Kling 4.0 vs Luma Ray 3.2: Một bên tạo ra âm thanh, bên kia đạt chuẩn.

Đặt Kling 4.0 và Luma Ray 3.2 vào cùng một câu, và hầu hết các so sánh sẽ lập tức chuyển thẳng sang độ phân giải, bởi cả hai đều quảng cáo đầu ra cao cấp và không mẫu nào rẻ. Đó lại là trục kém thú vị nhất. Hai mô hình bất đồng ở một điểm căn bản hơn: liệu một clip được tạo ra là một tác phẩm hoàn chỉnh hay chỉ là một bản nền (plate). Kling 4.0, được phát hành rộng rãi từ ngày 15 tháng 10 năm 2026, tạo ra hình ảnh và âm thanh stereo hai kênh trong một lượt, giữ một take dài tối đa 30 giây và kỳ vọng bạn sẽ công bố luôn những gì nó tạo ra. Luma Ray 3.2, mẫu chủ lực của Luma kể từ ngày 9 tháng 6 năm 2026, tạo video không tiếng và dồn toàn bộ công sức kỹ thuật vào những gì diễn ra sau cú máy — HDR 16-bit gốc, xuất EXR theo ACES2065-1, và chế độ reframe thay đổi khung hình mà không cần kết xuất lại cảnh quay. Những sự cố AI và sự cố tác nhân (agent) được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Sự khác biệt đó quyết định nhiều lượt mua hơn so với việc so sánh độ phân giải, và đáng để nói trước khi đi vào các con số: nếu sản phẩm bàn giao của bạn là một clip bạn đăng, thì sự im lặng là một khiếm khuyết mà không thứ gì khác trên bảng thông số khắc phục được. Nếu sản phẩm bàn giao của bạn là một cảnh quay mà một chuyên gia chỉnh màu sẽ hoàn thiện, thì một tệp EXR trong đúng không gian màu đáng giá hơn bất kỳ lượng âm nền được tạo nào. Mọi thứ bên dưới nói về việc bạn thuộc loại nào trong hai loại đó.

Vấn đề bảng điểm, nói một cách đơn giản

Hiện nay không thể so sánh cả hai mô hình bằng một điểm số độc lập, và vì những lý do khác nhau. Luma Ray 3.2 không có dòng nào trên bất kỳ bảng xếp hạng video nào trong ba bảng xếp hạng video của Artificial Analysis — văn bản thành video, hình ảnh thành video hoặc chỉnh sửa — được kiểm tra ngày 22 tháng 10 năm 2026. Mục Luma duy nhất trên bảng hình ảnh thành video là Ray 3 cũ hơn, từ tháng 9 năm 2025, đứng thứ 47 với Elo 1.215 trên thang điểm silent. Ray 3.2 hoàn toàn không có ở đó.

Kling 4.0 được phát hành tám ngày trước thời điểm đọc này và cũng chưa được đưa vào bất kỳ bảng xếp hạng nào. Các dòng Kling hiện có là của Kling 3.0, từ tháng 2 năm 2026, và chúng không nói lên điều gì về thế hệ mới. Vì vậy, đây là một cuộc đối đầu không có phép đo chung ở cả hai phía — nghĩa là bất kỳ ai trích dẫn khoảng cách Elo giữa hai mô hình này đều đang trích dẫn thứ do chính họ tạo ra. Hãy đánh giá phần còn lại của trang này dựa trên thông số kỹ thuật và cách tính phí, đồng thời coi mọi điểm số bạn tìm thấy ở nơi khác là đáng ngờ.

Hình ảnh, âm thanh và những gì mỗi thứ để lại về sau

Ghi chú phát hành của Kuaishou cho Kling 4.0 đặc biệt cụ thể về âm thanh. Âm thanh stereo hai kênh, đồng bộ khẩu hình chặt chẽ hơn, lời thoại bằng chín ngôn ngữ cùng các giọng vùng miền — tiếng Anh Mỹ, Anh và Ấn Độ; tiếng Quan Thoại Bắc Kinh, Đài Loan, Đông Bắc và Tứ Xuyên; tiếng Quảng Đông. Công cụ này cũng tạo văn bản trên màn hình bằng những ngôn ngữ đó, một khả năng khác với giọng nói và là khả năng dễ lộ lỗi rõ nhất khi camera di chuyển.

• Âm thanh — Kling 4.0: stereo hai kênh gốc với đồng bộ khẩu hình, trong cùng một lượt xử lý. Ray 3.2: không có âm thanh từ lời nhắc văn bản hay hình ảnh; âm thanh chỉ tồn tại ở Modify và Reframe, nơi đây chính là âm thanh của clip nguồn, được giữ nguyên thay vì tạo mới.

• Thời lượng — Kling 4.0: 3 đến 30 giây trong một lần chạy. Ray 3.2: 5 hoặc 10 giây cho tạo mới; con số 20 giây được nhắc đến rộng rãi thuộc về Modify Video, tính năng biến đổi đoạn phim hiện có.

