, an open text-to-video model with high-fidelity motion built on a 10B Asymmetric Diffusion Transformer. Released under Apache 2.0, it was the largest open video model at launch and is strong on smooth, physically plausible movement.

    mochivideotext-to-video

    Modalności: Tekst, Wideo

    ≈ 0,5041 USD/uruchomienie

  • Mochi 1

    Community

    Genmo's 10B open-weights text-to-video model. AsymmDiT architecture, 5.4s @ 480p.

    genmomochitext-to-video

    Modalności: Tekst, Wideo

    ≈ 0,5041 USD/uruchomienie

  • MuseTalk

    Community

    Tencent MuseTalk real-time lip-sync model. Audio-driven mouth-region editing in latent space at 30+ fps on a single GPU.

    lipsynctencentrealtime

    Modalności: Wideo, Audio

    ≈ 0,0624 USD/uruchomienie

  • Real-Time Intermediate Flow Estimation. Doubles or quadruples FPS of an existing video via learned optical-flow-based frame interpolation.

    upscaleframe-interpolationopen-source

    Modalności: Wideo

    ≈ 0,0444 USD/uruchomienie

  • SadTalker

    Community

    Stylized audio-driven talking-head generator. Synthesizes 3D motion coefficients from audio to animate a single portrait image with natural head movements.

    lipsynctalking-headopen-source

    Modalności: Obraz, Wideo, Audio

    ≈ 0,1165 USD/uruchomienie

  • SwinIR Video

    Community

    SwinIR transformer-based super-resolution and denoising applied per-frame to video. Handles classic, real-world and lightweight upscaling.

    upscaletransformeropen-source

    Modalności: Wideo

    ≈ 0,0277 USD/uruchomienie

  • ToonCrafter

    Community

    Tencent ToonCrafter generative cartoon interpolation model. Synthesizes smooth in-between frames between two cartoon keyframes.

    animationtooncrafterinterpolation

    Modalności: Obraz, Wideo

    ≈ 0,0852 USD/uruchomienie

  • V-Express

    Community

    Tencent V-Express. Audio-driven portrait animation with progressive training, weak-condition learning, and expressive lip sync.

    lipsynctencentportrait-animation

    Modalności: Obraz, Wideo, Audio

    0,00168 USD/GPU s

  • VideoCrafter

    Community

    Tencent VideoCrafter latent video diffusion. Text-to-video and image-to-video generation up to 2s at 1024x576 with strong motion fidelity.

    upscalevideo-generationtencent

    Modalności: Tekst, Obraz, Wideo

    ≈ 0,1561 USD/uruchomienie

  • Wav2Lip

    Community

    Lip-sync model that re-syncs a target video's lip movement to an arbitrary audio track. Robust to identity and language with a lip-sync discriminator loss.

    lipsyncvideo-editopen-source

    Modalności: Wideo, Audio

    ≈ 0,0067 USD/uruchomienie

45 modeli niedostępnych

Ich strony pozostają dostępne, ale modele nie mogą być uruchamiane w tej chwili.

Modele wideo dla marketingu, motion designu i prototypowania

Modele wideo zamieniają prompt — albo statyczną klatkę, albo krótki clip referencyjny — w ruchomy obraz. Kategoria jest najmłodsza i najbardziej niestabilna w katalogu: co kwartał nowy flagship resetuje poprzeczkę jakości. Sięgaj po jeden z nich, gdy potrzebujesz materiału w ruchu szybciej, niż mógłby go wyprodukować ludzki edytor.

Ceny, kompromisy i pułapki

Cennik wideo jest najczęściej za sekundę outputu, a nie za token. Na Railwail pięciosekundowy klip kosztuje dziś od 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) do 3,00 USD (Veo 2); Veo 3 z dźwiękiem kosztuje 0,48 USD za sekundę. Tiery z dźwiękiem kosztują więcej niż wersje wyciszone. Mnożniki rozdzielczości dokładają się do długości: 720p to standard, 1080p kosztuje mniej więcej 2× więcej, a 4K jest rzadkie i drogie.

Kompromis tutaj to długość kontra spójność. Większość modeli komercyjnych ogranicza wyjście do pięciu-dziesięciu sekund, bo dłuższe klipy odpływają — postacie zmieniają ubrania, tła się przekształcają, a fizyka się psuje. Dla dłuższych narracji generuj sekwencję krótszych shotów i sklejaj je w postprodukcji. Image-to-video (klatka startowa + prompt ruchu) zwykle daje bardziej stabilne wyniki niż czysty text-to-video, zwłaszcza dla postaci i shotów produktowych.

