Wan 3.0 vs Kling 3: Một cú quay liên tục đối đầu với sáu cảnh quay đã lên kế hoạch

Hãy bắt đầu với một mâu thuẫn mà chưa ai giải quyết được. Wan 3.0 chỉ có một mức giá được công bố. Kling 3.0, sản phẩm video chủ lực hiện tại của Kuaishou, lại có hai — và chúng chênh nhau gấp ba lần. Tài liệu API của chính Kuaishou liệt kê Kling Video 3.0 ở mức 0,084 USD mỗi giây cho gói tiêu chuẩn và 0,112 USD cho gói pro. Artificial Analysis định giá cùng mô hình đó, trên chính bảng xếp hạng mà nó liệt kê Wan 3.0, ở mức 20,16 USD mỗi phút cho gói pro 1080p — tức 0,336 USD một giây. Cả hai không thể đang mô tả cùng một thế hệ ở cùng cấu hình. Cho đến khi có ai đó công bố lời giải thích khớp nối, mọi so sánh theo giây giữa hai mô hình này đều đang được thực hiện trên những con số có thể không đo cùng một thứ.

Những gì có thể được so sánh một cách trung thực là thông số kỹ thuật, điểm bình chọn kín, và triết lý thiết kế — và ở những điểm đó, hai mô hình bất đồng về gần như mọi thứ quan trọng. Kuaishou xây dựng Kling 3.0 xoay quanh chuỗi nhiều cảnh quay. Alibaba xây dựng Wan 3.0 xoay quanh một cú máy liền mạch không cắt. Đó không phải là khác biệt về tiếp thị; nó quyết định mô hình nào trong hai phù hợp với dự án của bạn trước khi giá cả được đưa ra bàn.

Hai mô hình, hai quan niệm về clip là gì

Kling 3.0 ra mắt vào ngày 5 tháng 2 năm 2026 dưới dạng một loạt bốn mô hình — Video 3.0, Video 3.0 Omni, Image 3.0 và Image 3.0 Omni. Đặc điểm nổi bật của nó là khả năng tự động phân cảnh nhiều cảnh quay: mô hình tự lên kế hoạch chuyển cảnh, và một chế độ tùy chỉnh cho phép bạn đặt số lượng cảnh quay cùng thời lượng của từng cảnh. Các nhà đánh giá cho biết có thể tạo được những chuỗi cảnh dùng được với tối đa khoảng sáu cảnh quay riêng biệt từ một câu lệnh duy nhất, trong đó có thể chỉ định cỡ cảnh, chuyển động máy quay và nhịp kể chuyện cho từng cảnh. Giới hạn tối đa là 15 giây mỗi lần tạo, với mức tối thiểu là 3 giây.

Wan 3.0 đi theo hướng ngược lại. Giới hạn của nó là 30 giây trong một lần chạy liên tục, và toàn bộ thiết kế đều hướng đến việc không cắt — đủ thời gian cho một cú máy duy nhất, một màn trình diễn sản phẩm quay một lần, hoặc một đoạn độc thoại giữ được mà không cần dựng. Nó không có bộ lập kế hoạch nhiều cảnh quay, bởi vì điểm nhấn là bạn không nên cần đến nó.

Hệ quả thực tế: đây không phải là câu hỏi hay hơn hay dở hơn, mà là câu hỏi về bản dựng của bạn. Một bộ phim ngắn, một quảng cáo dựng từ các cú cắt, bất cứ thứ gì có lời thoại trao qua lại giữa các nhân vật — đó là hình dạng của Kling 3.0. Một màn ra mắt sản phẩm liên tục, một tiết mục nhảy hay biểu diễn, một cú máy chuyển động đơn lẻ phải giữ được mạch lạc — đó là hình dạng của Wan 3.0. Những nhóm cố ép cái này vào định dạng của cái kia sẽ nhận ra các kiểu thất bại mang tính cấu trúc: sáu cú máy của Kling 3.0 không thể trở nên liên tục nếu không tạo lại, và ba mươi giây của Wan 3.0 không thể bị cắt thành sáu cú máy gọn gàng mà không đánh mất thứ bạn đã trả tiền để có.

