Referans Görsellerden Video: En İyi Yapay Zeka Hangisi?
Ozan Sihay · 2026-11-04
💡 Hızlı Bilgi
1. Çoklu görsel referansla (nesneler ve karakter) video üretebilen yapay zeka modelleri Fal.ai platformu üzerinden test edildi.
2. Testin en hızlısı videodan daha kısa sürede (33 saniye) çıktı veren H3 Max olurken, en ucuz model Vidu Q4 oldu.
3. Vidu Q4 ilk turda yaklaşık 10 dakika, Wan 3.0 ise ikinci turda 15 dakika 22 saniye sürerek ciddi bekleme süresi yarattı.
4. Konuşmacıya göre metin komutunu (prompt) mantıksal olarak en doğru anlayan ve sahneleyen araç Wan 3.0 oldu.
5. Görsel derinlik ve sinematik kamera dili açısından konuşmacının genel değerlendirmede ilk sıraya koyduğu model Seedance 2.5 oldu.
📊 Detaylı Açıklama
Test süreci, görsel tutarlılığı zorlamak için seçilen 8 farklı antika/absürt nesne ve bir ana karakter referansıyla başladı. İlk aşamada eşit şartlar sağlamak adına 9 referans sınırı konuldu; çünkü Seedance modeli 30'a kadar görsel kabul etse de diğer modeller en fazla 9 ya da 10 referansa izin veriyor. Denenen altı model arasında Seedance 2.5, Vidu Q4, Kling 4.0, Wan 3.0, MiniMax (H3 Max) ve Happy Horse yer aldı. Çıktıların tamamı, ortak payda olması açısından 720p çözünürlükte ve 15 saniye uzunluğunda istendi.
Modellerin hız ve maliyet tablosu ciddi uçurumlar gösterdi. MiniMax tarafındaki H3 Max modeli 15 saniyelik videoyu 33 saniye gibi rekor bir sürede üretirken, Vidu Q4 neredeyse 10 dakika sürerek konuşmacıyı bezdirdi. Ancak maliyet tarafında Vidu en ekonomik seçenek olarak öne çıktı. Kling 4.0 bir dakika 50 saniyede dengeli bir hız sunarken, Seedance 2.5 beş buçuk dakikayı aştı. Flux modeli ise çoklu referans görselinden doğrudan video üretme desteği bulunmadığı için teste dahil edilmedi.
İlk turun görsel ve kurgusal sonuçlarında modeller komut sadakatiyle ayrıştı. Happy Horse ve H3 Max hikaye kurgusundan ve tutarlılıktan uzaklaştı. Buna karşın Wan 3.0, karmaşık ve absürt senaryo adımlarını en doğru sırayla birleştiren model oldu. Yerçekiminin tersine akması (kum saatindeki kumların yukarı çıkması) kuralını yalnızca Kling 4.0 başarabildi. Seedance 2.5 ise komuttaki bazı mimikleri kaçırsa da sinematik atmosfer, görsel zenginlik ve nesne formu koruma konusunda konuşmacının gözünde ilk turun birincisi oldu.
İkinci turda çıta yükseltilerek 30 saniyelik uzun videolar için en güçlü üç model (Seedance 2.5, Kling 4.0, Wan 3.0) 10 referansla yarıştı. Burada Wan 3.0 tam 15 dakika 22 saniye sürerek sabırları zorladı; Kling 4.0 ise 4 dakika civarında bitirdi. Sonuçlarda hiçbir model eski tip telefonun eldeki fiziksel formunu bozmadan koruyamadı; konuşmacı bunu eğitim verisindeki antika telefon azlığına bağladı. İkinci turda Kling tersine yerçekimini bu kez yapamadı ve kurgusal hatalar üretti. Wan 3.0 kurguyu doğru sürdürdü, Seedance 2.5 ise yine görsel kalite ve kamera hareketleriyle sinematik açıdan konuşmacının en beğendiği model olmayı sürdürdü.
🎯 Teknoloji Uzmanı Yorumu
Çoklu görsel referans kullanarak video üretimi, yapay zekanın en çok zorlandığı nesne tutarlılığı alanında kritik bir aşamayı temsil ediyor. Test sonuçları, modellerin tek bir kareyi canlandırmaktan öteye geçip art arda 9-10 farklı nesneyi aynı sahnede mantık hatası yapmadan birleştirmekte hâlâ ciddi fizik motoru sınırlarına takıldığını gösteriyor. Özellikle antika telefonun elde erimesi veya ters yerçekiminin her seferinde tutarlı çalışmaması, modellerin sahne geometrisini ve nesne kalıcılığını henüz kusursuz kavrayamadığını doğruluyor.
Üretim süreleri ve maliyet dengesi, bu araçların ticari iş akışlarına entegrasyonu için belirleyici faktör olarak öne çıkıyor. Tek bir 30 saniyelik video için 15 dakika beklemek (Wan 3.0 örneği) ya da 10 dakikayı bulan işlem süreleri (Vidu örneği), hızlı revizyon gerektiren kreatif ajanslar için ciddi bir verimsizlik yaratır. Buna karşılık Seedance 2.5 ve Kling 4.0, hem görsel derinlik hem de kabul edilebilir süre dengesiyle profesyonel prodüksiyon aşamasına daha yakın duruyor; ancak toplamda 9 kısa deneme için harcanan yaklaşık 29 dolarlık bütçe, deneme-yanılma maliyetlerinin profesyonel olmayan kullanıcılar için yüksek kalacağını gösteriyor.
Mevcut tabloya bakıldığında; reklam, konsept tasarımı ve sinematik storyboard (görsel taslak) hazırlayan profesyoneller için Seedance 2.5 ve Kling 4.0 modelleri referans tutarlılığı açısından en mantıklı seçenekler olarak görünüyor. Hikaye akışına ve komutun birebir uygulanmasına öncelik veren projelerde ise işlem süresi göze alınarak Wan 3.0 tercih edilebilir. Bütçesi kısıtlı olan veya anlık revizyonlarla çalışan bağımsız içerik üreticilerinin ise bu ağır modeller yerine hız odaklı çözümleri tercih etmesi ya da modellerin optimizasyon güncellemelerini beklemesi daha doğru bir yaklaşım olacaktır.
Kanal: Ozan Sihay