চূড়ান্ত রায় (একটাই সেকশন পড়লে এটাই পড়ুন)
একই প্রম্পট, একটি অ্যাকাউন্ট আর হাতে স্টপওয়াচ নিয়ে চারটি বাজেট-ফ্রেন্ডলি AI ভিডিও মডেলে আমরা 16টি ভিডিও জেনারেট করেছি। সংক্ষেপে ফলাফল:
- Grok Imagine 1.5 — প্রতি ক্লিপে সবচেয়ে সস্তা (20 credits থেকে শুরু) আর এই দামে 8-সেকেন্ডের ক্লিপ দেওয়া একমাত্র মডেল — কিন্তু এটা শুধুই image-to-video। শুরুর ছবি নেই তো ভিডিওও নেই।
- Hailuo 02 — বাজেটে সেরা অল-রাউন্ডার: text-to-video আর image-to-video দুটোই পারে, মুড আর লাইটিং জোরালো, সূক্ষ্ম ডিটেইলে সবচেয়ে দুর্বল — ফুটেজ বাকিদের চেয়ে লক্ষণীয়ভাবে সফট আসে।
- Kling 3.0 Turbo — এই গ্রুপের কোয়ালিটির সিলিং: আমাদের টেস্টে গড়ে সবচেয়ে দ্রুত জেনারেশন, বিটরেটের হিসেবে সবচেয়ে ঝকঝকে ফুটেজ, আর পড়ার মতো টেক্সট রেন্ডার করা একমাত্র মডেল। এর জন্য দিতে হয় একটা Grok ক্লিপের প্রায় 7×।
- Seedance 2.0 Mini — বক্স থেকে বেরিয়েই সবচেয়ে সিনেম্যাটিক কালার আর সবচেয়ে মসৃণ একটানা ক্যামেরা মুভ — সোশ্যাল ক্লিপের জন্য ফিল্মমেকার লুক, কাঁচা রিয়ালিজমে Kling-এর চেয়ে সামান্য পিছিয়ে।
আমরা কীভাবে টেস্ট করেছি
আমরা যত তুলনামূলক লেখা খুঁজে পেয়েছি, সবই হয় ভেন্ডরের মার্কেটিং ক্লিপ আবার ছাপে, নয়তো আলাদা আলাদা প্রম্পটে একটা করে মডেল "টেস্ট" করে। তাই আপনি যা করতেন আমরা তা-ই করেছি: একটা CreateVision অ্যাকাউন্ট খুলে 2026-07-08 তারিখে চারটি মডেলেই হুবহু একই প্রম্পট চালিয়েছি।
- একই প্রম্পট, একই সেটিংস: 720p (Hailuo-তে 768p, কারণ সেখানে 720p নেই), 5–6 সেকেন্ডের ক্লিপ, ডিফল্ট সেটিংস, কোনো চেরি-পিকিং নেই — নিচের প্রতিটি ভিডিও প্রথম এবং একমাত্র টেক।
- মাপা হয়েছে, উদ্ধৃত নয়: জেনারেশন টাইম মানে টাস্ক তৈরি থেকে ডাউনলোডযোগ্য ফাইল পর্যন্ত ওয়াল-ক্লক সেকেন্ড, ভেন্ডরের দাবি নয়।
- মানুষ আসলে যে চারটি কারণে ভিডিও মডেল কেনে, সেই চার মাত্রায় টেস্ট: মানুষ ও আবেগ, ফিজিক্স, ক্যামেরা কন্ট্রোল আর টেক্সট রেন্ডারিং — সঙ্গে একটি image-to-video পরিচয় রাউন্ড।
- ফেল কেসও বাদ যায়নি: যেখানে কোনো মডেল মুখ থুবড়ে পড়েছে, সেই ফ্লপটাও এখানেই এমবেড করা।
