Kling 4.0 vs Luma Ray 3.2: jeden tworzy dźwięk, drugi zdaje egzamin

Postaw Kling 4.0 i Luma Ray 3.2 w tym samym zdaniu, a większość porównań od razu przechodzi do rozdzielczości, ponieważ oba reklamują najwyższej klasy rezultat i żaden nie jest tani. To najmniej interesująca oś. Te dwa modele nie zgadzają się co do czegoś bardziej fundamentalnego: czy wygenerowany klip jest gotowym dziełem, czy materiałem podkładowym. Kling 4.0, ogólnie dostępny od 15 października 2026 r., generuje obraz i dwukanałowy dźwięk stereo w jednym przebiegu, utrzymuje ujęcie przez maksymalnie 30 sekund i zakłada, że opublikujesz to, co z tego wyjdzie. Luma Ray 3.2, flagowy model firmy Luma od 9 czerwca 2026 r., generuje wideo bez dźwięku i skupia swoją inżynierię na tym, co dzieje się po ujęciu — natywny 16-bitowy HDR, eksport EXR w ACES2065-1 oraz tryb reframe, który zmienia kadrowanie bez ponownego renderowania ujęcia. Udokumentowane awarie AI i incydenty z agentami, które stoją za takimi wydaniami jak to, są gromadzone w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i flagę sporu.

Ta różnica decyduje o większej liczbie zakupów niż porównanie rozdzielczości i warto to powiedzieć przed liczbami: jeśli twoim materiałem wyjściowym jest klip, który publikujesz, cisza jest wadą, której nie naprawi nic innego w specyfikacji. Jeśli twoim materiałem wyjściowym jest ujęcie, które dokończy kolorysta, plik EXR we właściwej przestrzeni barw jest wart więcej niż jakakolwiek ilość wygenerowanego ambientu. Wszystko poniżej dotyczy tego, do której z tych dwóch kategorii należysz.

Problem tablicy wyników, ujęty wprost

Dziś żadnego z tych modeli nie można porównać na podstawie niezależnego wyniku, i to z różnych powodów. Luma Ray 3.2 nie ma wiersza na żadnej z trzech tablic rankingowych wideo Artificial Analysis — tekst na wideo, obraz na wideo lub edycja — sprawdzonych 22 października 2026 r. Jedynym wpisem Luma na tablicy obraz na wideo jest starszy Ray 3 z września 2025 r., który zajmuje 47. miejsce z wynikiem Elo 1,215 w skali bez dźwięku. Ray 3.2 nie występuje tam wcale.

Kling 4.0 został wydany osiem dni przed tym odczytem i również nie został wpisany na żadną listę rankingową. Istniejące wiersze Kling należą do Kling 3.0 z lutego 2026 r. i nie mówią nic o nowej generacji. To więc starcie bez wspólnego pomiaru po żadnej ze stron — co oznacza, że każdy, kto podaje różnicę Elo między tymi dwoma modelami, podaje coś, co sam stworzył. Resztę tej strony oceniaj na podstawie specyfikacji i rozliczeń, a każdy wynik znaleziony gdzie indziej traktuj z podejrzliwością.

Obraz, dźwięk i to, co każde z nich zostawia na później

K​uaishou's release note for Kling 4.0 is unusually specific about audio. Two-channel stereo, tighter lip sync, dialogue across nine languages plus regional accents — American, British and Indian English; Beijing, Taiwanese, Northeastern and Sichuanese Mandarin; Cantonese. It also generates on-screen text in those languages, which is a different capability from speech and is the one that fails most visibly when a camera moves.

• Dźwięk — Kling 4.0: natywne dwukanałowe stereo z synchronizacją ruchu ust, w tym samym przebiegu. Ray 3.2: brak dźwięku z promptów tekstowych lub obrazowych; dźwięk występuje tylko w Modify i Reframe, gdzie jest dźwiękiem klipu źródłowego — zachowanym, a nie wygenerowanym.

• Czas trwania — Kling 4.0: od 3 do 30 sekund w jednym przebiegu. Ray 3.2: 5 lub 10 sekund w przypadku nowego generowania; powszechnie cytowane 20 sekund dotyczy Modify Video, który przekształca istniejący materiał.

• Rozdzielczość — Kling 4.0: 720p, 1080p lub 4K, z dostępnym formatem 21:9. Ray 3.2: 360p, 540p, 720p lub 1080p, bez generowania w 4K — 4K w Luma to narzędzie do skalowania w górę stosowane dopiero później.

