Wan 3.0 vs Luma Ray 3.2: Sonido contra color, y un modelo sin clasificar

Esta es la única comparación de esta serie en la que uno de los dos modelos no puede puntuarse. Luma Ray 3.2 no tiene entrada en la arena de vídeo de Artificial Analysis — ni en el panel de texto a vídeo, ni en el de imagen a vídeo, consultado el 18 de septiembre de 2026. No hay para él ningún Elo de preferencia ciega, ni recuento de muestras, ni intervalo de confianza. Quien cite una cifra de Ray 3.2 en una comparación directa estará citando una prueba de preferencia realizada por el proveedor o una escala propia de un agregador, y ninguna de las dos es comparable con las cifras de la arena que Wan 3.0 maneja. Así que esta comparación tiene que hacerse sobre especificaciones, superficies de control y facturación en lugar de sobre un marcador — lo que, dado lo diferente que están construidos estos dos, resulta ser de todos modos la comparación más útil.

Antes de todo esto, una trampa de nombres que te costará dinero si la pasas por alto. Los números de versión de Luma no ascienden como se leen. Ray3.14 se lanzó el 26 de enero de 2026; Ray3.2 se lanzó el 9 de junio de 2026 y es el actual buque insignia. El número más alto es el modelo más antiguo. Luma ha abandonado por completo la marca Dream Machine y afirma que Dream Machine y Ray2 son reemplazados por Ray — así que cualquier guía, página de precios o comparación basada en "Dream Machine" describe un producto que Luma ya no vende.

La entrada ausente en la tabla de clasificación, y por qué importa

La posición de Wan 3.0 está bien documentada. En la arena de texto a vídeo con audio de Artificial Analysis, capturada el 18 de septiembre de 2026, ocupa el #2 con 1.229 de Elo y 6.011 comparaciones registradas, por detrás de Gemini Omni Flash, con 1.233, y por delante de otros tres modelos dentro de una banda de 23 puntos. En la tabla de edición de vídeo es el #1 con 1.190 de Elo. Son independientes, ciegos e inspeccionables.

La posición de Ray 3.2 no está documentada en ningún sitio comparable. Lo que Luma ha publicado es un «Ray3 Evaluation Report» interno que afirma una paridad con Veo 3 y una ventaja sobre Runway Gen-4, Midjourney Video y Moonvalley Marey —sin adjuntar puntuaciones numéricas. Luma también afirma que su API opera a menos de la mitad del precio y la latencia de modelos comparables, sin cuantificar. Por separado, Black Forest Labs ha declarado que su Flux 3 fue preferido sobre Ray 3.2 en el 93 % de las comparaciones; se trata de una prueba realizada por el proveedor sobre el producto de un competidor y tiene el mismo peso que las afirmaciones de la propia Luma, es decir, no mucho.

Esto es una laguna real en el registro, más que una marca en contra del modelo. Un modelo puede ser excelente y no estar calificado: la arena solo puntúa lo que se ha mostrado a sus votantes. Pero cambia lo que una página de comparación debería decirte. De Wan 3.0 puedes decir lo que pensaron los votantes independientes. De Ray 3.2 no puedes decir nada por el estilo, y presentar el informe interno de Luma o la afirmación del 93% de un rival como si cualquiera de los dos fuera evidencia sería la manera más fácil de que este artículo esté equivocado.

Dos apuestas diferentes: sonido versus color

Esta es la diferencia más marcada entre ellos, y no se trata de calidad.

Wan 3.0 genera audio de forma nativa en la misma pasada que el video: diálogo, música de fondo y efectos de sonido, activado por defecto, desactivable con un indicador, y orientable con hasta cinco clips de audio de referencia. Los propios materiales de lanzamiento de Alibaba señalan la calidad de audio como un área que aún necesita trabajo, así que trátala como una capacidad real pero imperfecta. El punto es que una generación de Wan 3.0 llega como una pieza audiovisual terminada.

Ray 3.2 no genera audio en absoluto. La salida de texto a video e imagen a video es silenciosa. El audio solo se conserva cuando usas las rutas Modificar o Reencuadrar en material existente —no hay ninguna ruta desde una indicación hasta una banda sonora. Esta es la mayor diferencia de capacidades entre los dos modelos y, por sí sola, basta para descartarlo en algunos flujos de trabajo: si tu entregable necesita diálogo sincronizado o diseño sonoro, Ray 3.2 es un paso exclusivamente de video en un flujo de trabajo al que hay que añadirle después una etapa de audio, y Wan 3.0 no lo es.

