Wan 3.0 vs Kling 3: Una toma continua frente a seis planos planificados

Empieza con una discrepancia que nadie ha reconciliado. Wan 3.0 tiene un precio publicado. Kling 3.0, el actual buque insignia de vídeo de Kuaishou, tiene dos, y difieren por un factor de tres. La propia documentación de la API de Kuaishou incluye Kling Video 3.0 a $0.084 por segundo para el nivel estándar y $0.112 para pro. Artificial Analysis pone precio al mismo modelo, en la misma tabla de clasificación en la que incluye Wan 3.0, a $20.16 por minuto para el nivel pro de 1080p — $0.336 por segundo. Ambos no pueden estar describiendo la misma generación con la misma configuración. Hasta que alguien publique la reconciliación, cualquier comparación por segundo entre estos dos modelos se está haciendo con números que puede que no estén midiendo lo mismo.

Lo que se puede comparar honestamente son las especificaciones, las puntuaciones de votación a ciegas y las filosofías de diseño, y en eso los dos modelos discrepan en casi todo lo que importa. Kuaishou construyó Kling 3.0 en torno a la secuencia de múltiples tomas. Alibaba construyó Wan 3.0 en torno a la toma única sin cortes. Eso no es una distinción de marketing; decide cuál de los dos le conviene a tu proyecto antes de que el precio entre en la conversación.

Dos modelos, dos ideas de lo que es un clip.

Kling 3.0 se lanzó el 5 de febrero de 2026 como una serie de cuatro modelos: Video 3.0, Video 3.0 Omni, Image 3.0 e Image 3.0 Omni. Su característica definitoria es la secuenciación automática de múltiples planos: el modelo planifica por sí mismo las transiciones entre planos, y un modo personalizado permite establecer el número de planos y la duración de cada uno. Los críticos informan de secuencias utilizables de hasta aproximadamente seis planos distintos a partir de un único prompt, y se pueden especificar por plano el tamaño del plano, el movimiento de cámara y el beat narrativo. El límite máximo es de 15 segundos por generación, con un mínimo de 3 segundos.

Wan 3.0 va en la dirección opuesta. Su límite son 30 segundos en una sola toma continua, y todo el diseño apunta a no cortar: tiempo suficiente para un único movimiento de cámara, una demostración de producto en una sola toma o un monólogo que se sostiene sin un corte. No tiene planificador de varios planos, porque la propuesta es que no deberías necesitarlo.

La consecuencia práctica: no se trata de una cuestión de mejor o peor, sino de tu montaje. Un drama corto, un anuncio construido a base de cortes, cualquier cosa con diálogo repartido entre personajes: esa es la forma de Kling 3.0. Una revelación continua de producto, una pieza de danza o de interpretación, un único plano en movimiento que debe mantenerse coherente: esa es la forma de Wan 3.0. Los equipos que intenten forzar uno al formato del otro descubrirán que los modos de fallo son estructurales: los seis planos de Kling 3.0 no pueden hacerse continuos sin regenerar, y los treinta segundos de Wan 3.0 no pueden cortarse en seis planos limpios sin perder aquello por lo que pagaste.

Los números de la arena, desglosados según lo que miden

Esta es la parte de la comparativa en la que la cobertura es peor, porque la mayoría de las páginas citan un Elo de Kling que tiene cinco meses de antigüedad. El material de lanzamiento de Kuaishou de febrero de 2026 situó a Kling 3.0 en lo más alto de la clasificación de texto a vídeo, con alrededor de 1.240 puntos Elo. Eso era exacto en febrero. El panel en vivo de Artificial Analysis, capturado el 18 de septiembre de 2026, con audio:

• Wan 3.0 — n.º 2, Elo 1.229, $12,00/min

• Kling 3.0 1080p Pro — #12, Elo 1.095, $20,16/min

• Kling 3.0 720p Standard — n.º 13, Elo 1.089, $15,12/min

• Kling 3.0 Omni 720p Estándar — n.º 18, Elo 1.082, 13,44 $/min

• Kling 3.0 Omni 1080p Pro — N.º 22, Elo 1.075, $16,80/min

Así que el líder de febrero se convirtió en un modelo de media tabla en siete meses, sin culpa alguna por su parte: el sector se movió. Ten en cuenta también que los propios niveles de Kling están repartidos a lo largo de once puestos en la tabla, con un rango de 20 puntos Elo entre ellos, lo que significa que el nivel que compras tiene menos efecto sobre la calidad medida que el modelo que eliges. Pagar por Pro en lugar de Standard te da resolución y, en esta tabla, unos seis puntos Elo.