Các con số của arena, được chia theo những gì chúng đo lường

Đây là phần của màn so tài mà độ bao phủ thông tin kém nhất, bởi hầu hết các trang đều trích dẫn một mức Elo của Kling đã lỗi thời năm tháng. Tài liệu ra mắt hồi tháng 2 năm 2026 của Kuaishou đặt Kling 3.0 ở vị trí dẫn đầu bảng xếp hạng text-to-video với mức Elo khoảng 1.240. Điều đó đúng vào tháng 2. Bảng trực tiếp của Artificial Analysis, ghi nhận ngày 18 tháng 9 năm 2026, có âm thanh:

• Wan 3.0 — #2, Elo 1.229, 12,00 USD/phút

• Kling 3.0 1080p Pro — #12, Elo 1.095, 20,16 USD/phút

• Kling 3.0 720p Standard — #13, Elo 1.089, 15,12 USD/phút

• Kling 3.0 Omni 720p Standard — #18, Elo 1.082, 13,44 USD/phút

• Kling 3.0 Omni 1080p Pro — #22, Elo 1,075, $16.80/phút

Vậy là mẫu dẫn đầu tháng Hai đã trở thành một mô hình tầm trung chỉ sau bảy tháng, không phải do lỗi của chính nó — mà là cả bảng đã dịch chuyển. Cũng lưu ý rằng các hạng của chính Kling trải rộng khắp mười một vị trí trên bảng xếp hạng, với khoảng chênh lệch Elo 20 điểm giữa chúng, nghĩa là hạng bạn mua có ảnh hưởng nhỏ hơn đến chất lượng được đo so với mô hình bạn chọn. Trả tiền cho Pro thay vì Standard giúp bạn có độ phân giải và, trên bảng xếp hạng này, khoảng sáu điểm Elo.

Rồi còn có một con số làm phức tạp toàn bộ bức tranh, và gần như không ai nhắc đến nó. Trên bảng xếp hạng image-to-video không có âm thanh, Kling 3.0 là một câu chuyện hoàn toàn khác: phiên bản Omni 1080p Pro đạt Elo 1.284, xếp hạng #8, còn phiên bản 1080p Pro đạt 1.282, xếp hạng #9. Đó là một vị trí trong top 10, tốt hơn đáng kể so với thành tích text-to-video của nó. Có thể hiểu rằng Kling 3.0 mạnh nhất khi xuất phát từ một hình ảnh được cung cấp sẵn và không bị đánh giá dựa trên âm thanh do nó tạo ra — điều này lại đúng với một phần lớn công việc thương mại thực tế. Nếu pipeline của bạn là image-to-video và bạn tự chấm điểm âm thanh của riêng mình, thì những con số của đấu trường nêu trên đang đánh giá thấp mô hình này một cách đáng kể.

Âm thanh, nơi cả hai cùng đưa ra một tuyên bố và một bên có vấn đề đã được ghi nhận

Cả hai mô hình đều tạo âm thanh trực tiếp trong cùng một lượt. Phiên bản của Kuaishou hỗ trợ tiếng Trung, tiếng Anh, tiếng Nhật, tiếng Hàn và tiếng Tây Ban Nha, xử lý hội thoại trộn nhiều ngôn ngữ trong một clip, gán một giọng nói riêng cho từng nhân vật trong các cảnh có nhiều nhân vật, và cung cấp các giọng vùng miền — tiếng Anh Mỹ, tiếng Anh Anh và tiếng Anh Ấn Độ; tiếng Trung giọng Đông Bắc, Bắc Kinh, Đài Loan, Quảng Đông và Tứ Xuyên. Âm thanh của Wan 3.0 được bật mặc định, có thể tắt bằng một cờ, và chấp nhận tối đa năm clip âm thanh tham chiếu để định hướng kết quả.

