Kling 4.0 vs. Luma Ray 3.2: Der eine liefert den Ton, der andere die Note.

Setzt man Kling 4.0 und Luma Ray 3.2 in denselben Satz, gehen die meisten Vergleiche direkt zur Auflösung, weil beide High-End-Ausgabe versprechen und keines günstig ist. Das ist die am wenigsten interessante Achse. Die beiden Modelle sind sich in einer grundlegenderen Frage uneinig: ob ein generierter Clip ein fertiges Stück oder eine Platte ist. Kling 4.0, seit 15. Oktober 2026 allgemein verfügbar, erzeugt Bild und zweikanaligen Stereoton in einem Durchgang, hält eine Aufnahme bis zu 30 Sekunden und erwartet, dass Sie veröffentlichen, was herauskommt. Luma Ray 3.2, Lumas Flaggschiff seit 9. Juni 2026, erzeugt stummes Video und steckt seine Technik in das, was nach der Aufnahme passiert — natives 16-Bit-HDR, EXR-Export in ACES2065-1 und einen Reframe-Modus, der den Bildausschnitt ändert, ohne die Aufnahme neu zu rendern. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Kennzeichnung als umstritten trägt.

Dieser Unterschied entscheidet über mehr Käufe als ein Auflösungsvergleich, und es lohnt sich, das vor den Zahlen zu sagen: Wenn Ihr Deliverable ein Clip ist, den Sie veröffentlichen, ist Stille ein Mangel, den nichts anderes im Datenblatt behebt. Wenn Ihr Deliverable ein Shot ist, den ein Colorist fertigstellt, ist ein EXR im richtigen Farbraum mehr wert als jede Menge generierte Atmosphäre. Im Folgenden geht es nur darum, welcher dieser beiden Typen Sie sind.

Das Anzeigetafel-Problem, einfach gesagt

Keines der beiden Modelle lässt sich heute anhand einer unabhängigen Punktzahl vergleichen, und zwar aus unterschiedlichen Gründen. Luma Ray 3.2 hat keinen Eintrag auf einer der drei Video-Bestenlisten von Artificial Analysis – Text-zu-Video, Bild-zu-Video oder Editing – geprüft am 22. Oktober 2026. Der einzige Luma-Eintrag auf der Bild-zu-Video-Liste ist das ältere Ray 3 von September 2025, das mit Elo 1.215 auf der stillen Skala Platz 47 belegt. Ray 3.2 ist dort überhaupt nicht vertreten.

Kling 4.0 wurde acht Tage vor dieser Auswertung veröffentlicht und ist ebenfalls in keiner Rangliste eingetragen. Die vorhandenen K​ling-Zeilen stammen von Kling 3.0 aus Februar 2026 und sagen nichts über die neue Generation aus. Es handelt sich also um ein Duell, für das auf keiner Seite eine gemeinsame Messgrundlage existiert – wer also eine Elo-Differenz zwischen diesen beiden Modellen zitiert, zitiert etwas, das er selbst konstruiert hat. Beurteilen Sie den Rest dieser Seite anhand von Spezifikationen und Abrechnung und behandeln Sie jede Bewertung, die Sie anderswo finden, mit Skepsis.

Bild, Ton und was jedes davon für später hinterlässt

Der Versionshinweis von Kuaishou zu Kling 4.0 ist ungewöhnlich konkret in Bezug auf Audio. Zweikanal-Stereo, präzisere Lippensynchronisation, Dialoge in neun Sprachen plus regionale Akzente — amerikanisches, britisches und indisches Englisch; Peking-, Taiwan-, Nordost- und Sichuan-Mandarin; Kantonesisch. Es erzeugt außerdem Text im Bild in diesen Sprachen, eine andere Fähigkeit als die Sprachausgabe und diejenige, die bei Kamerabewegungen am auffälligsten scheitert.

• Ton — Kling 4.0: natives Zweikanal-Stereo mit Lip-Sync, im selben Durchlauf. Ray 3.2: kein Audio aus Text- oder Bild-Prompts; Audio bleibt nur bei Modify und Reframe erhalten, wo es das Audio des Quellclips ist, das beibehalten statt generiert wird.

• Dauer — Kling 4.0: 3 bis 30 Sekunden in einem einzigen Durchgang. Ray 3.2: 5 oder 10 Sekunden für eine Neugenerierung; die viel zitierten 20 Sekunden gehören zu Modify Video, das vorhandenes Filmmaterial umwandelt.

• Auflösung — Kling 4.0: 720p, 1080p oder 4K, wobei 21:9 verfügbar ist. Ray 3.2: 360p, 540p, 720p oder 1080p und keine 4K-Generierung — Lumas 4K ist ein Upscaling-Tool, das anschließend angewendet wird.