• Độ phân giải — Kling 4.0: 720p, 1080p hoặc 4K, có cả 21:9. Ray 3.2: 360p, 540p, 720p hoặc 1080p, và không tạo 4K — 4K của Luma là tiện ích nâng cấp được áp dụng sau đó.

• Quy trình màu — Kling 4.0: HDR 10-bit ở 1080p và 4K, được ghi là sắp ra mắt. Ray 3.2: tạo HDR 16-bit gốc và xuất EXR ở ACES2065-1, hiện đã có sẵn, giá gấp đôi mức SDR cho HDR và gấp ba cho HDR cộng EXR.

• Kiểm soát ở cấp khung hình — Kling 4.0: tối đa 10 ảnh keyframe được đặt dọc theo dòng thời gian. Ray 3.2: tối đa 16 keyframe mỗi clip, bao gồm cả khi chuyển ảnh thành video.

• {{1}}Tham chiếu{{/1}} — {{2}}Kling 4.0{{/2}}: tối đa 15 tài nguyên kết hợp trên hình ảnh, video, phần tử và giọng nói. {{3}}Ray 3.2{{/3}}: văn bản, hình ảnh, khung hình chính và tham chiếu nhân vật, không có ngân sách tham chiếu video nào được công bố.

Đọc lại danh sách đó hai lần. Ở bốn trong số sáu dòng, Kling 4.0 thắng trên giấy tờ. Ở dòng duy nhất mà một xưởng hậu kỳ quan tâm nhất — một tệp EXR 16-bit trong không gian màu mà chuyên viên compositing thực sự dùng đến — Ray 3.2 không chỉ dẫn trước, mà còn là cái duy nhất trong hai cái đã thực sự phát hành tính năng đó.

Hai cách thức tính phí, và lý do chúng không chuyển đổi

Luma bán clip chứ không bán số giây. Bảng giá công bố của hãng cho tính năng văn bản thành video và hình ảnh thành video là 20 credit cho một clip năm giây ở độ phân giải nháp, 50 ở 540p, 100 ở 720p và 400 ở 1080p; clip mười giây lần lượt là 60, 150, 300 và 1.200. Modify Video và Reframe được định giá riêng và cao hơn nhiều, điều này nhất quán với việc chúng là các công cụ hoàn thiện thay vì công cụ tạo sinh.

Giá của một credit phụ thuộc vào gói mà bạn đã mua, vì vậy không có một con số đô-la duy nhất nào là trung thực để báo giá cho Ray 3.2 — người mua theo gói đăng ký và người mua API trả theo mức sử dụng trả mức giá khác nhau cho cùng 100 credit. Thuộc tính vẫn giữ được sau khi quy đổi là hình dạng của hóa đơn: nó cố định theo từng clip, có thể biết trước khi bạn nhấn tạo, và không thay đổi dù mô hình kết xuất hai giây hay cả mười giây.

Kuaishou hoàn toàn chưa công bố bảng giá nào cho Kling 4.0. API đang trong giai đoạn truy cập sớm, bảng điều khiển dành cho nhà phát triển nói vậy trong một biểu ngữ, và không có giá theo giây cho cả mô hình đầy đủ lẫn Kling 4.0 Flash trên các trang công khai. Đó không phải là một thiếu sót nhỏ trong một so sánh về chi phí — điều đó có nghĩa là lựa chọn trông có vẻ rẻ hơn thực tế chưa thể được tính chi phí, và quan điểm trung thực là khía cạnh kinh tế của Kling 4.0 chưa được biết trong khi của Ray 3.2 thì ít nhất đã có cấu trúc.

Để tham khảo, thế hệ trước đã có giá và có thể định tuyến: kling/kling-v3 có mức giá cố định $0.084 mỗi yêu cầu trên danh mục của chúng tôi, với kling/kling-3-turbo ở mức $0.112 và các thế hệ 2.x cùng O1 thấp hơn mức đó. Ray 3.2 không phải là tuyến mà chúng tôi cung cấp. Vậy hai mô hình mà người đọc thực sự có thể gọi hôm nay là Kling 3.0 và Ray 3.2 — và Kling mới chính là mô hình đang chờ bảng giá.

Con số 20 giây đến từ đâu

Cách Luma tiếp thị quanh Ray 3.2 dựa vào độ dài, và con số độ dài rất dễ bị hiểu nhầm. Tạo mới hoàn toàn là 5 hoặc 10 giây. Hai mươi giây là mức Modify Video có thể xuất ra khi nguồn là 24fps: ở 30fps, trần giảm xuống 15 giây, ở 60fps còn 7 giây. Đó không phải là hạn chế mà Luma giấu — nó được in trên trang định giá — nhưng “tối đa 20 giây” lại lan truyền mà không kèm điều khoản về tốc độ khung hình, và một nhóm mua hàng kỳ vọng có clip prompt-to-video dài 20 giây sẽ thất vọng ngay từ lần gọi đầu tiên.