• Potok kolorów — Kling 4.0: 10-bitowy HDR przy 1080p i 4K, oznaczony jako wkrótce dostępny. Ray 3.2: natywne generowanie 16-bitowego HDR i eksport EXR w ACES2065-1, dostępne już teraz, w cenie dwukrotności stawki SDR za HDR i trzykrotności za HDR plus EXR.

• Sterowanie na poziomie klatek — Kling 4.0: do 10 obrazów klatek kluczowych rozmieszczonych na osi czasu. Ray 3.2: do 16 klatek kluczowych na klip, w tym w trybie obraz-do-wideo.

• Referencje — Kling 4.0: do 15 połączonych zasobów obejmujących obrazy, wideo, elementy i głos. Ray 3.2: tekst, obrazy, klatki kluczowe i referencje postaci, bez opublikowanego limitu referencji wideo.

Przeczytaj tę listę dwa razy. W czterech z sześciu wierszy Kling 4.0 wygrywa na papierze. W tym jednym wierszu, który dla studia finishingowego liczy się najbardziej — 16-bitowy EXR w przestrzeni barw, której faktycznie używa kompozytor — Ray 3.2 nie tylko jest z przodu, ale jest jedynym z tej dwójki, który w ogóle tę funkcję dostarczył.

Dwa sposoby rozliczania i dlaczego nie konwertują

Luma sprzedaje klipy, a nie sekundy. Jej opublikowana drabinka dla text-to-video i image-to-video wynosi 20 kredytów za pięciosekundowy klip w rozdzielczości roboczej, 50 przy 540p, 100 przy 720p i 400 przy 1080p; dziesięciosekundowy klip to odpowiednio 60, 150, 300 i 1 200. Modify Video i Reframe są wyceniane osobno i znacznie drożej, co jest spójne z tym, że są narzędziami wykończeniowymi, a nie generatorem.

To, ile kosztuje kredyt, zależy od planu, w którym go kupiono, więc nie ma jednej kwoty w dolarach, którą można uczciwie podać dla Ray 3.2 — nabywca subskrypcji i nabywca API rozliczanego za użycie płacą różne stawki za te same 100 kredytów. Cechą, która przetrwa przeliczenie, jest kształt faktury: jest stała dla klipu, znana przed naciśnięciem „generuj” i nie zmienia się niezależnie od tego, czy model renderuje dwie sekundy, czy wszystkie dziesięć.

K​uaishou has published no rate card at all for Kling 4.0. The API is in early access, the developer console says so in a banner, and there is no per-second price for either the full model or Kling 4.0 Flash on the public pages. That is not a small omission in a comparison about cost — it means the cheaper-looking option cannot actually be costed yet, and the honest position is that Kling 4.0's economics are unknown while Ray 3.2's are at least structured.

Dla porównania poprzednia generacja ma ustaloną cenę i jest obsługiwana w routingu: kling/kling-v3 kosztuje stałe $0.084 za żądanie w naszym katalogu, a kling/kling-3-turbo — $0.112, zaś generacje 2.x i O1 poniżej tego. Ray 3.2 nie jest trasą, którą obsługujemy. Zatem dwa modele, które czytelnik może dziś faktycznie wywołać, to Kling 3.0 i Ray 3.2 — a nowy Kling to ten, który czeka na kartę stawek.

Skąd pochodzi liczba 20 sekund

Marketing Luma wokół Ray 3.2 opiera się na długości, a liczbę dotyczącą długości łatwo odczytać błędnie. Nowy materiał wygenerowany od zera ma 5 lub 10 sekund. Dwadzieścia sekund to maksimum, jakie Modify Video może wygenerować, gdy źródło ma 24 kl./s: przy 30 kl./s limit spada do 15 sekund, a przy 60 kl./s do 7. Nie jest to ograniczenie, które Luma ukrywa — jest wydrukowane na stronie cennika — ale „do 20 sekund” krąży bez klauzuli o liczbie klatek na sekundę, a zespół, który kupuje, oczekując 20-sekundowego klipu prompt-to-video, rozczaruje się już przy pierwszym wywołaniu.

