Wan 3.0 kontra Luma Ray 3.2: dźwięk kontra kolor i jeden model bez oceny

To jedyne starcie w tej serii, w którym jednego z dwóch modeli nie można ocenić. Luma Ray 3.2 nie ma wpisu w arenie wideo Artificial Analysis — ani na tablicy text-to-video, ani na tablicy image-to-video, sprawdzono 18 września 2026. Nie ma dla niego wyniku Elo z preferencji w trybie ślepym, liczby próbek ani przedziału ufności. Każdy, kto podaje jakąkolwiek liczbę dla Ray 3.2 w bezpośrednim porównaniu, powołuje się na test preferencji przeprowadzony przez dostawcę albo na własną skalę agregatora, a żadne z nich nie jest porównywalne z wynikami areny, które Wan 3.0 posiada. Dlatego to porównanie trzeba przeprowadzić na podstawie specyfikacji, możliwości sterowania i rozliczeń, a nie tablicy wyników — co, biorąc pod uwagę, jak odmiennie zbudowane są te dwa modele, okazuje się zresztą i tak bardziej przydatnym porównaniem.

Zanim przejdziemy do czegokolwiek, jedna pułapka nazewnicza, która będzie cię kosztować pieniądze, jeśli ją przeoczysz. Numery wersji Luma nie rosną tak, jak sugeruje ich zapis. Ray3.14 ukazał się 26 stycznia 2026; Ray3.2 ukazał się 9 czerwca 2026 i jest obecnym flagowcem. Wyższy numer oznacza starszy model. Luma całkowicie wycofała markę Dream Machine i stwierdza, że Dream Machine i Ray2 zostały zastąpione przez Ray — więc każdy przewodnik, strona z cenami lub porównanie oparte na „Dream Machine” opisuje produkt, którego Luma już nie sprzedaje.

Brakujący wpis w tabeli wyników i dlaczego to ma znaczenie

Pozycja Wan 3.0 jest dobrze udokumentowana. W arenie text-to-video z dźwiękiem Artificial Analysis, zarejestrowanej 18 września 2026 r., zajmuje #2 z Elo 1229 i 6011 zapisanych porównań, za Gemini Omni Flash z 1233 i przed trzema innymi modelami w przedziale 23 punktów. W rankingu edycji wideo jest #1 z Elo 1190. Są to niezależne, ślepe i weryfikowalne dane.

Pozycja Ray 3.2 nie jest udokumentowana w żadnym porównywalnym miejscu. To, co opublikowała Luma, to wewnętrzny „Ray3 Evaluation Report”, w którym twierdzi się, że model dorównuje Veo 3 i wyprzedza Runway Gen-4, Midjourney Video oraz Moonvalley Marey — bez podanych wyników liczbowych. Luma twierdzi również, że jej API działa przy mniej niż połowie ceny i opóźnienia porównywalnych modeli, bez podania konkretnych liczb. Osobno Black Forest Labs oświadczyło, że jego Flux 3 był preferowany nad Ray 3.2 w 93% porównań; to test przeprowadzony przez dostawcę na produkcie konkurenta i ma taką samą wagę jak własne twierdzenia Luma, czyli niewielką.

To prawdziwa luka w zapisie, a nie minus dla modelu. Model może być doskonały i niesklasyfikowany — arena ocenia tylko to, co pokazano jej głosującym. Ale to zmienia to, co powinna ci powiedzieć strona porównawcza. W przypadku Wan 3.0 możesz powiedzieć, co myśleli niezależni głosujący. W przypadku Ray 3.2 nie możesz powiedzieć nic takiego, a przedstawianie wewnętrznego raportu Luma lub twierdzenia konkurenta o 93% tak, jakby którekolwiek z nich było dowodem, byłoby najłatwiejszym sposobem, by ten artykuł był błędny.

Dwa różne zakłady: dźwięk kontra kolor

Oto najostrzejsza różnica między nimi — i nie chodzi tu o jakość.

Wan 3.0 generuje dźwięk natywnie w tym samym przebiegu co wideo — dialogi, muzykę w tle i efekty dźwiękowe, domyślnie włączone, możliwe do wyłączenia flagą, sterowalne za pomocą maksymalnie pięciu referencyjnych klipów audio. Materiały premierowe samej Alibaby wskazują jakość dźwięku jako obszar wciąż wymagający pracy, więc traktuj tę możliwość jako realną, ale niedoskonałą. Sedno w tym, że generacja Wan 3.0 przychodzi jako gotowe dzieło audiowizualne.

Ray 3.2 w ogóle nie generuje dźwięku. Wyniki w trybach tekst-na-wideo i obraz-na-wideo są nieme. Dźwięk jest zachowywany tylko wtedy, gdy używasz ścieżek Modify lub Reframe w istniejącym materiale — nie ma drogi od promptu do ścieżki dźwiękowej. To największa różnica w możliwościach między tymi dwoma modelami i sama w sobie przekreśla go w niektórych przepływach pracy: jeśli Twój produkt końcowy wymaga zsynchronizowanego dialogu lub projektowania dźwięku, Ray 3.2 jest wyłącznie etapem wideo w potoku, do którego trzeba następnie dołożyć etap audio, a Wan 3.0 nie.