Nguyên tắc tương tự cũng áp dụng cho HDR. Chế độ HDR của Ray 3.2 bị giới hạn ở các clip năm giây ở 720p hoặc 1080p, và không khả dụng cho đầu ra mười giây. Vì vậy, quy trình xử lý màu tốt nhất của mô hình và lần tạo mới dài nhất của nó loại trừ lẫn nhau, một sự đánh đổi mà không ai đưa lên trang so sánh. HDR 10-bit của Kling 4.0, khi nó ra mắt, được chỉ định cho 1080p và 4K mà không công bố điều kiện về thời lượng — nhưng nó được liệt kê là sắp ra mắt, nên hiện tại nó chỉ là một lời hứa ở cả hai phía của ranh giới cụ thể này.

Quyết định trông như thế nào bên trong một studio

Sản phẩm thực sự của Ray 3.2 là khả năng tinh chỉnh lặp lại trên một cảnh quay bạn đã có. Reframe thay đổi tỷ lệ khung hình, mở rộng khung hình hoặc thay nền sau khi quay trong khi vẫn giữ nguyên ánh sáng gốc; Modify Video biến đổi đoạn phim nguồn thay vì tự tạo ra nó; EXR giữ mô hình ở dạng mà Nuke và Resolve có thể mở mà không cần tranh luận về chuyển đổi. Một nhóm làm việc cho khách hàng với chuyên gia chỉnh màu tham gia vào quy trình sẽ nhận được giá trị từ những tính năng đó trong mọi dự án, và không có lượng âm thanh stereo nào có thể thay thế được.

Sản phẩm thực sự của Kling 4.0 chính là bản dựng đầu tiên. Ba mươi giây, mười keyframe và mười lăm tham chiếu nghĩa là một chuỗi có thể được biên soạn thay vì chắp ghép, và âm thanh đến kèm sẵn — điều này quan trọng nhất với công việc mạng xã hội, UGC và quảng cáo, nơi sản phẩm bàn giao ở dạng dọc, có phụ đề và được xuất bản ngay trong ngày. Các ví dụ của chính nhà cung cấp gồm vlog, phim ngắn, quảng cáo sản phẩm và video ca nhạc, đây là mô tả khá chuẩn xác về những nơi một mô hình hoàn thiện trong một lượt thực sự phát huy giá trị.

Có một cân nhắc về định tuyến xuyên suốt cả hai. Nếu một nhóm cuối cùng sử dụng mỗi mô hình cho thế mạnh của nó — Kling cho bản quay có thể xuất bản, Ray cho bản hình ảnh đưa đi chỉnh màu — thì chi phí tích hợp chính là yếu tố quyết định liệu điều đó có xảy ra trên thực tế hay không. Một khóa tương thích OpenAI đứng trước hơn 200 mô hình khiến việc thêm mô hình thứ hai chỉ còn là đổi ID mô hình, thay vì phải có hợp đồng nhà cung cấp thứ hai và hạn mức thứ hai để theo dõi, và cơ chế chuyển đổi dự phòng tự động giữ cho một lô xử lý tiếp tục chạy khi một đường phục vụ bị suy giảm. Chúng tôi không định tuyến Kling 4.0 cũng không Luma Ray 3.2, và bài viết này không khẳng định điều ngược lại; lập luận về định tuyến là nói về các mô hình xung quanh chúng, không phải hai mô hình này.

Cái nào, cụ thể là cái nào?

Hãy chọn Luma Ray 3.2khi cảnh quay là vấn đề và âm thanh là việc của người khác. Một động tác máy bạn không thể làm cho chuẩn, một khung hình phải thay đổi sau khi khách hàng xem, một sản phẩm bàn giao phải đến dưới dạng HDR hoặc EXR — đó là những vấn đề mà Reframe, keyframes và pipeline màu giải quyết, còn Kling 4.0 thì không giải quyết được ở bất kỳ độ phân giải nào. Tính phí theo từng clip là một lợi thế thực sự trong quy trình đó, vì khâu chỉ đạo là thứ bạn lặp đi lặp lại để tinh chỉnh và một mức giá clip cố định không khiến lần thử thứ mười bị phạt nặng hơn lần đầu.

Hãy chọn Kling 4.0 khi đầu ra chính là sản phẩm bàn giao và âm thanh là một phần của nó. Ba mươi giây trong một lần chạy, mười keyframe, âm thanh stereo hai kênh và mười lăm tham chiếu là sự kết hợp mà không lựa chọn nào khác trong so sánh này mang lại, và các tùy chọn 21:9 cùng 4K khiến nó khả thi cho các định dạng bàn giao mà Ray 3.2 sẽ không tạo ra một cách gốc. Những lưu ý là có thật: chưa công bố giá, chưa có điểm đánh giá độc lập, HDR vẫn chỉ được hứa hẹn thay vì đã phát hành, và một API đang trong giai đoạn truy cập sớm thay vì được cung cấp rộng rãi cho các nhà phát triển.

Điều giải quyết được chuyện này là một mục Ray 3.2 trên một trong các bảng video, và một bảng giá Kling 4.0. Cho đến khi cả hai đều có, hai câu còn đúng là: một trong những mô hình này tạo nhạc nền và mô hình kia xuất không gian màu, và lựa chọn giữa chúng do bản dựng của bạn quyết định, không phải tab benchmark của bạn.