Kling 4.0 vs Luma Ray 3.2: Den ena står för ljudet, den andra håller måttet

Sätter man Kling 4.0 och Luma Ray 3.2 i samma mening går de flesta jämförelser direkt till upplösning, eftersom båda utlovar högklassig utdata och ingen av dem är billig. Det är den minst intressanta axeln. De två modellerna är oense om något mer grundläggande: huruvida ett genererat klipp är ett färdigt verk eller en platta. Kling 4.0, allmänt tillgänglig sedan 15 oktober 2026, genererar bild och tvåkanaligt stereoljud i ett svep, håller en tagning i upp till 30 sekunder och förväntar sig att du publicerar det som kommer ut. Luma Ray 3.2, Lumas flaggskepp sedan 9 juni 2026, genererar tyst video och lägger sin ingenjörskonst på det som händer efter tagningen – inbyggd 16-bitars HDR, EXR-export i ACES2065-1 och ett reframe-läge som ändrar inramningen utan att rendera om tagningen. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensklass och flagga för omstridd status.

Den skillnaden avgör fler köp än vad en upplösningsjämförelse gör, och det är värt att säga före siffrorna: om din leverabel är ett klipp du publicerar är tystnad en brist som inget annat på specifikationsbladet åtgärdar. Om din leverabel är en tagning som en colorist ska färdigställa är en EXR i rätt färgrymd värd mer än någon mängd genererad atmosfär. Allt nedan handlar om vilken av dessa två du är.

Resultattavleproblemet, enkelt uttryckt

Ingen av modellerna kan jämföras på en oberoende poäng idag, och av olika skäl. Luma Ray 3.2har ingen rad på någon av Artificial Analysiss tre videotopplistor – text-till-video, bild-till-video eller redigering – vid kontroll den 22 oktober 2026. Den enda Luma-posten på bild-till-video-topplistan är den äldre Ray 3 från september 2025, som ligger på 47:e plats med Elo 1 215 på den tysta skalan. Ray 3.2 finns inte där alls.

Kling 4.0 släpptes åtta dagar före den här läsningen och har inte heller förts upp på någon resultattavla. De Kling-rader som finns är Kling 3.0:s, från februari 2026, och de säger ingenting om den nya generationen. Så det här är en jämförelse utan någon gemensam mätning på någon av sidorna – vilket innebär att den som citerar en Elo-skillnad mellan dessa två modeller citerar något de har byggt själva. Bedöm resten av den här sidan utifrån specifikationer och fakturering, och behandla alla poäng du hittar någon annanstans med misstänksamhet.

Bild, ljud och vad var och en lämnar till senare

Kuaishous versionsmeddelande för Kling 4.0 är ovanligt specifikt när det gäller ljud. Tvåkanalig stereo, tightare läppsynk, dialog på nio språk plus regionala accenter – amerikansk, brittisk och indisk engelska; peking-, taiwanesisk, nordöstra och sichuanesisk mandarin; kantonesiska. Den genererar också text på skärmen på dessa språk, vilket är en annan förmåga än tal och är den som misslyckas mest synligt när kameran rör sig.

• Ljud — Kling 4.0: inbyggt tvåkanaligt stereo med läppsynk, i samma omgång. Ray 3.2: inget ljud från text- eller bildprompter; ljud finns bara kvar i Modify och Reframe, där det är källklippets ljud, bevarat snarare än genererat.

• Längd — Kling 4.0: 3 till 30 sekunder i en enda omgång. Ray 3.2: 5 eller 10 sekunder för ny generering; de ofta citerade 20 sekunderna tillhör Modify Video, som omvandlar befintligt videomaterial.

• Upplösning — Kling 4.0: 720p, 1080p eller 4K, med 21:9 tillgängligt. Ray 3.2: 360p, 540p, 720p eller 1080p, och ingen 4K-generering — Lumas 4K är ett uppskalningsverktyg som tillämpas efteråt.

• Färgpipeline – Kling 4.0: 10-bitars HDR vid 1080p och 4K, listas som kommande. Ray 3.2: inbyggd 16-bitars HDR-generering och EXR-export i ACES2065-1, tillgänglig nu, prissatt till dubbla SDR-priset för HDR och tre gånger för HDR plus EXR.

• Kontroll på bildrutenivå – Kling 4.0: upp till 10 nyckelbilder placerade över tidslinjen. Ray 3.2: upp till 16 nyckelbildrutor per klipp, även vid bild-till-video.

• Referenser — Kling 4.0: upp till 15 kombinerade tillgångar över bilder, video, element och röst. Ray 3.2: text, bilder, nyckelbilder och karaktärsreferenser, utan någon publicerad budget för videoreferenser.

Läs igenom listan två gånger. På fyra av sex rader vinner Kling 4.0 på papperet. På den enda rad som ett finishinghus bryr sig mest om – en 16-bitars EXR i den färgrymd som compositören faktiskt arbetar i – är Ray 3.2 inte bara före, det är den enda av de två som överhuvudtaget har levererat funktionen.

Två sätt att bli fakturerad på, och varför de inte konverterar

Luma säljer klipp, inte sekunder. Deras publicerade prisstege för text-till-video och bild-till-video ligger på 20 credits för ett femsekundersklipp i draft-upplösning, 50 vid 540p, 100 vid 720p och 400 vid 1080p; ett tio sekunders klipp kostar 60, 150, 300 respektive 1 200. Modify Video och Reframe prissätts separat och betydligt högre, vilket stämmer med att de är efterbearbetningsverktyg snarare än generatorn.

Vad en kredit kostar beror på vilket abonnemang du köpte den inom, så det finns inget enda dollarbelopp som är ärligt att ange för Ray 3.2 — en prenumerationsköpare och en pay-as-you-go-API-köpare betalar olika priser för samma 100 krediter. Den egenskap som överlever omräkningen är fakturans form: den är fast per klipp, känd innan du trycker på generera och förändras inte beroende på om modellen renderar två sekunder eller alla tio.