Lo que Luma construyó en su lugar es el pipeline de color y acabado más profundo de cualquier modelo de vídeo comercial. Ray 3.2 genera HDR nativo de 16 bits y exporta EXR en ACES2065-1, el espacio de color que esperan los pipelines profesionales de etalonaje y VFX. Hace seguimiento de la interpretación facial expresiva en hasta ocho rostros simultáneamente, fotograma a fotograma, además de la postura y los gestos esqueléticos. Admite hasta 16 fotogramas clave por clip para dirigir el ritmo y el movimiento a nivel de fotograma. Su función Reframe cambia la relación de aspecto, amplía el encuadre o sustituye un fondo después de la generación mientras conserva la iluminación original. Y se distribuye dentro de Adobe Firefly, con clientes de estudios y agencias de renombre que lo respaldan.

Eso es una herramienta de postproducción. Wan 3.0 es una herramienta de producción. Si le entregas tomas a un colorista, la exportación EXR vale más que treinta segundos de cualquier cosa. Si vas a publicar un clip terminado, la salida silenciosa es un problema que ninguna otra cosa de la hoja de especificaciones soluciona.

Duración y resolución, lee con atención

Ambos proveedores difuminan estas cifras, en direcciones opuestas, y ambos difuminados importan.

• Duración — Wan 3.0: de 2 a 30 segundos en una sola generación, además de extensión hacia delante, hacia atrás y bidireccional. Ray 3.2: 5 o 10 segundos para generación nueva de texto a vídeo e imagen a vídeo. La cifra de Luma ampliamente citada de "hasta 20 segundos" se aplica a Modify Video, su modo de transformación que preserva la fuente, no a la generación a partir de un prompt. Si te basas en la cifra de 20 segundos para elegir, comprueba qué modo estás comprando.

• Resolución — Wan 3.0: 480p, 720p y 1080p, todo nativo. Ray 3.2: 360p, 540p, 720p y 1080p. Ray 3.2 no ofrece 4K. La afirmación de que sí lo hace circula ampliamente y es incorrecta: el 4K de Luma es una utilidad de escalado independiente que se aplica después de la generación, no un modo de generación. El HDR es real; el 4K no.

• Restricciones de HDR — el modo HDR de Luma está limitado a clips de 5 segundos en 720p o 1080p, y HDR es incompatible con la salida de 10 segundos. Por lo tanto, el mejor flujo de procesamiento de color del modelo no está disponible en sus clips más largos.

• Velocidad de fotogramas — Wan 3.0: 30 fps. Ray 3.2: 24 fps, que es la decisión correcta para el trabajo de estilo cinematográfico y la incorrecta si tu entrega es a 30 o 60.

• Relación de aspecto — Ray 3.2 no tiene una lista fija porque Reframe adapta la salida a posteriori. Wan 3.0 admite 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 y adaptativa en el momento de la generación.

• Entradas — Wan 3.0 acepta hasta 10 imágenes de referencia, 5 vídeos de referencia y 5 clips de audio de referencia dentro de un límite de 20 recursos, además de un documento o una página web pública. Ray 3.2 acepta texto, imágenes, hasta 16 fotogramas clave y referencias de personajes —una capacidad de la que carecía su predecesor, Ray3.14—. Sin documentos, sin fundamentación en URL, sin entrada de audio.

Cuánto cuesta cada segundo y la estructura de facturación subyacente

Wan 3.0 se factura por segundo de salida según las tarifas publicadas de Alibaba: 0,05 $ a 480p, 0,10 $ a 720p y 0,20 $ a 1080p. Un clip de 30 segundos en 1080p cuesta 6,00 $, y con un descuento por tiempo limitado del 30 % en las propias plataformas de Alibaba, vigente hasta el 23 de septiembre, ese precio se reduce a unos 4,20 $.

Ray 3.2 se factura por generación en la API de Luma Agents, lo que hace que la aritmética sea diferente: 5 segundos a 360p cuestan $0.06, a 540p $0.15, a 720p $0.30, a 1080p $1.20. Diez segundos duplican esas cifras a 360p y 540p, y las triplican a partir de ahí. A 1080p, eso equivale a unos $0.24 por segundo — más que la tarifa de 1080p de Wan 3.0 y aproximadamente cinco veces su tarifa de 480p.