টেবিলের আগে একটা সৎ স্বীকারোক্তি: Grok Imagine 1.5 পাঁচ রাউন্ডের তিনটিতে নামতেই পারেনি। এর API-তে শুরুর ছবি বাধ্যতামূলক — এটি বিশুদ্ধ image-to-video মডেল। এটা কোনো ফুটনোট নয়; এই মডেল সম্পর্কে জানার সবচেয়ে জরুরি কথাটাই এটা।
এক নজরে তুলনার টেবিল
| মডেল | প্রতি ক্লিপে credits | মোড | ক্লিপের দৈর্ঘ্য | গড় স্পিড (মাপা) | কীসের জন্য সেরা |
|---|---|---|---|---|---|
| Grok Imagine 1.5 | 20–40 | শুধু image-to-video | 8s | ~78s | কম বাজেটে হাতে থাকা ছবি অ্যানিমেট করা |
| Hailuo 02 | 40–240 | Text-to-video + image-to-video | 6–10s | ~189s | সবচেয়ে সস্তায় সব-পারা মডেল, মুডি লাইটিং |
| Seedance 2.0 Mini | 100–200 | Text-to-video + image-to-video | 5–8s | ~180s | সিনেম্যাটিক সোশ্যাল ক্লিপ, মসৃণ ক্যামেরা মুভ |
| Kling 3.0 Turbo | 275–350 | Text-to-video + image-to-video | 5–10s | ~108s | মাঝারি বাজেটে সর্বোচ্চ রিয়ালিজম ও ডিটেইল |
রাউন্ড 1: মানুষ ও আবেগ
প্রতিটি ট্রাভেল ভ্লগ আর ফ্যাশন ব্র্যান্ডের দরকারি সেই দৃশ্য: একজন মানুষ, আবহাওয়া, নিয়ন, আর একটা আবেগের মুহূর্ত। Grok এই রাউন্ডে বসে থাকে (শুরুর ছবি নেই), তাই লড়াইটা ত্রিমুখী।
প্রম্পট: "A young woman in a yellow raincoat walks through a rainy neon-lit night market, puddle reflections, she turns to the camera and smiles"
Seedance 2.0 Mini দিয়েছে সবচেয়ে "কমার্শিয়াল" শট: স্যাচুরেটেড নিয়ন বোকে, পরিষ্কার মুখ, আর পুরো নির্দেশের ধারাটাই মেনেছে — হেঁটে যাওয়া, ঘুরে তাকানো, ক্যামেরার দিকে হাসা। গ্রেড করার আগেই একে গ্রেডেড দেখায়।
Kling 3.0 Turbo গেছে ডকুমেন্টারি পথে: চলমান বিক্রেতাসহ বাস্তব দেখতে বাজারের দোকান, বিশ্বাসযোগ্য ভেজা পিচরাস্তা, আর সেই ঘুরে-হাসার মুহূর্তটাও ঠিকঠাক। ফ্রেম ধরে ধরে দেখলে তিনটির মধ্যে এটিই সবচেয়ে ফটোরিয়াল।
Hailuo 02 মুডটা ধরে ফেলেছে — ভারী বৃষ্টির আবহ, জ্বলজ্বলে সাইনবোর্ড — ঘোরাটাও সম্পূর্ণ করেছে, কিন্তু মুখগুলো একটু মোমের মতো আর পেছনের পথচারীরা ঘেঁটে যায়। 1.7 Mbps-এ এর ফাইল ছিল Kling-এর 13 Mbps-এর ভগ্নাংশ, আর সেটা চোখে পড়ে।
সারকথা: তিনটি মডেলই ধাপে ধাপে মানুষের নির্দেশ ("walks… turns… smiles") বুঝেছে। পার্থক্য ফিনিশে: রিয়ালিজমে Kling, কালারে Seedance, বাজেটে মুডে Hailuo।