• Farb-Pipeline — Kling 4.0: 10-Bit-HDR bei 1080p und 4K, als „demnächst verfügbar“ gelistet. Ray 3.2: native 16-Bit-HDR-Generierung und EXR-Export in ACES2065-1, jetzt verfügbar, zum doppelten SDR-Preis für HDR und zum Dreifachen für HDR plus EXR.

• Steuerung auf Frame-Ebene — Kling 4.0: bis zu 10 Keyframe-Bilder, die über die Timeline verteilt platziert werden. Ray 3.2: bis zu 16 Keyframes pro Clip, auch bei Bild-zu-Video.

• Referenzen — Kling 4.0: bis zu 15 kombinierte Assets aus Bildern, Videos, Elementen und Stimme. Ray 3.2: Text, Bilder, Keyframes und Charakterreferenzen, ohne veröffentlichtes Kontingent für Videoreferenzen.

Lesen Sie diese Liste zweimal durch. In vier von sechs Zeilen gewinnt Kling 4.0 auf dem Papier. In der einen Zeile, die ein Finishing-Haus am meisten interessiert – ein 16-Bit-EXR im Farbraum, den der Compositor tatsächlich verarbeitet –, ist Ray 3.2 nicht nur voraus, sondern das einzige der beiden, das die Funktion überhaupt schon ausgeliefert hat.

Zwei Arten der Abrechnung – und warum sie nicht konvertieren

Luma verkauft Clips, nicht Sekunden. Die veröffentlichte Preisstaffel für Text-to-Video und Image-to-Video liegt bei 20 Credits für einen fünfsekündigen Clip in Entwurfsauflösung, 50 bei 540p, 100 bei 720p und 400 bei 1080p; ein zehnsekündiger Clip kostet jeweils 60, 150, 300 und 1.200. Modify Video und Reframe werden separat und deutlich teurer bepreist, was dazu passt, dass sie die Finishing-Tools und nicht der Generator sind.

Was ein Credit kostet, hängt von dem Tarif ab, in dem Sie ihn erworben haben, daher gibt es keinen einzelnen Dollarbetrag, den man für Ray 3.2 ehrlicherweise nennen könnte – ein Abonnent und ein Pay-as-you-go-API-Nutzer zahlen unterschiedliche Sätze für dieselben 100 Credits. Was die Umrechnung übersteht, ist die Form der Rechnung: Sie ist pro Clip fest, vor dem Drücken auf „Generieren“ bekannt und ändert sich nicht, ob das Modell zwei Sekunden oder alle zehn rendert.

Kuaishou hat für Kling 4.0 überhaupt keine Preisliste veröffentlicht. Die API befindet sich im Early Access, die Entwicklerkonsole weist in einem Banner darauf hin, und auf den öffentlichen Seiten gibt es weder für das vollständige Modell noch für Kling 4.0 Flash einen Preis pro Sekunde. Das ist kein kleines Versäumnis in einem Kostenvergleich – es bedeutet, dass die günstiger aussehende Option noch nicht tatsächlich kalkuliert werden kann, und die ehrliche Einschätzung ist, dass die Wirtschaftlichkeit von Kling 4.0 unbekannt ist, während die von Ray 3.2 zumindest strukturiert ist.

Zur Information: Die vorherige Generation ist bepreist und als Route verfügbar: kling/kling-v3 liegt pauschal bei $0.084 pro Anfrage in unserem Katalog, wobei kling/kling-3-turbo bei $0.112 liegt und die 2.x- und O1-Generationen darunter liegen. Ray 3.2 ist keine Route, die wir anbieten. Die beiden Modelle, die ein Leser heute tatsächlich aufrufen kann, sind also Kling 3.0 und Ray 3.2 — und das neue Kling ist dasjenige, das auf eine Preisliste wartet.

Woher die Zahl von 20 Sekunden kommt

Lumas Marketing rund um Ray 3.2 setzt auf die Länge, und die Längenangabe ist leicht misszuverstehen. Eine neue Generierung dauert 5 oder 10 Sekunden. Zwanzig Sekunden kann Modify Video ausgeben, wenn die Quelle 24 fps hat: bei 30 fps sinkt die Obergrenze auf 15 Sekunden, bei 60 fps auf 7. Das ist keine Einschränkung, die Luma versteckt – sie steht auf der Preisseite –, aber „bis zu 20 Sekunden“ macht die Runde ohne die Bildraten-Klausel, und ein Team, das kauft und einen 20-sekündigen Prompt-to-Video-Clip erwartet, wird beim ersten Aufruf enttäuscht.

