Kling 4.0 対 Luma Ray 3.2：一方は音を生み、もう一方は合格点を取る

同じ文にKling 4.0とLuma Ray 3.2を入れると、ほとんどの比較は解像度の話に一直線に向かう。なぜなら両方ともハイエンドな出力をうたっており、どちらも安価ではないからだ。それは最も興味をそそらない軸だ。この2つのモデルは、より根本的な点で意見が分かれている。生成されたクリップは完成品なのか、それともプレートなのか、という点だ。Kling 4.0は2026年10月15日から一般提供されており、映像と2チャンネルステレオ音声を1回のパスで生成し、テイクを最大30秒間保持し、出力されたものをそのまま公開することを想定している。Luma Ray 3.2は2026年6月9日からLumaのフラッグシップであり、無音映像を生成し、そのエンジニアリングをテイクの後に起きること——ネイティブ16ビットHDR、ACES2065-1でのEXR書き出し、ショットを再レンダリングせずにフレーミングを変えるリフレームモード——に注いでいる。このようなリリースの背景にある、文書化されたAIの障害やエージェントのインシデントは、the OrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。

その違いは、解像度の比較以上に購入の判断を左右する。だから数字を示す前に言っておきたい。投稿するクリップが成果物なら、無音は仕様表のほかの何によっても埋め合わせられない欠陥だ。カラリストが仕上げるショットが成果物なら、正しい色空間のEXRは、どれだけ生成したアンビエンスよりも価値がある。以下の内容はすべて、あなたがそのどちらに当てはまるかについてだ。

スコアボード問題を平易に述べると

今日、両モデルを独立したスコアで比較することはできません。しかも理由はそれぞれ異なります。Luma Ray 3.2画像から動画のボードにあるLumaの唯一のエントリーは、2025年9月の旧型Ray 3で、サイレントスケールのElo 1,215で47位につけています。Ray 3.2はそこにまったく存在しません。

Kling 4.0は本稿の時点から8日前にリリースされ、どのボードにもまだ登録されていません。存在するKlingの行は2026年2月のKling 3.0のもので、新世代については何も示していません。したがって、これはどちら側にも共通の測定値がない対戦です。つまり、これら2モデル間のElo差を引用する人は、自分で作り出した何かを引用していることになります。このページの残りは仕様と課金に基づいて判断し、他の場所で見つけたスコアは疑ってかかってください。

映像、音、そしてそれぞれが後に残すもの

KuaishouのリリースノートはKling 4.0について、音声に関して異例なほど具体的だ。2チャンネルステレオ、より精度の高いリップシンク、9言語に加えて地域アクセント（アメリカ英語、イギリス英語、インド英語、北京官話、台湾華語、東北官話、四川官話、広東語）に対応した台詞。また、これらの言語で画面上のテキストも生成する。これは音声とは別の機能であり、カメラが動いたときに最も目立って破綻するのはこの機能だ。

• サウンド — Kling 4.0：リップシンク付きのネイティブ2チャンネルステレオを同一パスで生成。Ray 3.2：テキストまたは画像プロンプトからの音声はなし。音声が残るのはModifyとReframeのみで、そこでは生成された音声ではなくソースクリップの音声が保持される。

• 長さ — Kling 4.0：1回の生成で3～30秒。Ray 3.2：新規生成は5秒または10秒。よく引用される20秒は、既存の映像を変換するModify Videoのものです。

• 解像度 — Kling 4.0：720p、1080p、4K、21:9も利用可能。Ray 3.2：360p、540p、720p、1080pで、4K生成はありません — Lumaの4Kは後から適用されるアップスケールユーティリティです。

• カラーパイプライン — Kling 4.0：1080pおよび4Kで10ビットHDR、近日提供予定として記載。Ray 3.2：ネイティブ16ビットHDR生成とACES2065-1でのEXR書き出しに対応、現在利用可能。料金はHDRがSDRの2倍、HDR＋EXRが3倍。

• フレームレベルの制御 — Kling 4.0：タイムライン上に最大10枚のキーフレーム画像を配置可能。Ray 3.2：クリップあたり最大16キーフレーム、画像から動画への生成時も対応。

• 参照素材 — Kling 4.0：画像、動画、要素、ボイスを合わせて最大15個のアセット。Ray 3.2：テキスト、画像、キーフレーム、キャラクター参照に対応。動画参照の上限は公開されていません。

そのリストを上から2回読んでほしい。6行のうち4行では、Kling 4.0 が紙の上では勝っている。仕上げスタジオが最も重視するたった1行——コンポジターが実際に使用する色空間の16ビットEXR——では、Ray 3.2 は単に先行しているだけではなく、この機能をそもそも出荷済みなのは2者のうち Ray 3.2 だけだ。

請求される2つの方法と、それらがコンバージョンしない理由

Lumaは秒数ではなくクリップ単位で販売している。テキストから動画、画像から動画向けに公開されている料金階段は、5秒のドラフト解像度クリップが20クレジット、540pが50、720pが100、1080pが400。10秒クリップではそれぞれ60、150、300、1,200クレジットになる。Modify VideoとReframeは別料金で、はるかに高額であり、これはそれらが生成ツールではなく仕上げツールであることと整合している。

クレジットの費用は、それを購入したプランによって異なります。そのため、Ray 3.2 について正直に提示できる単一のドル額はありません。サブスクリプション購入者と従量課金の API 購入者は、同じ 100 クレジットに対して異なる料率を支払います。変換後も残る性質は、請求書の形です。それはクリップごとに固定で、生成を押す前に把握でき、モデルが 2 秒をレンダリングするか 10 秒すべてをレンダリングするかで変わりません。