Luego está el dato que complica todo el panorama, y casi nadie lo cita. En el tablero de imagen a vídeo sin audio, Kling 3.0 es un caso aparte: el nivel Omni 1080p Pro obtiene Elo 1.284 en el puesto n.º 8, y el nivel 1080p Pro 1.282 en el n.º 9. Es una posición entre los diez primeros, considerablemente mejor que su rendimiento en texto a vídeo. La interpretación es que Kling 3.0 es más fuerte cuando parte de una imagen proporcionada y no se lo evalúa por el sonido generado —lo que, de hecho, describe una gran parte del trabajo comercial real. Si tu flujo de trabajo es de imagen a vídeo y puntúas tu propio audio, las cifras de la arena anteriores subestiman considerablemente este modelo.

Audio, donde ambos afirman lo mismo y uno tiene un problema documentado

Ambos modelos generan audio de forma nativa en la misma pasada. La versión de Kuaishou admite chino, inglés, japonés, coreano y español, maneja diálogos en varios idiomas dentro de un mismo clip, asigna una voz distinta a cada personaje en escenas con varios personajes y ofrece acentos regionales: inglés estadounidense, británico e indio; chino del noreste, de Pekín, taiwanés, cantonés y sichuanés. El audio de Wan 3.0 está activado de forma predeterminada, se puede desactivar con un flag y acepta hasta cinco clips de audio de referencia para orientar el resultado.

En teoría, esto es un empate con diferentes listas de idiomas. En cuanto a los resultados reportados, no lo es. La consistencia de la sincronización labial es la debilidad más señalada en las reseñas independientes de Kling 3.0: una prueba práctica descubrió que aproximadamente dos de cada cinco clips de diálogo necesitaban una repetición, y los reseñadores que lo valoran muy bien en imágenes siguen describiendo la sincronización labial como inconsistente. Los artefactos de audio reportados se concentran en el diálogo en ambientes ruidosos, donde los fondos de agua y viento pueden dejar el habla amortiguada. El problema de Alibaba es de naturaleza distinta: sus propios materiales de lanzamiento nombran la calidad de audio como un área que aún necesita trabajo, lo cual es una admisión sobre la fidelidad más que sobre la sincronización.

Ninguno de los dos proveedores vende una herramienta de diálogo terminada. Si el diálogo es el objetivo de tu proyecto, lo primero que hay que probar no es la calidad de imagen, sino si la boca coincide con las palabras a lo largo de 15 o 30 segundos completos, porque ahí es donde ambos fallan y de donde vienen las repeticiones.

Control y resolución de referencias

• Multiplano — Kling 3.0: planificación automática de planos, además de modo personalizado con cantidad y duración por plano, hasta aproximadamente seis planos. Wan 3.0: ninguna; una sola generación continua.

• Duración — Kling 3.0: de 3 a 15 segundos. Wan 3.0: de 2 a 30 segundos, además de extensión hacia adelante, hacia atrás y bidireccional.

• Resolución — Kling 3.0: 720p y 1080p en la guía oficial, con 4K nativo según lo indicado en la propia documentación de Kuaishou a $0.42/s. Wan 3.0: 480p, 720p y 1080p; sin 4K.

• Velocidad de fotogramas — Kling 3.0: 30 fps estándar, con 60 fps prometidos en modos de mayor rendimiento. Wan 3.0: 30 fps.

• Control de referencias — Kling 3.0: vinculación de elementos, fijación de un sujeto a lo largo de paneos y zooms, a partir de imágenes subidas o un vídeo de personaje. Wan 3.0: hasta 10 imágenes de referencia, 5 vídeos de referencia y 5 clips de audio dentro de un límite de 20 activos, además de un documento o una página web pública.

Fundamentación: Wan 3.0 acepta DOC, XLS, PPT, PDF, TXT, MD y URL públicas como entrada y los convierte en video. Kling 3.0 no tiene equivalente.