Trên lý thuyết, đây là một thế hòa với các danh sách ngôn ngữ khác nhau. Nhưng xét trên các kết quả được báo cáo thì không phải vậy. Tính nhất quán của đồng bộ khẩu hình là điểm yếu bị đánh dấu nhiều nhất trong các bài đánh giá độc lập về Kling 3.0 — một bài kiểm tra thực tế cho thấy khoảng hai trong năm clip đối thoại cần làm lại, và những người đánh giá cao nó về hình ảnh vẫn mô tả đồng bộ khẩu hình là không nhất quán. Các lỗi âm thanh được báo cáo tập trung quanh phần đối thoại trong môi trường ồn ào, nơi nền tiếng nước và tiếng gió có thể khiến lời nói bị mờ đi. Vấn đề của Alibaba lại khác về bản chất: tài liệu ra mắt của chính hãng nêu chất lượng âm thanh là lĩnh vực vẫn cần cải thiện, đó là một sự thừa nhận về độ trung thực chứ không phải về đồng bộ.

Cả hai nhà cung cấp đều không bán một công cụ đối thoại hoàn chỉnh. Nếu đối thoại là mục đích chính của dự án, thứ cần kiểm tra đầu tiên không phải là chất lượng hình ảnh — mà là liệu miệng có khớp với lời nói trong suốt 15 hoặc 30 giây hay không, vì đó là chỗ cả hai đều hỏng và cũng là nguồn gốc của những lần quay lại.

Kiểm soát và phân giải tham chiếu

• Đa cảnh quay — Kling 3.0: tự động lập kế hoạch cảnh quay, cùng chế độ tùy chỉnh với số lượng và thời lượng từng cảnh, tối đa khoảng sáu cảnh quay. Wan 3.0: không có; tạo liên tục một mạch.

• Thời lượng — Kling 3.0: 3 đến 15 giây. Wan 3.0: 2 đến 30 giây, cùng với tính năng kéo dài về phía trước, phía sau và hai chiều.

• Độ phân giải — Kling 3.0: 720p và 1080p trong hướng dẫn chính thức, với 4K gốc được tuyên bố trong tài liệu của chính Kuaishou ở mức $0.42/s. Wan 3.0: 480p, 720p và 1080p; không có 4K.

• Tốc độ khung hình — Kling 3.0: 30fps tiêu chuẩn, với 60fps được công bố ở các chế độ hiệu suất cao hơn. Wan 3.0: 30fps.

• Kiểm soát tham chiếu — Kling 3.0: liên kết phần tử, khóa một chủ thể xuyên suốt các thao tác lia máy và thu phóng, từ hình ảnh đã tải lên hoặc video nhân vật. Wan 3.0: tối đa 10 hình ảnh tham chiếu, 5 video tham chiếu và 5 clip âm thanh trong giới hạn 20 tài nguyên, cộng thêm một tài liệu hoặc trang web công khai.

• Neo dữ liệu — Wan 3.0 chấp nhận DOC, XLS, PPT, PDF, TXT, MD và URL công khai làm đầu vào, rồi chuyển chúng thành video. Kling 3.0 không có tính năng tương đương.

Dòng độ phân giải là thứ cần đối chiếu với thông số phân phối của riêng bạn, vì nó thực sự gây tranh cãi. Tài liệu của chính Kuaishou tuyên bố Video 3.0 có 4K gốc; hướng dẫn sử dụng của hãng chỉ liệt kê 720p và 1080p. Mức credit cho 4K từ bên thứ ba chênh lệch hơn gấp đôi giữa các nguồn. Nếu 4K là yêu cầu bắt buộc, hãy xác nhận bằng văn bản trên tài khoản của bạn thay vì dựa vào một trang so sánh — kể cả trang này.

Nơi bạn thực sự có thể gọi cho họ

Đây là trận đối đầu duy nhất trong loạt trận này mà câu trả lời về khả năng ra sân không cân xứng, và điều đó đáng để nói thẳng ra.