Kuaishou har inte publicerat någon prislista alls för Kling 4.0. API:et är i tidig åtkomstfas, utvecklarkonsolen säger det i en banner, och det finns inget pris per sekund för vare sig den fullständiga modellen eller Kling 4.0 Flash på de offentliga sidorna. Det är inte en liten utelämning i en kostnadsjämförelse – det innebär att det till synes billigare alternativet faktiskt inte kan kostnadsberäknas ännu, och den ärliga hållningen är att Kling 4.0:s kostnadsbild är okänd medan Ray 3.2:s åtminstone är strukturerad.

Som referens är den föregående generationen prissatt och möjlig att routa: kling/kling-v3 ligger på ett fast pris på $0.084 per förfrågan i vår katalog, med kling/kling-3-turbo på $0.112 och 2.x- och O1-generationerna till lägre pris. Ray 3.2 finns inte som route i vårt utbud. Så de två modeller som en läsare faktiskt kan anropa i dag är Kling 3.0 och Ray 3.2 — och den nya Kling är den som väntar på en prislista.

Var 20-sekundssiffran kommer ifrån

Lumas marknadsföring kring Ray 3.2 bygger på längd, och längdsiffran är lätt att misstolka. Ny generering är 5 eller 10 sekunder. Tjugo sekunder är vad Modify Video kan producera när källan är 24fps: vid 30fps sjunker taket till 15 sekunder, vid 60fps till 7. Det är inte en begränsning som Luma döljer – den står tryckt på prissättningssidan – men "upp till 20 sekunder" sprids utan bildfrekvensvillkoret, och ett team som köper i förväntan om ett 20-sekunders prompt-till-video-klipp kommer att bli besviket vid första anropet.

Samma disciplin gäller för HDR. Ray 3.2:s HDR-läge är begränsat till fem sekunder långa klipp vid 720p eller 1080p och är inte tillgängligt för utdata på tio sekunder. Så modellens bästa färgpipeline och dess längsta färska generering utesluter varandra, vilket är en avvägning som ingen sätter på en jämförelsebild. Kling 4.0:s 10-bitars HDR, när det kommer, anges för 1080p och 4K utan publicerad varaktighetsangivelse – men det listas som ”kommer snart”, så det är för närvarande ett löfte på båda sidor om just den här gränsen.

Hur beslutet ser ut inuti en studio

Ray 3.2:s verkliga produkt är iteration på en tagning du redan har. Reframe ändrar bildförhållande, utökar bildrutan eller byter bakgrund efter tagningen medan den behåller originalbelysningen; Modify Video omvandlar källmaterial i stället för att hitta på det; EXR lämnar modellen i ett format som Nuke och Resolve öppnar utan konverteringskrångel. Ett team som gör kundarbete med en colorist inkopplad får värde av de funktionerna på varje jobb, och ingen mängd stereoljud kan ersätta det.

Kling 4.0:s verkliga produkt är den första sammansättningen. Trettio sekunder, tio nyckelbilder och femton referenser innebär att en sekvens kan författas snarare än klippas ihop, och ljudet medföljer – vilket spelar störst roll för sociala medier, UGC och reklamarbete där leveransen är vertikal, textad och publicerad samma dag. Leverantörens egna exempel är vloggar, kortdrama, produktreklam och musikvideo, vilket är en rimlig beskrivning av var en modell som blir klar i ett enda pass gör mest nytta.

Det finns en övervägande aspekt kring routing som gäller båda. Om ett team till slut använder varje modell till det den är bra på – Kling för den publicerbara tagningen, Ray för plåten som går till grade – är integrationskostnaden det som avgör om det händer i praktiken. En OpenAI-kompatibel nyckel framför fler än 200 modeller gör att en andra modell blir en ändring av modell-ID i stället för ett andra leverantörsavtal och en andra kvot att bevaka, och automatisk failover håller en batch igång när en serving-väg försämras. Vi routar varken Kling 4.0 eller Luma Ray 3.2, och den här artikeln påstår inte motsatsen; routingargumentet handlar om modellerna runt dem, inte om dessa två.

Vilken, rent konkret?

Välj Luma Ray 3.2 när tagningen är problemet och ljudet är någon annans jobb. En kamerarörelse du inte får till, en inramning som måste ändras efter att kunden har sett den, en leverans som måste komma som HDR eller EXR – det är problemen som Reframe, nyckelbildrutor och färgpipelinen löser, och Kling 4.0 löser dem inte oavsett upplösning. Faktureringen per klipp är en verklig fördel i det arbetsflödet, eftersom det är riktningen man itererar på och ett fast pris per klipp inte straffar det tionde försöket mer än det första.

Välj Kling 4.0 när utdata är det som ska levereras och ljudet ingår i det. Trettio sekunder i en enda körning, tio nyckelbilder, tvåkanalig stereo och femton referenser är en kombination som inget annat i den här jämförelsen erbjuder, och alternativen 21:9 och 4K gör den gångbar för leveransformat som Ray 3.2 inte genererar inbyggt. Förbehållen är reella: inget publicerat pris, inget oberoende betyg, HDR fortfarande utlovat snarare än levererat, och ett API som är i tidig åtkomst snarare än allmänt tillgängligt för utvecklare.

Det som skulle avgöra saken är en Ray 3.2-post på en av videotavlorna, och ett priskort för Kling 4.0. Tills båda finns är det dessa två meningar som gäller: en av dessa modeller genererar ljudspåret och den andra exporterar färgrymden, och valet mellan dem avgörs av din redigering, inte av din benchmark-flik.