রাউন্ড 2: ফিজিক্স ও জল
জল সেই জায়গা যেখানে AI ভিডিও বরাবর ভেঙে পড়ে — ফেনা, জলকণা আর গতিজড়তা নকল করা কঠিন। একই নিয়ম: এক প্রম্পট, তিন টেক।
প্রম্পট: "A large ocean wave crashes over black volcanic rocks in slow motion, backlit spray droplets glowing in golden sunset light"
Seedance বানিয়েছে সবচেয়ে নাটকীয় কম্পোজিশন, কিন্তু এর জলকণা একটু ছবির মতো আঁকা লাগে — ফেনা জলের মতো ছিটকে না গিয়ে মেঘের মতো ফুলে ওঠে, আর ভেজা পাথরগুলো মসৃণ, খোদাই করা ভাস্কর্যের মতো।
Kling-এর টেকটাই স্টক ফুটেজ বলে চালিয়ে দেওয়া যায়: ঝকঝকে ফেনার টেক্সচার, পাথরের ওপর ঢেউ ভাঁজ হওয়ার বিশ্বাসযোগ্য গতি, শেষ সেকেন্ডে কয়েকটা পাখিও। এখানে এটি টেস্টে নিজের সবচেয়ে বড় ফাইলও বানিয়েছে (19 Mbps) — ডিটেইলের দাম বিট দিয়েই দিতে হয়।
Hailuo ফিজিক্স সুসংগত রেখেছে — ঢেউ ঠিক ক্রমে গড়ে ওঠে আর ভাঙে, সূর্যাস্তের রঙের প্যালেট অসাধারণ — কিন্তু সবকিছুই একটা নরম কুয়াশার আড়ালে, যা ল্যান্ডস্কেপকে সুন্দর দেখালেও ডিটেইল লুকিয়ে ফেলে।
সারকথা: ফিজিক্সের যুক্তি সবাই মোটামুটি সমাধান করে ফেলেছে — কেউ উল্টো বয়ে যাওয়া জল বানায়নি। টেক্সচারের রিয়ালিজম কিন্তু নয়: Kling স্পষ্ট এগিয়ে, Hailuo ডিটেইলের বদলে মুড নেয়, Seedance স্টাইলাইজ করে।
রাউন্ড 3: ক্যামেরা কন্ট্রোল
আমরা চেয়েছিলাম একটি নির্দিষ্ট, একাধিক ধাপের ক্যামেরা মুভ: একটা অরবিট যা উঠতে উঠতে দৃশ্য উন্মোচনে গড়ায়। এই রাউন্ডই আলাদা করে দেয় "সুন্দর ফ্রেম বানায়" আর "নির্দেশ বোঝে"-কে।
প্রম্পট: "Aerial drone shot slowly orbiting an old lighthouse on a sea cliff at sunrise, seagulls flying past, the camera rises to reveal the coastline"
Seedance করেছে সবচেয়ে পরিচ্ছন্ন একটানা মুভ — পুরো ক্লিপ জুড়ে অরবিটটা চোখে ট্র্যাক করা যায়, একটা সিগাল লেন্সের কাছ ঘেঁষে যায়, আর ওপরে উঠতেই উপকূল ঠিক যেমন চাওয়া হয়েছিল তেমনই উন্মোচিত হয়।
Kling হালকা একটা অরবিট শুরু করে শেষ সেকেন্ডে হঠাৎ অনেক ওয়াইড হাই-অ্যাঙ্গেল রিভিলে লাফ দিয়েছে — ফ্রেমিং দুর্দান্ত, কিন্তু এটা এক টানা ক্যামেরা মুভের বদলে এডিট কাটের মতো লাগে। কম্পোজিটিংয়ের জন্য অবিচ্ছিন্ন মুভ দরকার হলে এটা গুরুত্বপূর্ণ।