Kling 3.0 có trong danh mục của OrcaRouter với mã kling/kling-v3, giá $0.08 mỗi yêu cầu, với giá niêm yết của nhà cung cấp được chuyển tiếp nguyên vẹn ở mức chênh 0%. Đó là một khác biệt thực sự so với bức tranh tổng hợp ở trên: thay vì phải duy trì một tài khoản Kuaishou và một tích hợp riêng cho bất kỳ mô hình nào khác mà pipeline của bạn cần, Kling 3.0 nằm sau cùng một khóa API và cùng một endpoint tương thích OpenAI như hơn 200 mô hình khác. Vì chúng tôi không cộng thêm gì vào giá của nhà cung cấp, nên khi Kuaishou thay đổi biểu phí hoặc có đợt giảm giá khuyến mãi thì bên chúng tôi cập nhật ngay trong cùng ngày thay vì phải chờ hết một chu kỳ hợp đồng — và nếu nhà cung cấp thượng nguồn bị suy giảm chất lượng hoặc giới hạn tốc độ, cơ chế chuyển đổi dự phòng tự động sẽ chuyển yêu cầu đi trước khi phản hồi bắt đầu, thay vì trả lỗi về ứng dụng của bạn.

Wan 3.0 không có trong danh mục của chúng tôi và cũng không có trên bất kỳ nền tảng định tuyến đa dụng nào. Bạn có thể truy cập nó thông qua các nền tảng của chính Alibaba — Model Studio trên Alibaba Cloud và Qwen Cloud — và thông qua các công cụ sáng tạo của bên thứ ba đã tích hợp nó sau đợt ra mắt ngày 24 tháng 8, cùng ưu đãi giảm giá 30% trong thời gian giới hạn trên các nền tảng của chính Alibaba kéo dài đến ngày 23 tháng 9. Các gói dành cho người dùng tiêu dùng của chính Kuaishou và ứng dụng web Kling AI là một con đường khác, tính phí theo credit và không có gói không giới hạn.

Đối với một đội ngũ muốn cả hai, sự bất đối xứng đó chính là hình hài thực tế của quyết định: một trong hai chỉ là một thay đổi cấu hình, còn cái kia là một mối quan hệ nhà cung cấp thứ hai.

Ai nên chọn cái nào

• Chọn Wan 3.0 cho các cảnh quay liên tục dài hơn 15 giây, cho các bản tóm tắt dựa trên tài liệu hoặc trang web, cho clip ngắn hơn ba giây, cho ngân sách tham chiếu rộng nhất ở mức giá niêm yết thấp nhất, và cho công việc 30 giây chỉ một lượt xử lý mà nếu không sẽ cần ghép nối.

• Chọn Kling 3.0 cho các chuỗi tự sự nhiều cảnh quay từ một prompt, cho công việc image-to-video nơi vị trí của nó trên đấu trường không âm thanh thực sự nằm trong top 10, cho đối thoại đa ngôn ngữ trên năm ngôn ngữ được hỗ trợ với gán giọng theo từng nhân vật, cho tính nhất quán của phần tử qua các chuyển động camera, và cho 4K nếu bạn xác nhận gói đó.

Tóm tắt một cách trung thực thì hai lựa chọn này không hẳn là đối thủ, mà đúng hơn là những phương án thay thế được chọn theo loại dự án; và phép so sánh giá lẽ ra thường dùng để phân định lại hiện không đáng tin — mức giá theo giây được Kuaishou công bố và con số theo phút của bảng xếp hạng độc lập không thể cùng đúng, và mức chênh lệch đủ lớn để đảo ngược một quyết định. Cho đến khi điều đó được giải quyết, bằng chứng mang tính quyết định nên là một bài kiểm tra cùng prompt trên chính tư liệu quay của bạn: một chuỗi 15 giây gồm sáu cảnh quay trên Kling 3.0 so với một cú máy liên tục 15 giây trên Wan 3.0, ở 1080p, được chấm điểm trên những clip mà bạn thực sự sẽ phát hành.

Điều đáng chú ý không phải là một mô hình mới từ một trong hai phòng thí nghiệm, mà là bảng giá của Kuaishou. Nếu mức giá từ nhà cung cấp là đúng, Kling 3.0 là mô hình video đáng tin cậy rẻ nhất trong loạt này và cột tính theo phút của đấu trường đang đo một cấu hình mà hầu hết mọi người sẽ không mua. Nếu con số của bảng xếp hạng là đúng, Kling 3.0 là mô hình đắt nhất ở đây và vị trí giữa bảng của nó là một vấn đề. Một trong hai khẳng định đó là đúng và không ai nói rõ là khẳng định nào.