Google DeepMind menyebut Gemini Omni Flash sebagai model multimodal yang dapat membuat dan mengedit konten, dimulai dari video. Model tersebut menggabungkan kemampuan penalaran Gemini dengan model generatif media Google, serta memungkinkan pembuatan dan pengeditan video melalui percakapan.
Keunggulan utama Gemini Omni Flash adalah kemampuan multimodal dan pengeditan berbasis percakapan. Google juga menempatkan model tersebut sebagai bagian dari pengembangan AI yang memahami dunia secara lebih menyeluruh, bukan sekadar menghasilkan gambar bergerak.
Pengembangnya berasal dari Amerika Serikat. Google DeepMind sendiri merupakan gabungan Google Brain dan DeepMind. DeepMind didirikan pada 2010 oleh Demis Hassabis, Shane Legg, dan Mustafa Suleyman. Posisi pertama Gemini Omni Flash menunjukkan bahwa Google masih mampu mempertahankan keunggulan di kualitas video generatif meskipun kompetitor China semakin dekat.
2. MiniMax H3 — MiniMax
MiniMax H3 menempati posisi kedua dengan skor Elo 1.237, hanya enam poin di bawah Gemini Omni Flash. Model ini juga menjadi model open-weight dengan peringkat tertinggi pada leaderboard Artificial Analysis. MiniMax H3 dikembangkan oleh MiniMax, perusahaan AI asal China yang didirikan pada awal 2022. Pendiri sekaligus CEO perusahaan adalah Yan Junjie, ilmuwan AI yang sebelumnya bekerja di SenseTime.
Fitur unggulannya adalah kemampuan multimodal. Menurut MiniMax, H3 dapat memahami teks, gambar, video dan suara secara terpadu serta menghasilkan video dan audio dengan dual-channel audio. Model tersebut mendukung video hingga 15 detik dengan resolusi 2K.
MiniMax juga menonjolkan kemampuan mengikuti instruksi, mempertahankan informasi teks dan merek dalam video, serta video-to-video motion transfer. Perusahaan menyebut H3 dirancang untuk kebutuhan komersial seperti iklan, pemasaran, e-commerce, desain produk dan gim. Posisinya yang hampir menyamai Gemini membuat H3 menjadi salah satu model China paling kompetitif dalam generasi video saat ini.
3. Dreamina Seedance 2.0 720p — ByteDance
Seedance 2.0 dari ByteDance berada di posisi ketiga dengan skor Elo 1.223. Model ini telah mendapatkan lebih dari 18.000 sampel penilaian dalam leaderboard Artificial Analysis. Seedance 2.0 memiliki keunggulan pada kemampuan multimodal. Model tersebut dapat menerima teks, gambar, audio dan video sebagai input secara bersamaan.
ByteDance merupakan perusahaan teknologi China yang didirikan oleh Zhang Yiming bersama tim pendirinya. Zhang Yiming sendiri merupakan pendiri ByteDance dan kemudian menyerahkan posisi CEO kepada Liang Rubo pada 2021.
ByteDance menyebut Seedance 2.0 menggunakan arsitektur generasi audio-video terpadu. Pengguna dapat memasukkan hingga sembilan gambar, tiga klip video dan tiga klip audio sebagai referensi. Model juga mendukung video hingga 15 detik, pengeditan video dan kontrol terhadap gerakan kamera, pencahayaan serta performa karakter.
Kemampuan tersebut membuat Seedance bukan hanya alat untuk mengubah teks menjadi video, tetapi juga menjadi sistem produksi audiovisual yang menerima berbagai referensi sekaligus.
4. Wan2.7-260612 — Alibaba
Model Wan2.7-260612 dari Alibaba berada di posisi keempat dengan skor Elo 1.161. Model ini merupakan bagian dari keluarga Wan yang dikembangkan Alibaba, sebuah grup teknologi asal China yang berdiri tahun 1999 oleh 18 orang yang dipimpin Jack Ma. Perusahaan tersebut kini memiliki fokus besar pada AI dan komputasi awan.