Luma zbudowała zamiast tego najgłębszy pipeline koloru i finalizacji spośród wszystkich komercyjnych modeli wideo. Ray 3.2 generuje natywny 16-bitowy HDR i eksportuje pliki EXR w ACES2065-1, przestrzeni kolorów, której oczekują profesjonalne pipeline’y gradingu i VFX. Śledzi ekspresyjną grę twarzy na nawet ośmiu twarzach jednocześnie, klatka po klatce, a także postawę i gesty szkieletu. Przyjmuje do 16 klatek kluczowych na klip, umożliwiając reżyserowanie tempa i ruchu na poziomie poszczególnych klatek. Jego funkcja Reframe zmienia proporcje obrazu, rozszerza kadr lub zastępuje tło po wygenerowaniu, zachowując oryginalne oświetlenie. Jest też dostępny w Adobe Firefly, a za nim stoją wymieniani z nazwy klienci ze studiów i agencji.

To narzędzie do postprodukcji. Wan 3.0 to narzędzie do produkcji. Jeśli przekazujesz ujęcia koloryście, eksport EXR jest wart więcej niż trzydzieści sekund czegokolwiek. Jeśli publikujesz gotowy klip, brak dźwięku na wyjściu to problem, którego nic innego w specyfikacji nie naprawi.

Czas trwania i rozdzielczość, przeczytaj uważnie

Obaj dostawcy zacierają te liczby, w przeciwnych kierunkach, i oba te zacierania mają znaczenie.

• Czas trwania — Wan 3.0: od 2 do 30 sekund w ramach jednej generacji, a także przedłużanie do przodu, do tyłu i dwukierunkowe. Ray 3.2: 5 lub 10 sekund dla nowych generacji text-to-video i image-to-video. Powszechnie cytowane „do 20 sekund” w przypadku Lumy dotyczy Modify Video, jej trybu transformacji zachowującego źródło, a nie generowania na podstawie promptu. Jeśli kierujesz się przy wyborze liczbą 20 sekund, sprawdź, który tryb kupujesz.

• Rozdzielczość — Wan 3.0: 480p, 720p i 1080p, wszystkie natywne. Ray 3.2: 360p, 540p, 720p i 1080p. Ray 3.2 nie obsługuje 4K. Twierdzenie, że obsługuje, krąży szeroko i jest błędne: 4K w Luma to osobne narzędzie do skalowania w górę stosowane po generowaniu, a nie tryb generowania. HDR jest prawdziwy; 4K nie.

• Ograniczenia HDR — tryb HDR Luma jest ograniczony do 5-sekundowych klipów w 720p lub 1080p, a HDR jest niezgodny z 10-sekundowym wyjściem. Najlepszy potok przetwarzania kolorów modelu nie jest więc dostępny w jego najdłuższych klipach.

• Liczba klatek na sekundę — Wan 3.0: 30fps. Ray 3.2: 24fps, co jest właściwym wyborem w pracy w stylu filmowym, a niewłaściwym, jeśli Twój materiał docelowy ma 30 lub 60.

• Proporcje obrazu — Ray 3.2 nie ma stałej listy, ponieważ Reframe dostosowuje wynik już po wygenerowaniu. Wan 3.0 obsługuje 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 oraz proporcje adaptacyjne w momencie generowania.

• Dane wejściowe — Wan 3.0 przyjmuje do 10 obrazów referencyjnych, 5 filmów referencyjnych i 5 referencyjnych klipów audio w łącznym limicie 20 zasobów, a także dokument lub publiczną stronę internetową. Ray 3.2 przyjmuje tekst, obrazy, do 16 klatek kluczowych i referencje postaci — możliwość, której nie miał jego poprzednik Ray3.14. Brak dokumentów, brak oparcia na adresach URL, brak wejścia audio.

Ile kosztuje każda sekunda i jaki kształt rozliczeń kryje się pod spodem

Wan 3.0 jest rozliczany za sekundę materiału wyjściowego według opublikowanych stawek Alibaby: 0,05 USD przy 480p, 0,10 USD przy 720p, 0,20 USD przy 1080p. 30-sekundowy klip w 1080p kosztuje 6,00 USD, a ograniczona czasowo 30% zniżka na własnych platformach Alibaby obowiązująca do 23 września obniża tę kwotę do około 4,20 USD.

Ray 3.2 jest rozliczany za generację w Luma Agents API, co sprawia, że arytmetyka wygląda inaczej: 5 sekund przy 360p to $0.06, przy 540p $0.15, przy 720p $0.30, przy 1080p $1.20. Dziesięć sekund podwaja te wartości przy 360p i 540p, a powyżej potraja. Przy 1080p daje to około $0.24 na sekundę — więcej niż stawka Wan 3.0 dla 1080p i około pięć razy więcej niż jej stawka dla 480p.