Hailuo বেগুনি-গোলাপি সূর্যোদয়ের মধ্যে স্থির, নরম একটা অরবিট ধরে রেখেছে, ফ্রেম পেরিয়ে যায় একটা পাখি — সুসংগত আর সুন্দর, কিন্তু রাউন্ডের সবচেয়ে সফট ফুটেজ (1 Mbps-এরও কম)।
সারকথা: নির্দেশমাফিক, একটানা ক্যামেরা মোশনে Seedance ছিল সবচেয়ে বাধ্য। Kling আক্ষরিক নির্দেশ মানার চেয়ে নজরকাড়া ফলাফলের দিকেই ঝোঁকে।
রাউন্ড 4: টেক্সট রেন্ডারিং (যেখানে সবাই হোঁচট খায়)
প্রতিটি মডেলের ডেমো একটা কারণেই টেক্সট এড়িয়ে চলে। আমরা চেয়েছি লাতে আর্টে একটা শব্দ লেখা হোক — ফ্লুইড ফিজিক্স আর টাইপোগ্রাফি মেশানো এক অত্যাচারী টেস্ট। সৎ ফলাফল এই রইল।
প্রম্পট: "Close-up of a barista pouring latte art that forms the word LOVE in the milk foam, cozy cafe morning light"
Seedance অবাক করার মতো কাছে পৌঁছেছে: শেষ ফ্রেমে ফেনায় সামান্য গলে যাওয়া কিন্তু চেনা যায় এমন "Love" পড়া যায়, আর ঢালার ফিজিক্সও ঠিকঠাক। হাত, পিচার, কাপ — সবই অটুট থাকে।
Kling-ই একমাত্র মডেল যে শব্দটা পরিষ্কার রেন্ডার করেছে — ক্রেমার ওপর বসানো ঝকঝকে সাদা "LOVE" অক্ষর, পুরো ঢালাজুড়ে বাস্তব হাত আর স্টিলের পিচারের প্রতিফলন।
Hailuo টেক্সটে ফেল: ঢালাটা দেখতে ভালো, ক্যাফের বোকেও চমৎকার, কিন্তু ফেনা শেষমেশ পাঠোদ্ধারের অযোগ্য আঁকিবুঁকি হয়ে থামে। ক্লিপে কোনো অন-স্ক্রিন লেখা লাগলে এই মডেল আপনার জন্য নয়।
সারকথা: বাজেট ক্লাসে ভিডিওর ভেতরের টেক্সট এখনো কোয়ালিটির সবচেয়ে ধারালো বিভাজক। Kling পাশ, Seedance অর্ধেক পাশ, Hailuo ফেল — আর আমাদের ধারণা, এক দাম-ধাপ নিচের বেশির ভাগ মডেলও ফেলই করত।
রাউন্ড 5: Image-to-Video পরিচয় টেস্ট
শেষে সেই রাউন্ড, যার জন্যই Grok তৈরি। আমরা একটা পোর্ট্রেট জেনারেট করেছি (বৃষ্টিভেজা নাইট মার্কেটে হলুদ রেনকোট পরা এক নারী — ছবি নিচে) আর চারটি মডেলকেই একই মোশন ব্রিফ দিয়ে সেটি প্রাণবন্ত করতে বলেছি: স্বাভাবিক পলক, হাওয়ায় দোলা চুল, ঝিকমিক প্রতিফলন, সূক্ষ্ম পুশ-ইন।
প্রম্পট: "Bring this portrait to life: she blinks naturally, wind gently moves her hair, neon reflections shimmer on the wet street, subtle cinematic push-in"