Wan memiliki keunggulan pada kemampuan multimodal dan multi-shot narrative. Menurut dokumentasi resmi Alibaba Cloud, model Wan dapat menerima teks, gambar dan audio untuk menghasilkan video hingga 15 detik dengan resolusi sampai 1080p.
Wan2.7 juga dapat membuat video dengan beberapa adegan sekaligus sembari menjaga konsistensi subjek antaradegan. Model ini turut mendukung pengisian suara otomatis dan sinkronisasi audio-video. Masuknya Wan2.7 ke posisi empat menunjukkan kemampuan Alibaba bersaing langsung dengan pemain seperti Google, MiniMax dan ByteDance dalam kualitas video generatif.
5. HappyHorse-1.1 — Alibaba-ATH
HappyHorse-1.1 menempati posisi kelima dengan skor Elo 1.148. Model ini dikembangkan oleh tim Alibaba-ATH dan menjadi salah satu kejutan dalam persaingan AI video generatif 2026.
Berbeda dari Wan yang merupakan lini model Alibaba yang lebih dikenal luas, HappyHorse dikembangkan oleh tim Alibaba-ATH. Artificial Analysis mencatat model ini dirilis pada Juni 2026 dan telah memperoleh lebih dari 12.700 sampel penilaian.
HappyHorse dikenal karena kemampuan menghasilkan video dengan kualitas tinggi, termasuk multi-shot storytelling dan kemampuan menjaga konsistensi antarscene. Model ini juga mendukung pembuatan video 1080p.
Keberadaannya di posisi lima memperlihatkan bahwa kekuatan Alibaba bukan hanya berasal dari satu keluarga model. Perusahaan tersebut memiliki beberapa tim dan pendekatan riset yang mampu menghasilkan model kompetitif di arena video generatif.
6. HappyHorse-1.0 — Alibaba-ATH
Versi sebelumnya, HappyHorse-1.0, berada di posisi keenam dengan skor Elo 1.127. Model ini dirilis pada April 2026 dan menjadi salah satu model yang lebih awal memperkenalkan kemampuan HappyHorse ke dalam persaingan global.
Posisinya yang tetap berada di enam besar menunjukkan konsistensi keluarga HappyHorse dalam menghasilkan video yang disukai pengguna. Artificial Analysis mencatat lebih dari 8.500 sampel penilaian untuk model tersebut.
Kekuatan utama HappyHorse terletak pada kualitas visual, kemampuan membuat beberapa adegan dan menjaga kesinambungan cerita. Model ini juga menjadi contoh bagaimana tim riset internal perusahaan besar seperti Alibaba dapat menghasilkan model yang bersaing dengan produk AI dari perusahaan spesialis.
7. Wan 2.7 — Alibaba
Wan 2.7 versi lainnya berada di posisi ketujuh dengan skor Elo 1.110. Model ini berbeda dari Wan2.7-260612 yang berada di posisi keempat dalam leaderboard. Keluarga Wan dirancang sebagai model generasi video multimodal yang mendukung teks, gambar dan audio. Alibaba menyediakan kemampuan pembuatan video antara dua hingga 15 detik dengan resolusi hingga 1080p.
Salah satu nilai jual utama Wan adalah kemampuan membuat video multi-shot sambil menjaga konsistensi subjek. Model tersebut juga mendukung pembuatan audio dan sinkronisasi dengan video.
Dua versi Wan yang masuk tujuh besar menunjukkan kuatnya posisi Alibaba di sektor video generatif. Secara keseluruhan, Alibaba menempatkan empat entri dalam 10 besar melalui Wan2.7-260612, HappyHorse-1.1, HappyHorse-1.0 dan Wan 2.7.
8. Kling 3.0 1080p Pro — Kuaishou
Kling 3.0 1080p Pro dari Kuaishou berada di posisi kedelapan dengan skor Elo 1.110. Kuaishou merupakan perusahaan teknologi China yang dikenal melalui platform video pendek dan siaran langsung. Perusahaan tersebut didirikan oleh Su Hua dan Cheng Yixiao. Su Hua merupakan co-founder sekaligus chairman, sedangkan Cheng Yixiao merupakan co-founder dan CEO.
