FastFrames Video Generation と Luma Ray 3.2 を比較するヒーローカード。左のカードには「36 ms/フレーム」「832x480、無音」「81 フレーム」、右のカードには「最大 1080p」「10/12/16-bit EXR」「5 秒または 10 秒」と表示され、右下に OrcaRouter のロゴがある。
Guides & Insights

FastFrames Video Generation vs Luma Ray 3.2:フレームストリーム 対 グレーディング済みファイル

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Luma Ray 3.2とFastFrames Video Generationはどちらも拡散型の動画モデルで、どちらも2026年に公開され、提供開始は早くとも今年の下半期だ。そして、プロデューサーが理解するいかなる意味でも、互いの代替にはならない。Ray 3.2は6月9日から提供されており、最終的な成果物はファイルだ。最大1080p、5秒または10秒、オプションで10/12/16ビットHDRをACES2065-1 EXR規格で出力する。これはカラリストがグレーディングに用いる形式だ。FastFramesはAppleがCornellとともに11月16日に公開したもので、最終的な成果物はストリームだ。832×480、81フレーム、単一のB200上で36ミリ秒ごとに1フレーム、無音、テキストプロンプトのみ、重みはHugging Face上にある。片方は、その出力がファイニングパイプラインを生き延びるように作られている。もう片方は、前の出力を見終わる前に次の出力が届くように作られている。以下のすべてはこの分裂から導かれる。両モデルとも、この問いに決着をつけるための独立した評価スコアを持たないという、居心地の悪い事実も含めて。

出力フォーマットこそが論拠であり、仕様書ではない

各モデルがあなたに渡してくるものから始めましょう。なぜなら、比較が実際に成立するのはここだからです。

• Ray 3.2はデフォルトでMP4を出力し、リクエストに応じて10、12、16ビットのHDRフレームをACES2065-1 EXRで出力します。ただし720pと1080pのみ、かつ5秒のクリップに限ります。シームレスループとEXRパスはいずれも5秒のクリップ向けの機能です。

• FastFramesは、832×480、毎秒16フレームで81フレームのMP4を出力します。これは5.06秒の無音映像です。EXRパスもビット深度の選択肢もエクスポートダイアログもありません。ピクセルデコーダーはトークンごとに8ビットRGBを出力するだけで、それで終わりです。

• 解像度は、480p の固定点に対する 1080p の上限だ。しかし、この比較はどちらの方向にも不公平だ。なぜなら、Ray 3.2 の 1080p HDR モードは10秒のクリップには存在せず、FastFrames の 480p は引き上げられる設定ではないからだ。

• コントロールサーフェス: Ray 3.2 は、テキスト、開始フレーム、終了フレーム、または変更対象の既存動画に加え、クリップごとに最大16個のキーフレームと、最大8つの顔にわたる顔のパフォーマンストラッキングを受け取ります。FastFrames は、テキストプロンプトとシードを受け取ります。

そのリストをもう一度読んで、それが買い手について何を暗示しているかに気づいてください。Ray 3.2の機能セットは、編集内にすでに存在し、仕上げ、修正、または拡張が必要なショットの機能セットです。FastFramesの機能セットは、そのショットが何であるかをまだ決めていないシステムの機能セットです。

Ray 3.2をポストプロダクションツールとして読み解く

EXRパスこそが、このモデルが現在の形で存在する理由そのものであり、ほとんどの解説記事が触れていない制約が伴います。

540p、720p、1080pで、5秒または10秒のクリップとして、縦長・正方形・ワイドスクリーンをカバーする6つのアスペクト比で生成します。ただし、10秒の生成はテキスト・トゥ・ビデオ専用のため、フレーム条件付きおよび動画条件付きの経路は最大5秒に制限されます。HDRは720pおよび1080p、5秒のオプトイン設定です。EXR書き出しは自動ではなく、HDRを有効にすることで得られます。音声はもう一つの制約であり、人々が予想しない形で制限されます。Ray 3.2はテキスト・トゥ・ビデオや画像・トゥ・ビデオでは同期音声を生成しません。音声が残るのは、すでにトラックを持つ既存の映像を修正またはリフレーミングする場合だけです。仕上げ工程向けに位置付けられたモデルとしては、それは整合的です。音は生成器ではなく編集から来るからです。ただし、音声付き動画を1回の呼び出しで生成するモデルを探している人は、ここで読むのをやめるべきです。

商用構造も重要です。Ray 3.2は、Rayファミリーで初めて完全な開発者APIを備えたモデルであり、従量課金制のBuildティアと、SLA付きの予約スループット制のScaleティアに分かれています。以前のRayモデルはサブスクリプション専用だったため、このファミリーの価格履歴は今回のモデルの参考にはなりません。クリップあたりのコストは、解像度、ダイナミックレンジ、再生時間の組み合わせに応じて変動します。第三者の掲載情報では、5秒の720pクリップが約0.30ドル、1080pクリップが約1.20ドルとされています。また、HDRまたはEXR書き出しは、クリップコストに加算されるのではなく、コストを倍増させます。これらはLuma自身が公表した数値ではなく、Lumaの料金表に対するアグリゲーターの計算結果として扱ってください。