Dwie uwagi strukturalne, które mają większe znaczenie niż liczby na sekundę. Po pierwsze, kredyty subskrypcyjne Luma i jej rozliczenia API to odrębne systemy, a kredyty nie przechodzą między nimi; plany konsumenckie kosztują 30, 90 i 300 USD miesięcznie, a kredyty są rozliczane w ramach każdego z nich. Budżet planuj pod ten interfejs, na którym faktycznie budujesz, bo pieniądze się nie przenoszą. Po drugie, HDR i HDR+EXR mnożą koszt kredytów — odpowiednio dwukrotnie i trzykrotnie — więc funkcja, która wyróżnia Ray 3.2, jest też tą, która najbardziej zmienia jego efektywną cenę.

W przypadku Wan 3.0 analogiczna pułapka tkwi na poziomie dostawcy usług, a nie dostawcy modelu: gdy model jest wyceniany za sekundę w zależności od rozdzielczości, stawka pośrednika często nie jest stawką Alibaby. $0.05 / $0.10 / $0.20 to wartości, z którymi należy porównywać każdą wycenę.

Gdzie faktycznie trafia pytanie dotyczące routingu

Żaden z nich nie należy do modeli, do których kierujemy ruch, i warto to powiedzieć, zanim przejdziemy do czegokolwiek innego w tej sekcji. Wan 3.0 jest dostępny przez własne platformy Alibaby — Model Studio i Qwen Cloud — oraz przez narzędzia kreatywne firm trzecich, które zintegrowały go po premierze 24 sierpnia. Ray 3.2 jest dostępny przez aplikację internetową Luma i, po raz pierwszy w linii Ray, przez porządne API dla deweloperów z opcjami płatności za użycie i rezerwacji przepustowości, a także przez kilka platform firm trzecich i własną integrację z Adobe Firefly.

To, co jest dostępne w OrcaRouter, to otaczający pipeline. Gotowe wideo rzadko jest całym produktem końcowym: istnieje scenariusz, lista ujęć, tekst alternatywny, napisy w kilku językach, uwagi z przeglądu i metadane, a to wszystko jest pracą dla modeli tekstowych. Te modele są w naszym katalogu — ponad 200 z nich na jednym kluczu, cena katalogowa dostawcy przekazywana bez doliczania marży — więc przeniesienie etapu tworzenia napisów z drogiego modelu na tani albo zamiana modelu, który pisze twoje listy ujęć, to zmiana konfiguracji, a nie druga integracja. Biorąc pod uwagę, że oba modele wideo są tu już drugą i trzecią relacją z dostawcą, utrzymanie warstwy tekstowej na jednym kluczu to część tego stosu, którą naprawdę tanio jest skonsolidować.

Który z nich i co by to rozstrzygnęło

Na papierze nie jest to wyrównana rywalizacja, ale nie jest to też pogrom, ponieważ ta dwójka nie konkuruje o to samo stanowisko.

• Wybierz Wan 3.0, jeśli potrzebujesz dźwięku z promptu, ponad 10 sekund w jednym przebiegu, oparcia na dokumencie lub stronie internetowej, dużego budżetu referencyjnego, 30 fps albo najniższej stawki za sekundę przy 1080p. To lepszy wybór dla wszystkiego, co kończy się jako opublikowany klip.

• Wybierz Luma Ray 3.2, jeśli potrzebujesz 16-bit HDR lub EXR w ACES2065-1 do pipeline'u gradingowego, kontroli na poziomie klatek w obrębie 16 klatek kluczowych, śledzenia gry aktorskiej na ośmiu twarzach, zmian proporcji i tła po fakcie w Reframe albo przekształcania istniejącego materiału wideo o długości do 20 sekund z zachowaniem źródła. To lepszy wybór dla wszystkiego, co kończy jako ujęcie w cudzym montażu.

Tym, co zmieniłoby ten artykuł, nie jest nowy model — lecz zgłoszenie do areny. Ray 3.2 jest ogólnie dostępny od 9 czerwca 2026, wystarczająco długo, by zebrać porównania, a jednak po prostu nie postawiono go przed głosującymi. Dopóki tak się nie stanie, uczciwe stanowisko jest takie, że Wan 3.0 ma weryfikowalny niezależny wynik, a Ray 3.2 ma własny raport dostawcy, a porównanie, które udaje, że to ten sam rodzaj dowodów, jest gorsze niż takie, które przyznaje tę lukę.

Jedna praktyczna uwaga, jeśli samodzielnie przeprowadzasz tę ocenę: ponieważ Ray 3.2 generuje wideo bez dźwięku, a Wan 3.0 nie, bezpośrednie porównanie przy tym samym prompcie będzie wydawać się nieuczciwie niekorzystne dla Luma w sposób, który nie ma nic wspólnego z jakością obrazu. Najpierw oceń obraz, wycisz oba, a dźwięk oceń osobno — w przeciwnym razie porównujesz gotowy materiał z komponentem i mierzysz niewłaściwą różnicę.