Jeszcze dwa lata temu wyścig na generatywne wideo rozgrywał się między OpenAI, Google i Runwayem. Dziś obraz jest zupełnie inny: na czele niezależnych rankingów stoi Wan 3.0 od Alibaby, ByteDance wypuścił model generujący ciągłe 30-sekundowe ujęcia z dźwiękiem w jednym przebiegu, OpenAI wygasza Sorę — a Google właśnie wrócił na podium z zupełnie nowym modelem. Sprawdzamy, jak wygląda stawka na koniec sierpnia 2026 i co ta zmiana układu sił oznacza dla produkcji filmowej.
Koniec Sory — symboliczny moment
Zacznijmy od wydarzenia, które najlepiej ilustruje przetasowanie: OpenAI zamknęło aplikację i serwis Sora 26 kwietnia 2026 roku, a 24 września wyłączy także API modelu — niewykorzystane kredyty firma pozwala przenieść na… programistycznego Codexa. Model, który w 2024 roku zdefiniował oczekiwania wobec generatywnego wideo i straszył Hollywood, schodzi ze sceny w momencie, gdy konkurencja rośnie najszybciej. Dla całej branży to sygnał, że w wideo-AI nie wygrywa ten, kto był pierwszy — tylko ten, kto szybciej iteruje i agresywniej wycenia.
Seedance 2.5: ciągłe 30 sekund w jednym przebiegu
Najgłośniejsza premiera lata należy do ByteDance. Seedance 2.5, zapowiedziany pod koniec czerwca na konferencji Volcano Engine FORCE w Pekinie, wyszedł oficjalnie 31 lipca, a 7 sierpnia trafił do publicznego API przez Volcano Ark i BytePlus ModelArk; 17 sierpnia dostawcy potwierdzili działanie wyjścia 1080p na wszystkich ścieżkach. Model generuje pojedyncze, ciągłe ujęcie o długości 30 sekund wraz z dźwiękiem — bez sklejania krótszych segmentów, w jednym spójnym przebiegu. To trzykrotnie więcej niż typowy pułap 8–10 sekund u konkurencji i pierwsza długość, przy której można myśleć o pełnych scenach dialogowych, a nie tylko o insertach. Do jednego zapytania da się podać nawet 30 obrazów, 10 klipów wideo i 10 plików audio jako referencje, z edycją sterowaną znacznikami czasu; dostępnych jest pięć trybów pracy — z tekstu, z obrazu, z referencji, edycja wideo i przedłużanie ujęcia. Poprzednik, Seedance 2.0, dostał natywne 4K w 10-bitowym kolorze i wciąż prowadzi w rankingu obraz→wideo. Skalę dystrybucji zapewnia ekosystem ByteDance: CapCut z ponad 400 milionami użytkowników miesięcznie, Dreamina i Doubao.
Sierpniowy ranking: Wan 3.0 na czele, Google wraca na podium
Sierpniowe zestawienie Artificial Analysis Video Arena — rankingu opartego na ślepych głosach użytkowników porównujących wyniki bez znajomości producenta — wygląda inaczej niż jeszcze wiosną. W kategorii tekst→wideo z dźwiękiem prowadzi Wan 3.0 od Alibaby z wynikiem 1244 punktów Elo, tuż za nim plasuje się Gemini Omni Flash od Google’a (1238), dalej MiniMax H3 (1228) i Seedance 2.0 (1221). W kategorii obraz→wideo kolejność jest odwrócona: pierwszy jest Seedance 2.0 (1191), drugi MiniMax H3 (1184), trzeci Gemini Omni Flash (1182). Sam Seedance 2.5 nie ma jeszcze osobnej pozycji w Arenie — jest zbyt świeży, by zebrać wystarczającą liczbę głosów.
Dwie rzeczy warto z tego wyczytać. Po pierwsze, chińska dominacja jest realna, ale nie totalna: w pierwszej dziesiątce obu rankingów niemal wszystkie miejsca zajmują modele z Chin — Wan, Seedance, MiniMax, Kling, a do tego nowa fala pretendentów jak HappyHorse od Alibaba-ATH czy SkyReels V4 od Skywork AI. Po drugie jednak, Google właśnie wrócił do ścisłej czołówki: Gemini Omni Flash jest drugim i trzecim modelem świata w swoich kategoriach, podczas gdy starszy Veo 3.1 spadł w okolice trzynastego miejsca. Wyścig, który w maju wyglądał na jednostronny, znów jest wyścigiem.