1文を割く価値のある命名の罠が1つある。Lumaのバージョン番号は、見た目どおりには上がっていかない。Ray3.14は2026年1月26日に、Ray 3.2は2026年6月9日にリリースされた。つまり数字が小さいほうが新しいモデルであり、Lumaは、古いガイドの多くがいまだに前提としているDream Machineというブランドを廃止した。

FastFrames — レンダーループとして読み解く

FastFrames は Ray 3.2 の小型版ではない。重みとして公開された蒸留結果であり、そのアーキテクチャが高速性と欠けている機能の両方を説明している。

両チェックポイントはWan2.1を基盤とする自己回帰型動画拡散モデルであり、FastFrames-SはWan2.1-T2V-1.3Bから、FastFrames-LはWan2.1-T2V-14Bから構築され、著者らがCausal Forcing++と呼ぶレシピに通されている。論文の貢献は、より高速なTransformerではない。Transformer周辺の高コストな2つのコンポーネントを削除したことにある。VAEデコーダはベースラインで1フレームあたり約147ミリ秒かかっていたが、6,387万パラメータのピクセルデコーダに置き換えられ、約1ミリ秒に近づく。KVキャッシュ更新は、小モデルでは2ミリ秒、大モデルでは6ミリ秒かかる小さなリファインメントネットワークになる。Transformer自体は最終段階で凍結される。

1.3Bモデルで計算すると、1フレーム271.8ミリ秒が35.8になる。B200 1台では毎秒約28リクエスト、つまり5秒のクリップを2.9秒で生成できる。14Bは45ミリ秒と毎秒22リクエストを維持するにはB200が8台必要で、単一GPUでは158ミリ秒に落ち、再生より遅くなる。720pでは、小モデルは1フレーム127ミリ秒、大モデルは8GPUで116ミリ秒必要で、論文ではH100ではさらに25~50パーセントのペナルティがかかるとしている。

自己回帰生成は、81フレームが聞こえるほど制約にならない理由であり、同時にこのモデルがRay 3.2にできることをできない理由でもあります。各ブロックは前のブロックを条件とするため、クリップは連鎖します。しかし、連鎖はキーフレーム制御ではなく、開始フレーム、終了フレーム、参照画像、既存クリップを入力する経路もありません。このモデルには、いかなる種類の画像条件付けもありません。

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

測定ギャップは現実に存在し、しかもそれは双方向に及んでいる

どちらのモデルも順位付けできず、その理由は十分に異なるため、分けて論じる価値がある。

Ray 3.2はArtificial Analysisのビデオアリーナにエントリーがありません。テキストから動画にも、画像から動画にもなく、このブログのために2026年9月18日に確認しました。代わりにLumaが公開しているのは、Veo 3との同等性と複数の競合に対する優位性を主張する内部のRay3評価レポートで、数値スコアは付されておらず、そのAPIが比較可能なモデルの半分未満の価格とレイテンシで動作するという主張も定量化されていません。これらはポジショニング文書です。サンプル数と信頼区間を伴うアリーナEloと比較できるものではなく、そうであるかのように提示するページがあってはなりません。

FastFramesには逆の問題がある。数値はあるが、そのすべてが自社の著者によるものだ。論文の表1にあるVBenchの合計値は、FastFrames-Sが84.23、FastFrames-Lが84.44で、蒸留元のベースラインであるCausal Forcing++は毎フレーム272ミリ秒で84.11。ベースモデルのWan2.1 1.3Bは30,444ミリ秒で83.80。Wan2.2 14.3Bは117,734で84.65。それを独立に再現した者は誰もおらず、VBenchはまさに自己回帰モデルが得意とする時間的平滑性を評価するベンチマークだ。論文自身の表は、83~85.5のプラトー全体での同等性に関する主張であって、品質の測定ではない。

この2つの差に共通していることが、持ち帰るべきポイントだ。Appleのリストにあるすべてのモデル間でのVBench合計スコアのばらつきは約2.5ポイントなのに対し、同じリストでのレイテンシのばらつきは4桁分に及ぶ。このベンチマークが何を測っていようと、これらのシステムを区別する能力はとっくに失われている。これらのモデルはいずれも、VBenchが見ていない軸で売り込まれている。

それぞれ1ショットのコストがかかります

具体的なブリーフを両方のレートカードに当てはめると、その計算はまったく比較できなくなる。

• 5秒の1080p HDRクリップ — Ray 3.2、HDR倍率適用前のリスト料金で約1.20ドル、そのままグレーディングに使えるEXRとして納品。FastFramesはこのショットをいくら費用をかけても制作できません。