Grok Imagine 1.5 এক টেকেই নিজের অস্তিত্বের সার্থকতা প্রমাণ করেছে: 8-সেকেন্ডের ক্লিপজুড়ে মুখটা নিঃসন্দেহে সে-ই থাকে — বাকিদের চেয়ে 2–3 সেকেন্ড বেশি — স্বাভাবিক পলক আর ধীর পুশ-ইনসহ। 720p-তে 40 credits — এত সস্তায় বিশ্বাসযোগ্য ফটো অ্যানিমেশন আমরা আগে দেখিনি।
Seedance পরিচয় ভালোই ধরে রেখেছে, কিন্তু শটটা সোর্সের চেয়ে টাইট করে রি-ফ্রেম করেছে — কম্পোজিশন কার্যত ক্রপ হয়ে গেছে। মুখ দারুণ, তবে আপনার আসল ছবিটা কম।
Kling মুখ আর মূল দৃশ্যের সবচেয়ে ওয়াইড ভিউ — দুটোই রক্ষা করেছে, চারটির মধ্যে সবচেয়ে ঝকঝকে আউটপুটসহ। সোর্স ছবির কম্পোজিশন গুরুত্বপূর্ণ হলে Kling-ই সেটাকে সবচেয়ে সম্মান দিয়েছে।
Hailuo দিয়েছে স্বপ্নালু ধীর পলক, সাদৃশ্যও ধরে রেখেছে, যদিও সোর্সের গ্রেডের চেয়ে খানিকটা সফট আর মুডির দিকে সরে গেছে।
সারকথা: এই ক্লাসে পরিচয় ধরে রাখা মোটামুটি সমাধান হয়ে যাওয়া সমস্যা — চারটি মুখই চিনতে পারার মতো একই মানুষ থেকেছে। বাছুন বাজেট (Grok), সোর্স ফ্রেমিংয়ের বিশ্বস্ততা (Kling), নাকি আবহ (Hailuo) — কোনটা দরকার সেই হিসেবে।
প্রতিটি ভিডিওর আসল খরচ
নিচের credits হলো CreateVision-এ আমাদের টেস্ট করা সেটিংসে প্রতি ক্লিপের হিসাব (budget tier = সবচেয়ে কম রেজোলিউশন, standard = ওপরে যা ব্যবহার করেছি)। কোনো সাবস্ক্রিপশনের ক্ষতি হয়নি: এই লেখার 16টি টেস্ট ভিডিওর মোট খরচ একটা স্টক-ফুটেজ ক্লিপের লাইসেন্সের চেয়েও কম।
| মডেল | Budget tier | Standard tier | নোট |
|---|---|---|---|
| Grok Imagine 1.5 | 20 credits (480p) | 40 credits (720p) | শুধু image-to-video; 8s ক্লিপ — এখানে প্রতি সেকেন্ডে সবচেয়ে কম খরচ |
| Hailuo 02 | 40 credits (512p / 6s) | 120 credits (768p / 6s) | 1080p / 10s অপশন নিলে দাঁড়ায় 240-এ |
| Seedance 2.0 Mini | 100 credits (480p) | 200 credits (720p) | T2V আর I2V-এর দাম একই |
| Kling 3.0 Turbo | — | 275 credits (720p), 350 (1080p) | সত্যিকারের budget tier নেই; ফিনিশের দামটাই দিচ্ছেন |
মাপকাঠি হিসেবে: ফ্রি CreateVision অ্যাকাউন্টে শুরুতেই এত credits থাকে যে কয়েকটা Grok বা Hailuo budget ক্লিপ চালানো যায়; এই লেখার পুরো 16-ভিডিওর টেস্টে খরচ হয়েছে মোটামুটি 2,400 credits-এর জেনারেশন।
আপনি কোনটা বেছে নেবেন?