K​uaishouは料金表をまったく公開していませんKling 4.0APIはアーリーアクセス中で、開発者コンソールにもバナーでその旨が表示されており、公開ページにはフルモデルにもKling 4.0 Flashにも1秒あたりの価格がありません。これはコスト比較における小さな抜けではありません。つまり、安く見える選択肢はまだ実際にコストを見積もることができず、正直な立場としては、Kling 4.0の経済性は不明である一方、Ray 3.2のそれは少なくとも構造化されているということです。

参考までに、前世代は価格が設定され、ルーティング可能です：kling/kling-v3 はリクエストあたり一律 $0.084で当社のカタログに掲載されており、kling/kling-3-turbo は $0.112、2.x および O1 世代はその下にあります。Ray 3.2 は当社が提供するルートではありません。したがって、読者が今日実際に呼び出せる2つのモデルは Kling 3.0 と Ray 3.2 であり、新しい Kling のほうが料金表待ちです。

20秒という数字はどこから来たのか

Ray 3.2をめぐるLumaのマーケティングは尺の長さに依存しており、その尺の数字は誤解されやすい。新規生成は5秒または10秒だ。20秒は、ソースが24fpsのときにModify Videoが出力できる長さである。30fpsでは上限が15秒に下がり、60fpsでは7秒になる。これはLumaが隠している制限ではない——料金ページに明記されている——が、「最大20秒」はフレームレートの条件を伴わずに広まり、20秒のプロンプト・トゥ・ビデオクリップを期待して購入したチームは、最初の呼び出しで失望するだろう。

同じ厳格さはHDRにも当てはまる。Ray 3.2のHDRモードは720pまたは1080pの5秒クリップに限られ、10秒出力では利用できない。つまり、このモデルの最良のカラーパイプラインと最長の新規生成は二者択一であり、比較スライドには誰も載せないトレードオフだ。Kling 4.0の10ビットHDRは、登場時には1080pと4K向けと規定されているが、公開された継続時間の条件はない——ただし「近日公開」と記載されているため、現時点ではこの特定の線の両側における約束事にすぎない。

スタジオの中で意思決定がどのように行われるか

Ray 3.2 の本当の価値は、すでに撮影したショットを反復改善できることにあります。Reframe はアスペクト比を変更し、フレームを拡張し、あるいは撮影後に背景を差し替えながら、元のライティングを維持します。Modify Video は素材をゼロから生み出すのではなく、ソース映像を変換します。EXR は、変換をめぐる面倒な議論なしに Nuke と Resolve で開ける形式でモデルを出力します。カラリストを工程に含めてクライアントワークを行うチームなら、あらゆる案件でこれらの機能から価値を得られますし、ステレオ音声をどれだけ充実させても代わりにはなりません。

Kling 4.0の本当の売りは、最初のアセンブリにある。30秒、10個のキーフレーム、15個の参照があれば、シーケンスはつぎはぎではなくオーサリングできる。しかも音声は付属した状態で届く。これは、縦型でキャプション付きの納品物を当日公開するソーシャル、UGC、広告制作で最も重要だ。ベンダー自身の例はVlog、ショートドラマ、製品広告、ミュージックビデオで、これはワンパスで完成するモデルが真価を発揮する領域を的確に表している。

両方に共通するルーティング上の考慮点が一つあります。チームが各モデルを得意分野で使い分けることになった場合——公開できるテイクにはKling、グレーディングに回すプレートにはRay——実際にそうなるかどうかを決めるのは統合コストです。200以上のモデルの手前に置かれた1つのOpenAI互換キーがあれば、2つ目のモデルの利用は、2つ目のベンダー契約や監視すべき2つ目のクォータではなく、モデルIDの変更で済み、自動フェイルオーバーによって、あるサービング経路が劣化してもバッチを止めずに進められます。当社はKling 4.0もLuma Ray 3.2もルーティングしておらず、本稿もそう主張しているわけではありません。ルーティングの議論は両者の周辺にあるモデルについてのものであり、この2つについてではありません。

具体的にはどれですか？

選ぼうLuma Ray 3.2 — ショット自体が問題で、音は他人の担当というときに。どうしても決まらないカメラムーブ、クライアントが見た後に変更が必要になるフレーミング、HDRやEXRで納品する必要がある成果物——こうした問題を解決するのが、Reframe、キーフレーム、カラーパイプラインであり、Kling 4.0はどんな解像度でもそれらを解決しない。クリップ単位の課金はそのワークフローでは確かな利点だ。というのも、反復するのは演出であり、固定のクリップ価格なら10回目の試行が1回目より不利になることはないからだ。

出力そのものが成果物で、音もその一部であるなら、Kling 4.0を選んでください。30秒を1回のパスで、10個のキーフレーム、2チャンネルステレオ、15個の参照という組み合わせは、この比較の他のどれも提供していません。さらに21:9と4Kのオプションにより、Ray 3.2がネイティブに生成しない納品フォーマットにも対応できます。注意点は現実にあります。価格は未公表で、独立したスコアもなく、HDRはまだ提供済みではなく約束された段階にとどまり、APIは開発者向けに一般提供されておらず早期アクセスです。

これを決着させるのは、動画ボードのどれかにRay 3.2のエントリーがあり、Kling 4.0のレートカードがあることだ。両方が存在するまでは、有効なのは次の2文だ。これらのモデルの一方はサウンドトラックを生成し、もう一方は色空間をエクスポートする。そして両者の選択は、ベンチマークタブではなく、あなたの編集によって決まる。