Wan 3.0 so với Luma Ray 3.2: Âm thanh đối đầu với màu sắc, và một mô hình chưa được xếp hạng

Đây là cặp so sánh duy nhất trong loạt bài này mà một trong hai mô hình không thể được cho điểm. Luma Ray 3.2 không có mục nào trên đấu trường video của Artificial Analysis — không có trên bảng text-to-video, cũng không có trên bảng image-to-video, đã kiểm tra ngày 18 tháng 9 năm 2026. Không có Elo ưu tiên mù nào cho nó, không có số lượng mẫu, không có khoảng tin cậy. Bất kỳ ai trích dẫn một con số cho Ray 3.2 trong một so sánh đối đầu đều đang trích dẫn một bài kiểm tra ưu tiên do nhà cung cấp tự thực hiện hoặc thang điểm riêng của một bên tổng hợp, và cả hai đều không thể so sánh với các con số của đấu trường mà Wan 3.0 có được. Vì vậy, so sánh này phải được thực hiện dựa trên thông số kỹ thuật, các bề mặt điều khiển và cách tính phí thay vì dựa trên bảng điểm — và xét đến việc hai mô hình này được xây dựng khác nhau đến mức nào, hóa ra đây lại là cách so sánh hữu ích hơn.

Trước hết, một cái bẫy về tên gọi sẽ khiến bạn mất tiền nếu bạn bỏ lỡ nó. Số phiên bản của Luma không tăng theo cách chúng được đọc. Ray3.14 ra mắt vào ngày 26 tháng 1 năm 2026; Ray3.2 ra mắt vào ngày 9 tháng 6 năm 2026 và là sản phẩm chủ lực hiện tại. Số cao hơn là mô hình cũ hơn. Luma đã loại bỏ hoàn toàn thương hiệu Dream Machine và tuyên bố rằng Dream Machine và Ray2 đã được thay thế bằng Ray — vì vậy bất kỳ hướng dẫn, trang giá hoặc so sánh nào được xây dựng trên "Dream Machine" đều đang mô tả một sản phẩm mà Luma không còn bán nữa.

Mục bị thiếu trên bảng xếp hạng, và vì sao điều đó quan trọng

Vị thế của Wan 3.0 được ghi nhận rõ ràng. Trên đấu trường text-to-video có âm thanh của Artificial Analysis, ghi nhận ngày 18 tháng 9 năm 2026, nó đứng ở vị trí thứ 2 với Elo 1.229 và 6.011 so sánh được ghi nhận, xếp sau Gemini Omni Flash ở 1.233 và xếp trên ba mô hình khác trong một khoảng 23 điểm. Trên bảng xếp hạng chỉnh sửa video, nó đứng ở vị trí số 1 với Elo 1.190. Những kết quả đó là độc lập, mù và có thể kiểm chứng.

Vị thế của Ray 3.2 không được ghi lại ở bất kỳ đâu có thể so sánh được. Điều Luma đã công bố là một "Ray3 Evaluation Report" nội bộ, tuyên bố ngang bằng với Veo 3 và dẫn trước Runway Gen-4, Midjourney Video và Moonvalley Marey — mà không kèm điểm số nào. Luma cũng tuyên bố API của mình chạy với mức giá và độ trễ chưa bằng một nửa so với các mô hình tương đương, nhưng không định lượng. Riêng Black Forest Labs đã tuyên bố rằng Flux 3 của họ được ưu tiên hơn Ray 3.2 trong 93% các so sánh; đó là một bài kiểm tra do nhà cung cấp tự thực hiện đối với sản phẩm của đối thủ cạnh tranh và có cùng trọng lượng với những tuyên bố của chính Luma, nghĩa là không đáng kể.

Đây là một lỗ hổng thực sự trong hồ sơ dữ liệu, chứ không phải là một điểm trừ đối với mô hình. Một mô hình có thể xuất sắc mà vẫn chưa được xếp hạng — đấu trường chỉ chấm điểm những gì đã được trình cho người bỏ phiếu của mình xem. Nhưng điều đó thay đổi những gì một trang so sánh nên cho bạn biết. Với Wan 3.0, bạn có thể nói được những người bỏ phiếu độc lập đã nghĩ gì. Với Ray 3.2, bạn không thể nói bất cứ điều gì tương tự, và việc trình bày báo cáo nội bộ của Luma hay tuyên bố 93% của một đối thủ như thể một trong hai là bằng chứng sẽ là cách dễ nhất để làm bài viết này sai.

