Wan 3.0 vs Luma Ray 3.2：音vs色彩、そして未評価のモデルが一つ

これは、このシリーズで2つのモデルのうち一方にスコアを付けられない唯一の対戦です。 Luma Ray 3.2は、Artificial Analysisの動画アリーナに登録がありません — テキストから動画へのボードにも、画像から動画へのボードにも。2026年9月18日時点で確認済みです。これにはブラインド選好のEloも、サンプル数も、信頼区間もありません。直接対決でRay 3.2の数値を引用している人は、ベンダーが実施した選好テストか、アグリゲーター独自の尺度を引用しており、どちらもWan 3.0が持つアリーナの数値とは比較できません。したがって、この比較はスコアボードではなく、仕様、制御可能な項目、課金に基づいて行う必要があります — そして、この2つの作りが大きく異なることを踏まえると、いずれにせよそのほうがより有用な比較になります。

その前にまず、見落とすと損をする命名の罠が一つあります。Lumaのバージョン番号は、見た目どおりには上がっていきません。Ray3.14は2026年1月26日にリリースされ、Ray3.2は2026年6月9日にリリースされていて、現行のフラッグシップです。数字が大きいほうが古いモデルです。LumaはDream Machineというブランディングを完全に廃止しており、Dream MachineとRay2はRayに置き換わったと明言しています。したがって、「Dream Machine」に基づいて作られたあらゆるガイド、料金ページ、比較は、Lumaがもはや販売していない製品を説明していることになります。

リーダーボードから消えたエントリー、そしてそれが重要な理由

Wan 3.0の立ち位置は十分に裏付けられている。2026年9月18日時点のArtificial Analysisの音声付きテキストto動画アリーナでは、Elo 1,229、記録された比較6,011件で第2位につけており、Elo 1,233のGemini Omni Flashの後ろ、23ポイント幅の範囲内にいる他の3モデルより前にある。動画編集ボードではElo 1,190で第1位だ。これらは独立した、ブラインド方式の、検証可能な指標である。

Ray 3.2の位置づけは、比較可能な形ではどこにも文書化されていない。Lumaが公表したのは社内の「Ray3 Evaluation Report」で、Veo 3との同等性、およびRunway Gen-4、Midjourney Video、Moonvalley Mareyに対する優位性を主張しているが、数値スコアは一切添えられていない。Lumaはまた、自社APIが同等モデルより価格もレイテンシも半分未満で動作すると主張しているが、これも数値化されていない。別に、Black Forest Labsは、比較の93%で自社のFlux 3がRay 3.2より好まれたと述べている。これは競合製品についてベンダーが実施したテストであり、Luma自身の主張と同じ重みしか持たない。つまり、大した重みではない。

これはモデルへの減点というより、記録上の実際の空白だ。モデルは優れていても未評価であり得る——アリーナは、投票者に見せられたものだけを採点する。だが、それは比較ページが伝えるべき内容を変える。Wan 3.0 については、独立した投票者がどう考えたかを言える。Ray 3.2 については、その種のことは何も言えない。そして、Luma の内部報告や競合他社の 93% という主張を、どちらかが証拠であるかのように提示するのは、この記事を誤らせる最も安易な方法だろう。

2つの異なる賭け：音 対 色

これが両者の間の最も鋭い違いであり、品質の問題ではありません。

Wan 3.0は、映像と同じパスで音声をネイティブに生成します — セリフ、BGM、効果音。デフォルトで有効で、フラグで無効化でき、最大5つの参照音声クリップで方向づけられます。Alibaba自身の発表資料でも、音声品質はまだ改善が必要な領域として挙げられているため、現実的だが不完全な機能として扱うべきです。要は、Wan 3.0の生成物は完成した視聴覚作品として届くということです。

Ray 3.2 は音声をまったく生成しません。テキストから動画、画像から動画の出力は無音です。音声が保持されるのは、既存の映像に Modify または Reframe のパスを使う場合だけで、プロンプトからサウンドトラックへのパスはありません。これは両モデル間の最大の能力差であり、それだけで一部のワークフローでは失格となります。成果物に同期した会話やサウンドデザインが必要なら、Ray 3.2 は後から音声工程を追加する必要があるパイプラインにおける動画専用のステップであり、Wan 3.0 はそうではありません。

