Classifica Arena AI Text-to-Video — 2026

Classifica Completa — 31 Modelli

La tabella seguente rappresenta lo stato completo dell'Arena al 29 gennaio 2026. Ogni link al modello ti porta direttamente alla documentazione ufficiale o all'endpoint API in modo che tu possa testarli personalmente.

Il Filo del Rasoio in Cima

Mettiamo le cose in prospettiva. Due punti. Questo è tutto ciò che separa Veo 3.1 Audio da Sora 2 Pro in questo momento. Quando ho iniziato a monitorare questa classifica mesi fa, Google aveva un vantaggio confortevole. Quel cuscinetto è sparito. I primi sette modelli — quattro di Google, due di OpenAI, uno di xAI — sono tutti racchiusi in un intervallo di 33 punti. Nel benchmarking competitivo dell'AI, è come lanciare una moneta su qualsiasi prompt dato.

Ciò che permette a Veo 3.1 di mantenere la corona non è più la pura fedeltà visiva — è la generazione audio sincronizzata. Quando genero una scena di strada, i passi corrispondono al tipo di pavimentazione. I suoni della pioggia cambiano con la distanza della telecamera. Il motore di un'auto accelera in sincronia. Questo non è audio in post-produzione sovrapposto; è generato nello stesso passaggio diretto del video. Quella singola capacità è ciò che mantiene Veo al n. 1, perché quando i giudici umani guardano due clip fianco a fianco, quella con il suono corrispondente semplicemente sembra più reale.

Ma Sora 2 Pro sta vincendo in aree che Veo non enfatizza. Ho eseguito prompt pesanti sulla fisica — un bicchiere d'acqua rovesciato da un tavolo, una bandiera al vento variabile, tessuto che si impiglia in una maniglia — e Sora produce costantemente risultati fisicamente più accurati. L'acqua schizza con la massa giusta. Il tessuto si allunga prima di strapparsi. I frammenti di vetro si disperdono con uno slancio credibile. Se la tua ripresa dipende dalla fiducia del pubblico nella fisica, Sora è la scelta giusta. Veo crea bellezza; Sora crea credibilità.

Sora 2 al n. 7 rimane la variante da lavoro — leggermente meno raffinata della Pro, ma più veloce da generare e più che capace per la maggior parte dei lavori di produzione. Utilizzo ancora Sora 2 standard per il 70% delle mie attività video OpenAI perché il rapporto qualità-velocità è eccellente.

Il Fattore Grok

Questa è la storia che nessuno ha visto arrivare. Grok Imagine Video ha debuttato ed è atterrato al #4 — proprio tra le due varianti Veo 3.1 di Google e i suoi modelli Veo 3. Per un prodotto video di prima generazione di xAI, questo è straordinario. Lo sto testando estensivamente da quando è apparso, e ciò che mi colpisce è quanto bene gestisca la composizione cinematografica. Le scelte di inquadratura sono spesso migliori di quelle che ottengo da modelli che stanno iterando da oltre un anno.

La risoluzione a 720p è l'attuale limitazione. In un mondo in cui Kling sta spingendo la modalità turbo 1080p e Veo esegue il rendering in alta risoluzione nativa, 720p sembra un compromesso deliberato — xAI ha probabilmente dato priorità alla coerenza temporale e alla qualità del movimento rispetto al conteggio grezzo dei pixel. Mossa intelligente. Preferisco guardare una clip nitida e fluida a 720p piuttosto che una clip a 1080p con sfarfallio dei fotogrammi. Ciò che conta qui è la traiettoria: se xAI riuscirà a scalare la risoluzione mantenendo questa qualità di movimento, lotteranno per i primi due posti entro la metà del 2026.

La Fascia Media Affollata — Dove Vivono le Scelte Reali

La maggior parte dei creatori non spenderà i propri budget in chiamate API di alto livello per ogni clip. La realtà del lavoro di produzione è che l'80% delle tue esigenze video non richiede il modello migliore in assoluto — richiedono il modello giusto. E tra le posizioni n. 8 e n. 22, c'è una notevole densità di capacità specializzata.

Wan 2.5 di Alibaba al n. 8 guida il gruppo successivo. L'ho trovato eccezionalmente forte sui prompt artistici e astratti — il tipo di descrizioni poetiche e metaforiche che i modelli occidentali tendono a interpretare troppo letteralmente. Quando scrivo "solitudine che si dissolve in una folla", Wan 2.5 produce effettivamente qualcosa di visivamente evocativo piuttosto che limitarsi a renderizzare una persona in piedi da sola vicino ad altre persone.

Seedance v1.5 Pro di Bytedance (#9) è diventato il mio punto di riferimento per il lavoro complesso con la telecamera. Riprese orbitali, carrelli lenti, transizioni da gru a camera a mano — Seedance gestisce la coreografia della telecamera multi-segmento meglio di qualsiasi altra cosa tranne Veo. Il più vecchio Seedance v1 Pro (#18) e Seedance v1 Lite (#25) rimangono validi per prompt più semplici — e a un costo significativamente inferiore.