Hai loại cược khác nhau: âm thanh đối đầu màu sắc

Đây là sự khác biệt rõ rệt nhất giữa chúng, và nó không phải là về chất lượng.

Wan 3.0 tạo âm thanh gốc ngay trong cùng một lượt với video — hội thoại, nhạc nền và hiệu ứng âm thanh, được bật mặc định, có thể tắt bằng một cờ, có thể điều hướng bằng tối đa năm clip âm thanh tham chiếu. Tài liệu ra mắt của chính Alibaba nêu chất lượng âm thanh là lĩnh vực vẫn cần cải thiện, nên hãy coi đó là một năng lực thực có nhưng chưa hoàn hảo. Điểm mấu chốt là một lượt tạo của Wan 3.0 đến như một tác phẩm nghe nhìn đã hoàn chỉnh.

Ray 3.2 hoàn toàn không tạo ra âm thanh. Đầu ra text-to-video và image-to-video đều im lặng. Âm thanh chỉ được giữ lại khi bạn dùng các luồng Modify hoặc Reframe trên cảnh quay có sẵn — không có luồng nào đi từ prompt đến một bản nhạc nền. Đây là khác biệt lớn nhất về năng lực giữa hai mô hình và chỉ riêng nó đã đủ để loại bỏ một số quy trình: nếu sản phẩm bàn giao của bạn cần hội thoại hoặc thiết kế âm thanh được đồng bộ, thì Ray 3.2 chỉ là một bước chỉ có video trong một pipeline cần gắn thêm công đoạn âm thanh sau đó, còn Wan 3.0 thì không.

Thay vào đó, Luma xây dựng pipeline màu sắc và hoàn thiện sâu nhất so với bất kỳ mô hình video thương mại nào. Ray 3.2 tạo HDR 16-bit native và xuất EXR ở ACES2065-1, không gian màu mà các pipeline chỉnh màu và VFX chuyên nghiệp mong đợi. Nó theo dõi biểu diễn khuôn mặt giàu biểu cảm trên tối đa tám khuôn mặt cùng lúc, từng khung hình, cùng với tư thế và cử chỉ khung xương. Nó nhận tối đa 16 keyframe mỗi clip để điều khiển nhịp độ và chuyển động ở cấp độ khung hình. Tính năng Reframe của nó thay đổi tỷ lệ khung hình, mở rộng khung hoặc thay thế nền sau khi tạo, đồng thời giữ nguyên ánh sáng gốc. Và nó được tích hợp sẵn trong Adobe Firefly, với những khách hàng là studio và agency có tên đứng sau.

Đó là một công cụ hậu kỳ. Wan 3.0 là một công cụ sản xuất. Nếu bạn đang giao cảnh quay cho chuyên viên chỉnh màu, bản xuất EXR đáng giá hơn ba mươi giây của bất cứ thứ gì. Nếu bạn đang xuất bản một clip hoàn chỉnh, đầu ra không có âm thanh là vấn đề mà không thứ gì khác trên bảng thông số khắc phục được.

Thời lượng và độ phân giải, hãy đọc kỹ.

Cả hai nhà cung cấp đều làm mờ những con số này, theo hai hướng trái ngược nhau, và cả hai sự làm mờ ấy đều quan trọng.

• Thời lượng — Wan 3.0: 2 đến 30 giây trong một lần tạo, cùng với khả năng mở rộng về phía trước, phía sau và hai chiều. Ray 3.2: 5 hoặc 10 giây cho text-to-video và image-to-video tạo mới. Con số "tối đa 20 giây" được nhắc đến rộng rãi của Luma áp dụng cho Modify Video, chế độ biến đổi giữ nguyên nguồn của nó, chứ không áp dụng cho việc tạo từ câu lệnh. Nếu bạn đang cân nhắc dựa trên con số 20 giây, hãy kiểm tra xem bạn đang mua chế độ nào.