চারটি মডেল, চার রকম উত্তর — নির্ভর করছে আপনি আসলে কী বানাচ্ছেন তার ওপর:
ছবি অ্যানিমেট করলে বেছে নিন Grok Imagine 1.5
পুরোনো পারিবারিক ছবি, প্রোডাক্ট স্টিল, পোর্ট্রেট পোস্ট — ছবি থেকে শুরু হওয়া যেকোনো কিছু। 8-সেকেন্ডের ক্লিপে 20–40 credits মানে বিকল্পগুলোর চেয়ে 3–7× সস্তা, আর রাউন্ড 5 দেখিয়েছে কোয়ালিটিও টেকে। শুধু মনে রাখবেন: শুরুর ছবি নেই তো ভিডিওও নেই।
সস্তায় সব-পারা একটা মডেল চাইলে Hailuo 02
কোনো রাউন্ডেই এটি সবচেয়ে ধারালো ছিল না, কিন্তু কখনো বাদও পড়েনি: T2V আর I2V, সুসংগত ফিজিক্স, লাইটিংয়ে সত্যিকারের মুড, শুরু 40 credits থেকে। শুধু তখনই এড়িয়ে যান যখন ক্লিপে সূক্ষ্ম ডিটেইল বা অন-স্ক্রিন টেক্সট লাগবে।
ক্লিপ একদম বাস্তব দেখাতে হলে Kling 3.0 Turbo
যে রাউন্ডে নেমেছে সেখানেই রিয়ালিজমে জিতেছে বা সমানে সমান থেকেছে, টেস্টের একমাত্র পাঠযোগ্য টেক্সট রেন্ডার করেছে, আর — চমক — গড়ে সবচেয়ে দ্রুত জেনারেশন টাইমও (~108s মাপা) এরই। বাজেট সেভাবেই ধরুন: একটা Kling ক্লিপের দাম প্রায় সাতটা Grok ক্লিপের সমান।
নির্দেশমাফিক, সিনেম্যাটিক শটের জন্য Seedance 2.0 Mini
টেস্টের সেরা একটানা ক্যামেরা কন্ট্রোল, আর এমন কালার যা বেরিয়েই গ্রেডেড দেখায়। সোশ্যাল-ফার্স্ট গল্প বলায়, যেখানে আপনি পরিচালকের মতো শট বর্ণনা করেন, এটি মাঝারি দামে ব্রিফটা সবচেয়ে বিশ্বস্তভাবে পূরণ করে।
প্রায়ই জিজ্ঞাসিত প্রশ্ন
Text-to-video রাউন্ডগুলোয় Grok Imagine 1.5 নেই কেন?
কারণ এর API শুরুর ছবি ছাড়া কাজই নেয় না — image input একটি বাধ্যতামূলক প্যারামিটার, যা এই টেস্ট বানাতে গিয়ে আমরা নিজেরাই নিশ্চিত হয়েছি। এটি বিশুদ্ধ image-to-video মডেল, আর সে কারণেই এখানকার সবচেয়ে সস্তা অপশন হতে পারে।
ফলাফলগুলো কি অনেক টেক থেকে বেছে নেওয়া?
না। এই লেখায় এমবেড করা প্রতিটি ভিডিও ওই মডেল-প্রম্পট জুটির প্রথম ও একমাত্র জেনারেশন — ব্যর্থতাগুলোসহ। সে জন্যই Hailuo-র পাঠোদ্ধারের অযোগ্য লাতে আর্টও পাতায় আছে।
কোন মডেল সবচেয়ে দ্রুত?
আমাদের মাপা রানে Kling 3.0 Turbo-র গড় ছিল প্রতি ক্লিপে ~108 সেকেন্ড — সবচেয়ে দামি হয়েও চারটির মধ্যে দ্রুততম। Grok-এর একমাত্র টেক এসেছে ~78 সেকেন্ডে। Seedance Mini আর Hailuo দুটোরই গড় প্রায় 3 মিনিট। এগুলোকে সেদিনের আবহাওয়া ভাবুন, ফিজিক্স নয়: কিউয়ের চাপে এদিক-ওদিক হয়।
আমি কি নিজে একই টেস্ট চালাতে পারি?
হ্যাঁ — চারটি মডেলই একটা CreateVision অ্যাকাউন্ট থেকে চলে, আর এই টেস্টও ঠিক সেভাবেই করা (মাল্টি-মডেল ওয়ার্কস্পেসের মানেই তো এটা: চারটে সাবস্ক্রিপশনও না, চারটে টপ-আপও না)। একটা প্রম্পট বেছে প্রতিটি মডেলে চালান — আপনার তুলনা অন্য কারও বেঞ্চমার্কের চেয়ে আপনার কাজের জন্য বেশি প্রাসঙ্গিক হবে।