• 5秒の480p無音クリップ — FastFramesでは、小型モデルならB200 1台で実時間2.9秒、大型モデルならB200 8台で3.6秒。Ray 3.2は480pではまったく生成できず、下限は540pです。

• どんな内容でも10秒間 — Ray 3.2はテキストからのみ、1080p以下で。FastFramesは2つの81フレームブロックをつなぎ、継ぎ目が保つことを願って10秒に到達します。

• 同じショットを90テイク——ここで経済性が逆転します。Ray 3.2はクリップ単位の課金なので、100回の試行には100クリップ分のコストがかかります。FastFramesはGPU秒単位の課金なので、100回の試行にかかるのは、すでにレンタルしているマシンの2.9秒×100回分です。

• お手元にないハードウェア — FastFrames には Linux x86-64、NVIDIA GPU、CUDA 12.8 が必要で、リポジトリには動作する推論パス、レイテンシ測定ベンチマークスクリプト、VBench 評価ワークフロー、デモアプリが含まれています。これらのいずれもホスト型サービスではありません。

その「90テイク」という線引きこそが本当の分かれ目です。クリップ単位の課金は成果物に値付けし、GPU秒単位の課金は探索に値付けします。もしあなたのプロセスが「正しくなるまで生成する」なら、2番目のモデルは桁違いに安く、その他のあらゆる軸では劣ります。もしあなたのプロセスが「評価に耐えなければならないものを1つ生成する」なら、2つのうちその仕事を成し遂げられるのは最初のモデルだけです。

ライセンスはスペックシートよりも多くのことを決める。

FastFramesの重みにはAppleのAMLR条件が適用され、同じリポジトリ内のLingBot-World v2デモコンポーネントはCC BY-NC-SA 4.0、つまり非商用です。残りはAppleのSample Code Licenceの下にあります。「Open weights」と「free to commercialise」は同義語ではなく、今回のリリースはその違いに意図的に慎重です。一方、商用API契約の下で、Build tierとSLA付きのScale tierを備えて販売されているRay 3.2には、そうした慎重さはまったくありません。

調達面の問いは、技術面の問いとは逆向きになる。Ray 3.2 は、ベンダーとの関係を受け入れることを求める。料金表、利用規約、Scale を購入する場合のスループット保証、そして自分の知らないうちに変わりうるエンドポイントだ。FastFrames は、3つのライセンスを読み、GPU に関する責任を負うことを求める。API ベンダー向けの法務レビュー手続きをすでに整えているスタジオにとっては、前者の方が簡単だ。B200s をすでに所有し、趣味でライセンスを読むコンプライアンス担当者を抱える研究グループにとっては、後者の方が簡単だ。

それぞれがどこに属するか、そしてこれを変える問い

{{1}}Ray 3.2{{/1}}をパイプラインの終端に、{{2}}FastFrames{{/2}}をその始端に置けば、両者は競合しなくなる。{{1}}Ray 3.2{{/1}}は、編集が存在し、カラーパイプラインが実在し、ショットが最終的に10ビット以上でグレーディング可能な形で出てくる必要があるときに選ぶものだ——1080p、5秒のHDRクリップ、生成音声なし、そしてダイナミックレンジに応じて増えていくクリップ単位の課金を受け入れることになる。{{2}}FastFrames{{/2}}は、ループが製品そのものであるときに選ぶものだ。ライブプレビュー、制御可能なワールドモデル、セッション内で応答するアバター——480p、無音、参照入力なし、そして出荷前に読む必要のあるライセンスを受け入れることになる。

これらのどちらもOrcaRouter上のルートではなく、本稿もそう主張しているわけではありません。1つのキーで実際にアクセスできるのは、すでに今日稼働しているホスト型ビデオレイヤーです。768pで毎秒0.08ドル、2Kで0.13ドルのMiniMax H3、そしてKling 3.0ファミリー — 200以上の言語モデルと並び、プロバイダー定価を0%のマークアップでそのまま適用するため、ベンダーの料金引き下げは発表当日にここへ反映されます。キュー処理中にエンドポイントが劣化した場合の自動フェイルオーバーも備えています。上記のいずれかのモデルを評価しているチームにとって、GPU予算やScale契約を仮説に投じる前に、実際のレイテンシとコストのプロファイルがどうなるかを測る低コストな方法です。

この比較に決着をつけるのは、どちらか一方によるより良いデモではない。Ray 3.2 を image-to-video arena で独立に測定した結果が一つあれば、仕上げモデルにも数値が存在することになり、また FastFrames の 84.4 を Apple や Cornell の関係者ではない誰かが再現した結果が一つあればよい。両方が存在するまでは、選択の誠実な根拠は成果物そのものであり、その軸ではこの二つのモデルは混同されるほど近くはない。

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.