La línea de resolución es la que debes contrastar con tu propia especificación de entrega, porque está realmente en disputa. La propia documentación de Kuaishou afirma 4K nativo para Video 3.0; su guía del usuario solo incluye 720p y 1080p. Las tarifas de créditos de terceros para 4K varían en más de un factor de dos entre fuentes. Si 4K es un requisito obligatorio, haz que te lo confirmen por escrito en tu cuenta en lugar de hacerlo desde una página de comparación — incluida esta.

Donde realmente puedes llamarlos

Esta es la única confrontación de esta serie en la que la respuesta sobre la disponibilidad no es simétrica, y vale la pena decirlo con claridad.

Kling 3.0 está en el catálogo de OrcaRouter como kling/kling-v3, con un precio de $0.08 por solicitud y con el precio de lista del proveedor trasladado con un 0% de recargo. Eso supone una diferencia real respecto al panorama agregado anterior: en lugar de mantener una cuenta de Kuaishou y una integración aparte para cualesquiera otros modelos que necesite tu pipeline, Kling 3.0 está detrás de la misma clave y el mismo endpoint compatible con OpenAI que más de otros 200 modelos. Como no añadimos nada al precio del proveedor, un cambio de tarifas o un recorte promocional de Kuaishou se aplica de nuestro lado el mismo día, en lugar de después de un ciclo de contrato; y si el proveedor upstream se degrada o impone límites de velocidad, la conmutación automática por error mueve la solicitud antes de que empiece la respuesta en lugar de devolver un error a tu aplicación.

Wan 3.0 no está en nuestro catálogo, y no está en ninguna plataforma de enrutamiento de propósito general. Se puede acceder a él a través de las propias plataformas de Alibaba —Model Studio en Alibaba Cloud y Qwen Cloud— y mediante herramientas creativas de terceros que lo integraron después del lanzamiento del 24 de agosto, con un descuento por tiempo limitado del 30 % en los propios canales de Alibaba vigente hasta el 23 de septiembre. Los propios planes de consumo de Kuaishou y la aplicación web de Kling AI son la otra vía, con medición por créditos y sin nivel ilimitado.

Para un equipo que quiere ambas cosas, esa asimetría es la forma práctica de la decisión: una de estas es un cambio de configuración y la otra es una segunda relación con un proveedor.

Quién debería elegir cuál

• Elige Wan 3.0 para tomas continuas de más de 15 segundos, para briefs basados en documentos o páginas web, para clips de menos de tres segundos, para el presupuesto de referencia más amplio al precio publicado más bajo, y para trabajo de 30 segundos en una sola pasada que, de otro modo, necesitaría empalmes.

• Elige Kling 3.0 para secuencias narrativas de múltiples planos a partir de un solo prompt, para trabajo de imagen a video donde su posición en la arena sin audio es genuinamente de los diez mejores, para diálogo multilingüe en los cinco idiomas compatibles con vinculación de voz por personaje, para consistencia de elementos a través de movimientos de cámara, y para 4K si confirmas el nivel.

El resumen honesto es que estos dos son menos rivales que alternativas seleccionadas según el tipo de proyecto, y la comparación de precios que normalmente lo resolvería no es fiable actualmente — la tarifa por segundo publicada por Kuaishou y la cifra por minuto del ranking independiente no pueden ser ambas correctas, y la diferencia es lo bastante grande como para revertir una decisión. Hasta que eso se resuelva, la evidencia decisiva debería ser una prueba con el mismo prompt sobre tu propio material: una secuencia de 15 segundos en seis planos con Kling 3.0 frente a una toma continua de 15 segundos con Wan 3.0, a 1080p, evaluada según clips que realmente entregarías.

Lo que hay que observar no es un nuevo modelo de ninguno de los dos laboratorios, sino la hoja de precios de Kuaishou. Si la tarifa del proveedor es correcta, Kling 3.0 es el modelo de video creíble más barato de esta serie y la columna por minuto de la arena está midiendo una configuración que la mayoría de la gente no comprará. Si la cifra de la tabla de clasificación es correcta, Kling 3.0 es el modelo más caro aquí y su posición en la mitad de la tabla es un problema. Una de esas dos afirmaciones es verdadera y nadie ha dicho cuál.