Dos notas estructurales que importan más que las cifras por segundo. En primer lugar, los créditos de suscripción de Luma y su facturación de API son sistemas separados, y los créditos no se transfieren entre ellos; los planes de consumo cuestan $30, $90 y $300 al mes, con créditos medidos dentro de cada uno. Presupueste para la superficie sobre la que realmente esté construyendo, porque el dinero no se mueve. En segundo lugar, HDR y HDR+EXR multiplican el costo en créditos —el doble y el triple, respectivamente—, así que la capacidad que distingue a Ray 3.2 es también la que más cambia su precio efectivo.

En Wan 3.0, la trampa equivalente está en la capa del proveedor, no en la del vendedor: cuando el precio de un modelo se calcula por segundo y por resolución, la tarifa de un intermediario a menudo no es la de Alibaba. $0.05 / $0.10 / $0.20 es la cifra con la que hay que contrastar cualquier cotización.

Dónde acaba en realidad la cuestión del enrutamiento

Ninguno de estos es un modelo que enrutemos, y vale la pena decirlo antes que nada en esta sección. Se puede acceder a Wan 3.0 a través de las plataformas propias de Alibaba —Model Studio y Qwen Cloud— y mediante herramientas creativas de terceros que lo integraron después del lanzamiento del 24 de agosto. Se puede acceder a Ray 3.2 a través de la aplicación web de Luma y, por primera vez en la línea Ray, a una API de desarrollador propiamente dicha con niveles de pago por uso y de capacidad reservada, además de un puñado de plataformas de terceros y su integración con Adobe Firefly.

Lo que está disponible en OrcaRouter es el pipeline que lo rodea. Un video terminado rara vez constituye todo el entregable: hay un guion, una lista de planos, texto alternativo, subtítulos en varios idiomas, notas de revisión y metadatos, y todo eso es trabajo de modelos de texto. Esos modelos están en nuestro catálogo — 200+ de ellos con una sola clave, con el precio de lista del proveedor trasladado sin añadir margen —, así que mover la fase de subtitulado de un modelo caro a uno barato, o cambiar el modelo que escribe tus listas de planos, es un cambio de configuración en lugar de una segunda integración. Dado que ambos modelos de video que hay aquí ya representan una segunda y una tercera relación con proveedores, mantener la capa de texto con una sola clave es la parte de este stack que es realmente barata de consolidar.

¿Cuál, y qué lo resolvería?

No es una decisión reñida sobre el papel, y tampoco es una paliza, porque los dos no compiten por el mismo puesto.

• Elige Wan 3.0 si necesitas audio desde el prompt, más de 10 segundos en una sola pasada, fundamentación en documentos o páginas web, un amplio presupuesto de referencias, 30fps o la tarifa por segundo más baja a 1080p. Es la mejor opción para cualquier cosa que termine como un clip publicado.

• Elige Luma Ray 3.2 si necesitas HDR de 16 bits o EXR en ACES2065-1 para un flujo de trabajo de etalonaje, control a nivel de fotograma en 16 fotogramas clave, seguimiento del rendimiento en ocho caras, cambios posteriores de aspecto y fondo de Reframe, o transformación que preserva la fuente de metraje existente de hasta 20 segundos. Es la mejor opción para cualquier cosa que termine como una toma en el montaje de otra persona.

Lo que cambiaría este artículo no es un nuevo modelo, sino una entrada en la arena. Ray 3.2 está disponible de forma general desde el 9 de junio de 2026, tiempo suficiente para acumular comparaciones, y sencillamente no se ha puesto delante de los votantes. Hasta que lo esté, la postura honesta es que Wan 3.0 tiene una puntuación independiente verificable y Ray 3.2 tiene el informe del propio proveedor, y una comparación que pretende que son el mismo tipo de evidencia es peor que una que reconoce la brecha.

Una nota práctica si vas a realizar esta evaluación tú mismo: como Ray 3.2 genera video sin audio y Wan 3.0 no, una comparación directa con el mismo prompt se sentirá desequilibrada en contra de Luma de una manera que no tiene nada que ver con la calidad de imagen. Puntúa primero la imagen, silencia ambos y evalúa el audio por separado; de lo contrario, estarás comparando una pieza terminada con un componente y midiendo la diferencia equivocada.