Lumaが代わりに構築したのは、あらゆる商用ビデオモデルの中で最も深いカラー＆フィニッシングパイプラインだ。Ray 3.2はネイティブ16ビットHDRを生成し、プロのグレーディングやVFXパイプラインが求める色空間であるACES2065-1でEXRを書き出す。最大8つの顔にわたる表情豊かな顔のパフォーマンスをフレーム単位で同時に追跡し、さらに骨格の姿勢やジェスチャーも追跡する。クリップごとに最大16個のキーフレームを取り込み、ペーシングとモーションをフレームレベルで指示できる。Reframe機能は、生成後にアスペクト比を変更したり、フレームを拡張したり、背景を置き換えたりしながら、元のライティングを保持する。そしてAdobe Firefly内で提供され、名を明かしたスタジオやエージェンシーの顧客が背後にいる。

それはポストプロダクション用のツールです。Wan 3.0はプロダクション用のツールです。カラリストにショットを渡すのであれば、EXR書き出しは、ほかのどんな30秒にも増して価値があります。完成したクリップを公開するのであれば、無音出力は、スペックシート上のほかのどの項目でも解決できない問題です。

再生時間と解像度、よくお読みください

両ベンダーはこれらの数値を逆方向にぼかしており、そのどちらのぼかし方も重要である。

• 長さ — Wan 3.0：1回の生成で2～30秒、さらに前方、後方、双方向の拡張に対応。Ray 3.2：新規のテキストから動画、画像から動画では5秒または10秒。Luma について広く引用されている「最大20秒」は、ソースを保持する変換モードである Modify Video に適用されるもので、プロンプトからの生成には適用されません。20秒という数字で選んでいるなら、購入するモードがどれかを確認してください。

• 解像度 — Wan 3.0：480p、720p、1080p、すべてネイティブ。Ray 3.2：360p、540p、720p、1080p。Ray 3.2は4Kに対応していません。4Kに対応しているという主張は広く出回っていますが誤りです。Lumaの4Kは生成後に適用される別個のアップスケールユーティリティであり、生成モードではありません。HDRは本物ですが、4Kはそうではありません。

• HDRの制約 — LumaのHDRモードは720pまたは1080pの5秒クリップに限定されており、HDRは10秒の出力と互換性がありません。そのため、このモデル最高のカラーパイプラインは最長のクリップでは利用できません。

• フレームレート — Wan 3.0：30fps。Ray 3.2：24fps。これはフィルム調の制作には適切な選択だが、納品が30または60の場合には不適切だ。

• アスペクト比 — Ray 3.2 には固定リストがありません。Reframe が事後に出力を適応させるためです。Wan 3.0 は 21:9、16:9、4:3、1:1、3:4、9:16、および生成時のアダプティブに対応しています。

• 入力 — Wan 3.0 は最大10枚の参照画像、5本の参照動画、5つの参照音声クリップを、合計20アセットという上限内で受け付け、さらにドキュメントまたは公開ウェブページも利用できます。Ray 3.2 はテキスト、画像、最大16個のキーフレーム、キャラクター参照を受け付けます — これは前身の Ray3.14 にはなかった機能です。ドキュメント、URL グラウンディング、音声入力には対応していません。

1秒あたりのコストと、その根底にある課金体系

Wan 3.0は、アリババの公表料金に基づき、出力1秒ごとに課金されます。480pでは0.05ドル、720pでは0.10ドル、1080pでは0.20ドルです。30秒の1080pクリップは6.00ドルで、アリババ自社プラットフォームでは9月23日まで期間限定の30%割引が実施されており、これにより約4.20ドルになります。

Ray 3.2 は Luma Agents API では生成ごとに課金されるため、計算が異なってきます。360p で 5 秒は $0.06、540p で $0.15、720p で $0.30、1080p で $1.20 です。10 秒の場合、360p と 540p ではこれらの金額が 2 倍になり、それより高解像度では 3 倍になります。1080p では 1 秒あたり約 $0.24 になり、Wan 3.0 の 1080p 料金より高く、その 480p 料金のおよそ 5 倍です。