• Độ phân giải — Wan 3.0: 480p, 720p và 1080p, tất cả đều là độ phân giải gốc. Ray 3.2: 360p, 540p, 720p và 1080p. Ray 3.2 không hỗ trợ 4K. Tuyên bố rằng nó có hỗ trợ đang lan truyền rộng rãi và là sai: 4K của Luma là một tiện ích nâng cấp riêng biệt được áp dụng sau khi tạo, không phải một chế độ tạo. HDR là thật; còn 4K thì không.

• Hạn chế HDR — chế độ HDR của Luma chỉ giới hạn ở các clip 5 giây tại 720p hoặc 1080p, và HDR không tương thích với đầu ra 10 giây. Vì vậy, pipeline màu tốt nhất của mô hình không khả dụng trên các clip dài nhất của nó.

• Tốc độ khung hình — Wan 3.0: 30fps. Ray 3.2: 24fps, đây là lựa chọn đúng cho công việc theo phong cách điện ảnh và là lựa chọn sai nếu bản giao của bạn ở 30 hoặc 60.

• Tỷ lệ khung hình — Ray 3.2 không có danh sách cố định vì Reframe sẽ điều chỉnh đầu ra sau đó. Wan 3.0 hỗ trợ 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 và chế độ thích ứng ngay tại thời điểm tạo.

• Đầu vào — Wan 3.0 chấp nhận tối đa 10 hình ảnh tham chiếu, 5 video tham chiếu và 5 clip âm thanh tham chiếu trong giới hạn 20 tài nguyên, cộng thêm một tài liệu hoặc một trang web công khai. Ray 3.2 chấp nhận văn bản, hình ảnh, tối đa 16 khung hình khóa và tham chiếu nhân vật — một khả năng mà phiên bản tiền nhiệm Ray3.14 không có. Không có tài liệu, không có neo theo URL, không có đầu vào âm thanh.

Mỗi giây tốn bao nhiêu, và cấu trúc tính phí bên dưới

Wan 3.0 được tính phí theo từng giây đầu ra với mức giá công bố của Alibaba: $0.05 ở 480p, $0.10 ở 720p, $0.20 ở 1080p. Một clip 1080p dài 30 giây có giá $6.00, và với ưu đãi giảm 30% trong thời gian giới hạn trên các nền tảng của chính Alibaba kéo dài đến hết ngày 23 tháng 9, mức đó sẽ giảm xuống còn khoảng $4.20.

Ray 3.2 được tính phí theo từng lần tạo trên Luma Agents API, khiến phép tính trở nên khác biệt: 5 giây ở 360p là $0.06, ở 540p là $0.15, ở 720p là $0.30, ở 1080p là $1.20. Mười giây gấp đôi các con số đó ở 360p và 540p, và gấp ba ở các mức cao hơn. Ở 1080p, điều đó tương đương khoảng $0.24 mỗi giây — cao hơn mức giá 1080p của Wan 3.0 và gấp khoảng năm lần mức giá 480p của nó.

Hai lưu ý mang tính cấu trúc quan trọng hơn các con số tính theo giây. Thứ nhất, tín dụng gói đăng ký của Luma và hệ thống tính phí API của nó là hai hệ thống riêng biệt, và tín dụng không chuyển đổi qua lại giữa chúng; các gói dành cho người dùng cá nhân có giá 30 đô la, 90 đô la và 300 đô la mỗi tháng, với tín dụng được đo đếm riêng trong từng gói. Hãy tính ngân sách cho đúng nền tảng mà bạn thực sự đang xây dựng, vì tiền không di chuyển. Thứ hai, HDR và HDR+EXR làm tăng bội số chi phí tín dụng — lần lượt gấp đôi và gấp ba — nên khả năng làm nên sự khác biệt của Ray 3.2 cũng chính là yếu tố thay đổi giá hiệu dụng của nó nhiều nhất.

Trên Wan 3.0, cái bẫy tương đương nằm ở tầng nhà cung cấp chứ không phải ở tầng nhà bán: khi một mô hình được tính giá theo giây theo độ phân giải, mức giá của bên trung gian thường không phải là mức giá của Alibaba. $0.05 / $0.10 / $0.20 là con số để đối chiếu với mọi báo giá.