Kling i Wan — pieniądze i otwartość
Za rankingami stoją bardzo różne modele biznesowe. Kuaishou rozwija linię Kling 3.0 z natywnym audio i synchronizacją ust — i zarabia na niej realne pieniądze: w grudniu 2025 roku annualizowany przychód Klinga sięgnął 240 milionów dolarów, platforma deklaruje 60 milionów zarejestrowanych twórców i ponad 600 milionów wygenerowanych wideo, a w pierwszym kwartale 2026 przychody rosły o 300 procent rok do roku. Alibaba gra kartą otwartości: modele z rodziny Wan można hostować samodzielnie, licencja jest liberalna, a ceny API zaczynają się od około 2 centów za sekundę — to strategia, która w modelach językowych uczyniła z chińskich wag open-source standard branżowy, a teraz wyniosła Wana 3.0 na szczyt Areny. Ławkę uzupełniają Vidu Q3 od Shengshu AI (ujęcia do 12 sekund) i PixVerse V6.
Zachód: powrót Google’a, a obok — kwestia licencji
Wynik Gemini Omni Flash pokazuje, że Zachód nie wypadł z gry; przez chwilę wyglądało to inaczej. Runway z modelem Gen-4.5 pozostaje narzędziem najmocniej zakorzenionym w profesjonalnej postprodukcji, a Google utrzymuje równolegle Veo 3.1 z natywnym, zsynchronizowanym dźwiękiem i „filmowym” charakterem obrazu. Do stawki dołączył też grok-imagine-video od xAI, czwarty w rankingu obraz→wideo. Najciekawsza dla profesjonalistów jest jednak inna kategoria: Marey od Moonvalley, model wytrenowany w całości na licencjonowanych materiałach i reklamowany jako „bezpieczny komercyjnie” — bo przy produkcji dla studia czy nadawcy pochodzenie danych treningowych przestaje być abstrakcją prawną, a staje się warunkiem umowy. Rynek dzieli się więc nie tyle wzdłuż granic geograficznych, ile wzdłuż trzech osi naraz: ceny, jakości i czystości licencyjnej — a te trzy rzadko idą dziś w parze.
Co z tego wynika dla produkcji filmowej
Po pierwsze — ekonomia. Różnica cen między czołowymi modelami sięga rzędu wielkości: dziesięć minut materiału, które w zachodnim API kosztuje kilkaset dolarów, u chińskiego dostawcy potrafi zamknąć się w kilkunastu. Dla previsu, animatików, tła w pre-produkcji czy szybkich testów castingowych ujęć to już nie ciekawostka, tylko pozycja w budżecie.
Po drugie — ryzyko prawne. Modele trenowane na nieujawnionych danych pozostają polem minowym dla produkcji komercyjnych, zwłaszcza w Europie, gdzie AI Act wymusza transparentność względem materiałów treningowych (o regulacjach piszemy osobno). Stąd rosnąca pozycja modeli „czystych licencyjnie” w profesjonalnym obiegu — i ostrożność działów prawnych wobec najtańszych rozwiązań.
Po trzecie — kompetencje. Narzędzia zmieniają się co kwartał; Sora, jeszcze niedawno synonim całej kategorii, właśnie znika. Trwałą wartością nie jest znajomość konkretnego interfejsu, lecz umiejętności, które przenoszą się między modelami: precyzyjne opisywanie ujęć językiem filmowym, praca referencjami, budowanie spójności postaci i sceny, montaż materiału generowanego z kręconym. Innymi słowy — warsztat filmowy, tyle że z nowym typem kamery.
Źródła: Artificial Analysis — ranking tekst→wideo • Artificial Analysis — ranking obraz→wideo • OpenAI — wygaszenie Sory • Tech Times — Seedance 2.5 • EvoLink — status API Seedance 2.5 • RedHub — chińskie modele wideo • Atlas Cloud — porównanie modeli 2026 • VentureBeat — Moonvalley Marey