Kling 3.0 membawa kemampuan multimodal yang mencakup teks, gambar, audio dan video. Kuaishou menyebut model tersebut memiliki peningkatan pada konsistensi karakter, fotorealisme, kontrol adegan dan kemampuan menghasilkan video hingga 15 detik.
Model tersebut juga mendukung audio secara native dalam berbagai bahasa, dialek dan aksen. Kuaishou menggabungkan pembuatan video, pengeditan dan berbagai bentuk input dalam satu arsitektur multimodal. Kling masuk kelompok teratas karena kemampuannya menghasilkan video yang konsisten sekaligus memberikan kontrol narasi dan kamera kepada pengguna.
9. SkyReels V4 — Skywork AI
SkyReels V4 menempati posisi kesembilan dengan skor Elo 1.107. Model ini dikembangkan oleh Skywork AI. Skywork AI melalui SkyReels mengembangkan model multimodal yang menggabungkan pembuatan video dan audio. Riset SkyReels V4 menggunakan arsitektur dual-stream Multimodal Diffusion Transformer, dengan satu cabang menghasilkan video dan cabang lainnya menghasilkan audio yang disinkronkan.
Keunggulan utama SkyReels V4 adalah kemampuan menghasilkan video dan audio secara bersamaan, termasuk inpainting dan pengeditan. Model tersebut juga mendukung input teks, gambar, audio dan video. Skywork AI secara hukum terdaftar sebagai Skywork AI Pte. Ltd. di Singapura. Situs SkyReels mencantumkan alamat perusahaan di Singapura. Karena itu, SkyReels V4 perlu dibedakan dari delapan entri China lainnya. Pengembangnya berbasis Singapura, meskipun ekosistem riset dan tim pengembangnya memiliki keterkaitan kuat dengan China.
10. Kling 3.0 720p Standard — Kuaishou
Kling 3.0 720p Standard melengkapi posisi 10 besar dengan skor Elo 1.101. Model ini menggunakan keluarga teknologi yang sama dengan Kling 3.0 1080p Pro, tetapi ditujukan untuk penggunaan dengan resolusi dan biaya yang lebih rendah. Artificial Analysis mencatat lebih dari 16.000 sampel penilaian untuk model tersebut.
Kling 3.0 tetap membawa kemampuan multimodal, termasuk pembuatan video dari teks, gambar, audio dan video, serta kemampuan pengeditan dan kontrol narasi. Kuaishou juga menekankan konsistensi karakter, fotorealisme, native audio dan kemampuan memahami instruksi kompleks. Masuknya dua varian Kling sekaligus ke 10 besar memperlihatkan kekuatan Kuaishou dalam mempertahankan performa modelnya di berbagai konfigurasi.
China Kuasai Panggung AI Video
Dari 10 posisi teratas Artificial Analysis, hanya Gemini Omni Flash yang berasal dari pengembang Amerika Serikat. Delapan lain berasal dari perusahaan atau tim pengembang China, sementara satu lainnya, SkyReels V4, dikembangkan oleh Skywork AI yang terdaftar di Singapura. Dominasi tersebut juga terlihat dari penyebaran model. Alibaba sendiri memiliki empat entri dalam 10 besar, Kuaishou dua entri, sementara MiniMax dan ByteDance masing-masing memiliki satu.
Kondisi tersebut memperlihatkan bahwa persaingan AI video kini tidak lagi hanya antara perusahaan teknologi besar Amerika Serikat. Pengembang China telah membangun sejumlah model yang mampu bersaing berdasarkan preferensi pengguna global. Artificial Analysis mencatat Gemini Omni Flash masih memimpin dengan Elo 1.243, tetapi MiniMax H3 hanya terpaut enam poin. Seedance 2.0 juga berada tidak jauh di belakang dengan skor 1.223.
Dengan perkembangan tersebut, posisi teratas AI video menjadi semakin dinamis. Keunggulan tidak lagi hanya ditentukan kemampuan menghasilkan video realistis, tetapi juga kemampuan memahami instruksi, mempertahankan karakter dan objek, mengontrol kamera, menghasilkan audio secara native, serta menggabungkan berbagai jenis input dalam satu proses kreatif.
(fik/wep)