Câu hỏi định tuyến thực sự nằm ở đâu

Cả hai đều không phải là mô hình mà chúng tôi định tuyến, và điều đó đáng nói ngay từ đầu trước bất cứ nội dung nào khác trong phần này. Có thể truy cập Wan 3.0 thông qua các nền tảng của chính Alibaba — Model Studio và Qwen Cloud — cũng như thông qua các công cụ sáng tạo của bên thứ ba đã tích hợp nó sau bản ra mắt ngày 24 tháng 8. Có thể truy cập Ray 3.2 thông qua ứng dụng web Luma và, lần đầu tiên trong dòng Ray, một API dành cho nhà phát triển đúng nghĩa với các gói trả theo mức sử dụng và dung lượng đặt trước, cùng một số ít nền tảng của bên thứ ba và tích hợp Adobe Firefly của nó.

Thứ có sẵn trên OrcaRouter là toàn bộ pipeline xung quanh. Một video hoàn chỉnh hiếm khi là toàn bộ sản phẩm bàn giao: còn có kịch bản, danh sách cảnh quay, văn bản thay thế, phụ đề ở nhiều ngôn ngữ, ghi chú đánh giá và siêu dữ liệu, và tất cả những thứ đó đều là công việc của mô hình văn bản. Những mô hình đó nằm trong danh mục của chúng tôi — hơn 200 mô hình chỉ với một khóa, giá niêm yết của nhà cung cấp được chuyển nguyên, không cộng thêm phụ phí — nên việc chuyển công đoạn tạo phụ đề từ một mô hình đắt đỏ sang một mô hình rẻ, hay đổi mô hình viết danh sách cảnh quay của bạn, chỉ là thay đổi cấu hình chứ không phải tích hợp thêm lần nữa. Xét việc cả hai mô hình video ở đây vốn đã là mối quan hệ với nhà cung cấp thứ hai và thứ ba, việc giữ lớp văn bản trên một khóa chính là phần trong ngăn xếp này thực sự rẻ để hợp nhất.

Cái nào, và điều gì sẽ giải quyết được nó

Trên giấy tờ, đây không phải là một cuộc so tài sít sao, mà cũng không phải là một cuộc áp đảo, bởi vì hai bên không cạnh tranh cho cùng một vị trí.

• Chọn Wan 3.0 nếu bạn cần âm thanh từ lời nhắc, hơn 10 giây trong một lần chạy, dựa trên tài liệu hoặc trang web, ngân sách tham chiếu rộng, 30fps, hoặc mức giá mỗi giây thấp nhất ở 1080p. Đây là lựa chọn tốt hơn cho bất cứ thứ gì kết thúc dưới dạng clip đã xuất bản.

• Chọn Luma Ray 3.2 nếu bạn cần HDR 16-bit hoặc EXR trong ACES2065-1 cho quy trình chỉnh màu, điều khiển ở cấp độ khung hình trên 16 khung hình khóa, theo dõi diễn xuất trên tám khuôn mặt, thay đổi tỷ lệ khung hình và nền hậu kỳ của Reframe, hoặc chuyển đổi bảo toàn nguồn cho cảnh quay hiện có lên đến 20 giây. Đây là lựa chọn tốt hơn cho bất cứ thứ gì kết thúc dưới dạng một cảnh quay trong bản dựng của người khác.

Điều có thể thay đổi bài viết này không phải là một mô hình mới — mà là một mục tham gia đấu trường. Ray 3.2 đã được phát hành rộng rãi từ ngày 9 tháng 6 năm 2026, đủ lâu để tích lũy các so sánh, và nó đơn giản là chưa được đưa ra trước những người bỏ phiếu. Cho đến khi điều đó xảy ra, lập trường trung thực là Wan 3.0 có một điểm độc lập có thể kiểm chứng còn Ray 3.2 có báo cáo của chính nhà cung cấp, và một so sánh giả vờ rằng đó là cùng loại bằng chứng thì tệ hơn một so sánh thừa nhận khoảng cách.

Một lưu ý thực tế nếu bạn đang tự chạy đánh giá này: vì Ray 3.2 xuất video không tiếng còn Wan 3.0 thì không, việc so sánh trực tiếp với cùng một prompt sẽ có cảm giác thiên lệch gây bất lợi cho Luma theo cách không liên quan gì đến chất lượng hình ảnh. Hãy chấm điểm hình ảnh trước, tắt tiếng cả hai, rồi đánh giá âm thanh riêng — nếu không, bạn đang so sánh một tác phẩm hoàn chỉnh với một thành phần và đo lường sai sự khác biệt.