秒単位の数字よりも重要な、構造上の注意点が2つあります。1つ目は、LumaのサブスクリプションクレジットとAPI課金は別個のシステムであり、クレジットは両者間で移行できないということです。コンシューマー向けプランは月額30ドル、90ドル、300ドルで、それぞれの内部でクレジットが計量されます。実際に構築するサーフェスに合わせて予算を組んでください。お金は移動しないからです。2つ目は、HDRとHDR+EXRがクレジットコストを倍増させることです — それぞれ2倍と3倍になります — つまり、Ray 3.2を際立たせる機能は、その実効価格を最も大きく変える機能でもあります。

Wan 3.0 では、同等の罠はベンダー側ではなくプロバイダー層にあります。モデルが解像度ごと・秒単位で課金される場合、中間業者の料金は多くの場合 Alibaba の料金とは異なります。$0.05 / $0.10 / $0.20 が、あらゆる見積もりを照合すべき基準の数字です。

ルーティングの問いが実際にどこへ着地するのか

これらのいずれも、当社がルーティングするモデルではありません。そして、このセクションでは何よりも先にそう言っておく価値があります。Wan 3.0 は、Alibaba 自身のプラットフォーム——Model Studio と Qwen Cloud——を通じて、また、8月24日のローンチ後にそれを統合したサードパーティのクリエイティブツールを通じて利用できます。Ray 3.2 は、Luma の Web アプリを通じて、また Ray シリーズでは初となる、従量課金制と予約容量枠を備えた本格的な開発者向け API を通じて、さらにいくつかのサードパーティプラットフォームとその Adobe Firefly 統合を通じて利用できます。

OrcaRouter で利用できるのは、その周辺のパイプラインです。完成した動画が成果物のすべてであることはほとんどありません。脚本、ショットリスト、代替テキスト、複数言語のキャプション、レビューメモ、メタデータがあり、これらはすべてテキストモデルの仕事です。そうしたモデルは当社のカタログに揃っています — 1つのキーで200以上、プロバイダーの定価をそのまま、マークアップを加えずに提供しています。そのため、キャプション生成のパスを高価なモデルから安価なモデルへ移すことも、ショットリストを書くモデルを差し替えることも、2つ目の統合ではなく設定変更で済みます。ここにある2つの動画モデルがすでに2社目、3社目とのベンダー関係であることを踏まえると、テキスト層を1つのキーに保つことは、このスタックの中で本当に安く集約できる部分です。

どちらですか、そして何がそれを決着させるのでしょうか

これは紙の上では僅差の争いではないし、一方的な大勝でもない。なぜなら、この二者は同じ職を争っているわけではないからだ。

• プロンプトからの音声、1回の生成で10秒超、ドキュメントやウェブページのグラウンディング、広い参照バジェット、30fps、または1080pでの最安の秒単価が必要なら、Wan 3.0を選んでください。公開されるクリップとして完成するものには、こちらがより適した選択です。

• グレーディングパイプライン向けにACES2065-1での16-bit HDRまたはEXRが必要な場合、16個のキーフレームにわたるフレーム単位の制御、8つの顔にわたるパフォーマンストラッキング、Reframeによる後からのアスペクトと背景の変更、または最大20秒の既存フッテージのソースを保持した変換が必要な場合は、Luma Ray 3.2を選んでください。誰かの編集で最終的にショットとして使われるものには、こちらのほうが適しています。

この記事を変えるものは新しいモデルではない — アリーナへのエントリーだ。Ray 3.2 は2026年6月9日から一般提供されており、比較を蓄積するのに十分な期間が経っているが、単に投票者の前に出されていない。それが実現するまでは、正直な立場はこうだ。Wan 3.0 には検証可能な独立したスコアがあり、Ray 3.2 にはベンダー自身の報告しかない。そして、それらが同じ種類の証拠であるかのように装う比較は、その隔たりを認める比較より悪い。

自分でこの評価を実行する場合の実用的な注意点がひとつあります。Ray 3.2 は無音の動画を出力し、Wan 3.0 はそうではないため、同じプロンプトで単純に比較すると、画質とは何の関係もない形で Luma に対して不公平に感じられます。まず映像を採点し、両方をミュートして、音声は別々に評価してください。そうでなければ、完成品と構成要素を比べて、間違った差異を測定することになります。