Dieselbe Disziplin gilt auch für HDR. Der HDR-Modus von Ray 3.2 ist auf Fünf-Sekunden-Clips bei 720p oder 1080p beschränkt und bei Ausgaben mit zehn Sekunden nicht verfügbar. Damit sind die beste Farbpipeline des Modells und seine längste frische Generierung gegenseitig ausschließend – ein Kompromiss, den niemand auf eine Vergleichsfolie setzt. Das 10-Bit-HDR von Kling 4.0 ist, wenn es kommt, für 1080p und 4K spezifiziert, ohne veröffentlichte Dauerangabe – doch es ist als „demnächst verfügbar“ gelistet, also ist es derzeit ein Versprechen auf beiden Seiten dieser speziellen Linie.

Wie die Entscheidung in einem Studio aussieht

Das eigentliche Produkt von Ray 3.2 ist die Iteration an einer Aufnahme, die Sie bereits haben. Reframe ändert das Seitenverhältnis, erweitert das Bild oder tauscht nach der Aufnahme den Hintergrund aus, während die ursprüngliche Beleuchtung erhalten bleibt; Modify Video verwandelt Ausgangsmaterial, statt es zu erfinden; EXR hinterlässt das Modell in einer Form, die Nuke und Resolve ohne Konvertierungsdiskussion öffnen. Ein Team, das Kundenarbeit mit einem Coloristen im Prozess macht, zieht bei jedem Job Nutzen aus diesen Funktionen, und kein Stereoton kann das ersetzen.

Das eigentliche Produkt von Kling 4.0 ist der erste Zusammenschnitt. Dreißig Sekunden, zehn Keyframes und fünfzehn Referenzen bedeuten, dass eine Sequenz gestaltet statt zusammengeflickt werden kann, und der Ton kommt direkt mit – was vor allem für Social-, UGC- und Werbe-Arbeiten zählt, bei denen das Ergebnis vertikal, mit Untertiteln und noch am selben Tag veröffentlicht wird. Die Beispiele des Anbieters sind Vlogs, Kurzdrama, Produktwerbung und Musikvideos – eine treffende Beschreibung dessen, wo ein Modell, das in einem Durchgang fertigstellt, seinen Nutzen entfaltet.

Es gibt eine Routing-Überlegung, die beide betrifft. Wenn ein Team am Ende jedes Modell für das einsetzt, worin es gut ist – Kling für den veröffentlichungsfähigen Take, Ray für das Plate, das zum Grading geht –, entscheiden die Integrationskosten darüber, ob das in der Praxis tatsächlich passiert. Ein einziger OpenAI-kompatibler Schlüssel für über 200 Modelle macht ein zweites Modell zu einer Änderung der Modell-ID statt zu einem zweiten Anbietervertrag und einer zweiten zu überwachenden Quote, und automatisches Failover hält einen Batch am Laufen, wenn ein Serving-Pfad beeinträchtigt wird. Wir routen weder Kling 4.0 noch Luma Ray 3.2, und dieser Beitrag behauptet nicht das Gegenteil; beim Routing-Argument geht es um die Modelle drumherum, nicht um diese beiden.

Welches konkret?

Nimm Luma Ray 3.2, wenn die Aufnahme das Problem ist und der Ton die Aufgabe von jemand anderem ist. Eine Kamerabewegung, die du nicht richtig hinbekommst, ein Bildausschnitt, der sich ändern muss, nachdem der Kunde ihn gesehen hat, ein Deliverable, das als HDR oder EXR ankommen muss – das sind die Probleme, die Reframe, Keyframes und die Farbpipeline lösen, und Kling 4.0 löst sie in keiner Auflösung. Die Abrechnung pro Clip ist in diesem Workflow ein echter Vorteil, denn die Regie ist das, woran du iterierst, und ein fester Clip-Preis bestraft den zehnten Versuch nicht stärker als den ersten.

Nehmen Sie Kling 4.0, wenn die Ausgabe das Endprodukt ist und der Ton dazugehört. Dreißig Sekunden in einem Durchgang, zehn Keyframes, zweikanaliges Stereo und fünfzehn Referenzen sind eine Kombination, die sonst nichts in diesem Vergleich bietet, und die 21:9- und 4K-Optionen machen es für Auslieferungsformate praktikabel, die Ray 3.2 nicht nativ erzeugen wird. Die Einschränkungen sind real: kein veröffentlichter Preis, keine unabhängige Bewertung, HDR wird weiterhin versprochen statt geliefert, und eine API, die sich im Early Access befindet, statt Entwicklern allgemein zur Verfügung zu stehen.

Klären würde das ein Eintrag für Ray 3.2 auf einem der Video-Boards und eine Preiskarte für Kling 4.0. Bis beides existiert, gelten diese beiden Sätze: Eines dieser Modelle erzeugt die Tonspur, und das andere exportiert den Farbraum, und die Wahl zwischen ihnen trifft dein Schnitt, nicht dein Benchmark-Tab.