Uwaga na długość klipów: większość modeli generuje od czterech do dziesięciu sekund na wywołanie (Kling v2.1: 5 lub 10 s, Veo 3.1 Fast: 4, 6 lub 8 s), a jakość często spada przy górnej granicy. Jeśli scenariusz potrzebuje więcej, planuj kilka shotów. Uwaga też na dźwięk: wiele modeli wychodzi bez dźwięku i trzeba dogrywać audio osobno — Veo 3 i Veo 3.1 to przykłady modeli, które generują dźwięk.

Top picks powyżej obejmują lidera realizmu flagship, najtańszego konia roboczego, model najdłuższego klipu oraz najszybszą opcję podglądu w kategorii.

Typowe zadania

  • Krótkie reklamy social
  • Dema produktowe i explainery
  • Teledyski i stylizowane shorty
  • Storyboardy do zdjęć live-action
  • B-roll generowany przez AI
  • Prototypy animacji postaci

Poradniki według przypadku użycia

Porównania modeli

Często zadawane pytania

Który model wideo jest najbardziej realistyczny?

Veo 3 i Veo 3.1 są mocne w foto-realistycznym ruchu, fizyce i zintegrowanym dźwięku. Runway Gen-4 i Kling v2.1 są blisko pod względem jakości wizualnej, ale wychodzą bez dźwięku. Dla artystycznego, stylizowanego outputu Pika i Dream Machine często biją flagshipy za ułamek kosztu.

Jak długi może być wygenerowany klip?

Większość modeli generuje od 4 do 10 sekund na wywołanie — na przykład Kling v2.1 5 lub 10 sekund, Veo 3.1 Fast 4, 6 lub 8 sekund. Dłuższe klipy kosztują więcej. Powyżej 10 sekund lepiej generować sekwencję shotów i edytować je razem — dryf jakości dziś dominuje nad długością pojedynczego wywołania.

Czy cennik wideo jest za sekundę czy za wywołanie?

Najczęściej za sekundę outputu. Na Railwail pięciosekundowy klip kosztuje dziś od 0,30 USD (Kling v2.1 standard, Runway Gen-4 Turbo) do 3,00 USD (Veo 2); niektóre modele, jak Hailuo czy Wan, są rozliczane za klip. Tiery z dźwiękiem i rozdzielczości od 1080p w górę kosztują więcej. Każda strona modelu pokazuje cenę standardowego uruchomienia.

Czy mogę generować wideo z obrazu startowego?

Tak — image-to-video to dziś najpewniejszy workflow. Podaj statyczną klatkę plus prompt ruchu i dostajesz znacznie bardziej stabilny output niż z samego tekstu, zwłaszcza dla animacji postaci i shotów produktowych. Większość flagshipów obsługuje oba tryby.

Czy dźwięk jest w komplecie?

Veo 3 i Veo 3.1 potrafią generować zsynchronizowany dźwięk (dialog, efekty, muzykę). Wiele innych modeli daje wideo bez dźwięku — audio generujesz osobno modelem TTS lub muzycznym i nakładasz w postprodukcji. Sprawdź obsługę audio na stronie modelu przed integracją.

Jakie rozdzielczości są obsługiwane?

Standardowe tiery oferują 720p. Tiery Pro dodają 1080p za mniej więcej 2× cenę. Wyjście 4K jest w 2026 rzadkie i drogie; dla finałów w wyższej rozdzielczości skaluj w postprodukcji dedykowanym upscalerem wideo.

Jak szybkie jest generowanie wideo?

Czas zegarowy zależy od modelu: 30 sekund do 2 minut dla klipu 5-sekundowego na infrastrukturze flagship, 5-15 minut na współdzielonych GPU open-weights. Planuj UX asynchroniczne — pokazuj postęp i pozwalaj użytkownikom wrócić.

Czy prawa do użytku komercyjnego są udzielane?

Tiery komercyjne (Veo, Runway, Kling Pro, Pika) udzielają bezterminowego, wolnego od opłat użytku komercyjnego. Niektóre modele open-weights z research ograniczają do niekomercyjnego — licencja jest podana na każdej stronie modelu. Przeczytaj, zanim umieścisz output w płatnej kampanii.

Zacznij z jednym API

Wszystkie dostępne modele przez jedno API kompatybilne z OpenAI. Przedpłacone kredyty w USD, bez subskrypcji.