Ta sama dyscyplina dotyczy HDR. Tryb HDR modelu Ray 3.2 jest ograniczony do pięciosekundowych klipów w 720p lub 1080p i nie jest dostępny dla dziesięciosekundowych materiałów wyjściowych. Zatem najlepszy potok kolorów tego modelu i jego najdłuższe świeże generowanie wykluczają się wzajemnie — a to kompromis, którego nikt nie umieszcza na slajdzie porównawczym. 10-bitowy HDR modelu Kling 4.0, gdy się pojawi, jest określony dla 1080p i 4K bez opublikowanego ograniczenia czasowego — ale widnieje jako „wkrótce”, więc obecnie jest obietnicą po obu stronach tej konkretnej granicy.

Jak wygląda ta decyzja w studiu

Prawdziwym produktem Ray 3.2 jest iterowanie na ujęciu, które już masz. Reframe zmienia proporcje obrazu, rozszerza kadr lub podmienia tło po zdjęciu, zachowując oryginalne oświetlenie; Modify Video przekształca materiał źródłowy, zamiast go wymyślać; EXR pozostawia model w formie, którą Nuke i Resolve otworzą bez sporu o konwersję. Zespół wykonujący pracę dla klientów z kolorystą w obiegu czerpie korzyść z tych funkcji przy każdym zleceniu, a żadna ilość dźwięku stereo tego nie zastąpi.

Prawdziwym produktem Kling 4.0 jest pierwszy montaż. Trzydzieści sekund, dziesięć klatek kluczowych i piętnaście referencji sprawia, że sekwencję można tworzyć, a nie sklejać, a dźwięk przychodzi dołączony — co ma największe znaczenie w pracy dla social mediów, UGC i reklam, gdzie gotowy materiał jest pionowy, opatrzony podpisami i publikowany tego samego dnia. Przykłady samego dostawcy to vlogi, krótkie dramaty, reklamy produktów i teledyski, co trafnie opisuje, gdzie model wykańczający wszystko w jednym przebiegu zarabia na siebie.

Jest jeszcze jedna kwestia związana z routingiem, która dotyczy obu przypadków. Jeśli zespół ostatecznie wykorzysta każdy model do tego, w czym jest dobry — K​ling do ujęcia nadającego się do publikacji, Ray do materiału, który trafia do korekcji kolorów — koszt integracji jest tym, co decyduje, czy w praktyce tak się stanie. Jeden klucz zgodny z OpenAI dający dostęp do ponad 200 modeli sprawia, że drugi model to zmiana identyfikatora modelu, a nie druga umowa z dostawcą i drugi limit do monitorowania, a automatyczne przełączanie awaryjne pozwala partii posuwać się naprzód, gdy jedna ścieżka serwowania ulega pogorszeniu. Nie kierujemy ruchu ani do Kling 4.0, ani do Luma Ray 3.2, a ten tekst nie twierdzi inaczej; argument dotyczący routingu odnosi się do modeli wokół nich, a nie do tych dwóch.

Który konkretnie?

Wybierz Luma Ray 3.2, gdy problemem jest ujęcie, a dźwięk to zadanie kogoś innego. Ruch kamery, którego nie potrafisz ustawić poprawnie, kadr, który trzeba zmienić po tym, jak zobaczy go klient, materiał, który musi dotrzeć jako HDR lub EXR — to problemy, które rozwiązują Reframe, klatki kluczowe i pipeline kolorów, a Kling 4.0 nie rozwiązuje ich w żadnej rozdzielczości. Rozliczanie za klip to prawdziwa zaleta w tym workflow, ponieważ to nad reżyserią się iteruje, a stała cena za klip nie karze dziesiątej próby bardziej niż pierwszej.

Wybierz Kling 4.0, gdy wynik jest produktem końcowym, a dźwięk stanowi jego część. Trzydzieści sekund w jednym przebiegu, dziesięć klatek kluczowych, dwukanałowe stereo i piętnaście referencji to kombinacja, której nic innego w tym porównaniu nie oferuje, a opcje 21:9 i 4K czynią go realnym rozwiązaniem dla formatów dostarczania, których Ray 3.2 nie generuje natywnie. Zastrzeżenia są realne: brak opublikowanej ceny, brak niezależnej oceny, HDR wciąż obiecywany, a nie dostarczony, oraz API dostępne we wczesnym dostępie, a nie ogólnie dostępne dla deweloperów.

Rozstrzygnąłby to wpis Ray 3.2 na jednej z tablic wideo oraz cennik Kling 4.0. Dopóki oba nie istnieją, obowiązują te dwa zdania: jeden z tych modeli generuje ścieżkę dźwiękową, a drugi eksportuje przestrzeń barw, a wyboru między nimi dokonuje twój montaż, a nie zakładka z benchmarkami.