KlingAI ora schiera quattro modelli in classifica (dal n. 12 al n. 14, più il n. 22). Quella proliferazione ti dice qualcosa sulla loro strategia: piuttosto che un'ammiraglia, stanno costruendo una linea. Kling O1 Pro al n. 14 è nuovo e affascinante — applica il ragionamento a catena di pensiero alla generazione video, spendendo più tempo di calcolo per capire cosa vuoi veramente prima del rendering. I primi risultati suggeriscono che questo migliora drasticamente l'aderenza al prompt per scene complesse multi-elemento. Kling 2.5 Turbo 1080p al n. 12 è il demone della velocità — 1080p nativo a velocità turbo, ideale per iterare sui concetti prima di impegnarsi in un rendering finale altrove.

Ray 3 di Luma AI al n. 15 è il realizzatore silenzioso a cui continuo a tornare. Dove altri modelli inseguono il realismo cinematografico, Ray 3 ha una qualità estetica distintiva — leggermente onirica, con splendide transizioni di luce che sembrano quasi dipinte a mano. Per pezzi d'atmosfera e lavori di marca che devono sembrare elevati piuttosto che fotorealistici, è impareggiabile.

La linea Hailuo di MiniMax (n. 16, n. 17, n. 19) rimane il motore di iterazione di questa classifica. Quando sto abbozzando — testando venti varianti di un concetto prima di scegliere una direzione — la velocità e la struttura dei costi di Hailuo lo rendono la scelta ovvia. Il divario di qualità tra Hailuo 02 Pro e la versione standard è più stretto di quanto ti aspetteresti, il che rende il livello standard veramente utile per la pre-visualizzazione della produzione.

Hunyuan Video 1.5 di Tencent al n. 21 è il cavallo oscuro che osserverei con più attenzione. Le pubblicazioni di ricerca di Tencent suggeriscono che stanno investendo pesantemente nella coerenza temporale — la capacità di mantenere l'aspetto del personaggio e la logica della scena attraverso clip generate più lunghe. Questo è il problema irrisolto più difficile nel video AI, e chiunque lo risolva per primo rimodellerà queste classifiche dall'oggi al domani.

La Spinta Open-Source

Qualcosa di importante sta accadendo nella metà inferiore di questa classifica. Kandinsky 5.0 Pro (n. 20) e Kandinsky 5.0 Lite (n. 26) sono modelli completamente open-source che competono con sistemi proprietari costati milioni per lo sviluppo. La variante Pro si trova al n. 20, davanti a Tencent, davanti ai vecchi modelli Kling, davanti a Veo 2. Questa è una dichiarazione.

LTX-2 19B al n. 27 di Lightricks è nuovo nella classifica e rappresenta l'altro ramo del video open-source: un modello che puoi scaricare, perfezionare e distribuire sulla tua infrastruttura. Con 19 miliardi di parametri non è piccolo, ma gira su hardware consumer di fascia alta. Per gli studi che devono elaborare filmati proprietari senza inviare fotogrammi a un'API di terze parti, questa non è una comodità — è un requisito.

Wan v2.2 di Alibaba (n. 24) unisce entrambi i mondi — pesi aperti su Hugging Face, supportati dall'infrastruttura cloud di Alibaba. Mochi v1 (n. 31) di Genmo AI completa le voci open-source. Sebbene oggi si trovi in fondo alla classifica, la ricerca di Genmo su architetture efficienti potrebbe pagare dividendi nelle iterazioni future.

Dove Andremo a Finire

Seguo la generazione video AI dalle prime demo di Runway e non ho mai visto una pressione competitiva così intensa. Ecco cosa mi aspetto nei prossimi sei mesi, in base alle tendenze della ricerca, alle roadmap delle API e a ciò che sento dai team che lavorano su questi modelli:

L'audio diventerà lo standard. In questo momento, la generazione audio sincronizzata è il principale elemento di differenziazione di Veo. Entro il terzo trimestre del 2026, mi aspetto che Sora, Grok e almeno due modelli cinesi forniscano capacità audio comparabili. Quando ciò accadrà, la classifica si rimescolerà drasticamente — l'attuale vantaggio di Veo evapora nel momento in cui tutti possono eguagliarlo.

La risoluzione smetterà di contare. Ci stiamo avvicinando al punto in cui la generazione nativa in 4K è tecnicamente fattibile ma percettivamente non necessaria per la maggior parte delle applicazioni. Il prossimo campo di battaglia è la coerenza temporale — un modello può generare 30 secondi di video continuo e coerente in cui il viso di un personaggio non si trasforma, in cui la fisica rimane coerente, in cui l'illuminazione non cambia casualmente? È lì che la ricerca Hunyuan di Tencent e l'approccio di ragionamento O1 di Kling potrebbero superare la pura qualità visiva.

La guerra dei costi API sta per iniziare. In questo momento, i modelli premium come Veo 3.1 e Sora 2 Pro hanno prezzi premium. Ma con MiniMax che offre una qualità veramente competitiva a una frazione del costo e modelli open-source come Kandinsky e LTX-2 che offrono un costo marginale zero per l'implementazione self-hosted, i fornitori di alto livello dovranno comprimere i prezzi. Questo è un bene per ogni creatore.

xAI non rimarrà a 720p. Il debutto di Grok al n. 4 con un handicap di risoluzione è forse il punto dati più rivelatore di tutta questa classifica. Hanno dimostrato che l'architettura del modello funziona. Il ridimensionamento della risoluzione è un problema ingegneristico, non di ricerca. Sarei sorpreso se Grok non offrisse video 1080p entro l'estate.

Le Mie Scelte per Caso d'Uso