Kling 4.0 对比 Luma Ray 3.2：一个负责声音，另一个负责品质

把 Kling 4.0和Luma Ray 3.2放在同一句话里，大多数比较都会直接落到分辨率上，因为两者都宣称高端输出，而且都不便宜。但这是最无趣的维度。这两个模型在一个更根本的问题上存在分歧：生成出来的片段究竟是一件成品，还是一块素材。Kling 4.0自 2026 年 10 月 15 日起正式可用，一次生成即可产出画面和双声道立体声，单个镜头最长可保持 30 秒，并期望你直接把生成结果发布出去。Luma Ray 3.2自 2026 年 6 月 9 日起一直是 Luma 的旗舰模型，生成无声视频，并把工程重心放在镜头生成之后发生的事情上——原生 16 位 HDR、以 ACES2065-1 导出 EXR，以及无需重新渲染镜头即可改变构图的 reframe 模式。像这次发布背后有据可查的 AI 故障与智能体事故，均收录在 OrcaRouter AI Incident Archive中，每条记录都带有各自的来源、严重程度、置信度等级和争议标记。

这一差异比分辨率对比更能决定购买，而且值得在列出数字之前先说明：如果你的交付物是你要发布的短片，那么无声是规格表上其他任何东西都无法弥补的缺陷。如果你的交付物是要由调色师完成的镜头，那么位于正确色彩空间中的 EXR 比任何数量的生成环境声都更有价值。下面所有内容都关于你属于这两种情况中的哪一种。

直白地说，记分牌问题

目前无法根据独立评分对这两个模型进行比较，而且原因各不相同。Luma Ray 3.2在 Artificial Analysis 的三个视频排行榜——文生视频、图生视频或编辑——中均无记录，查询日期为 2026 年 10 月 22 日。图生视频榜单上唯一的 Luma 条目是更早的 Ray 3，来自 2025 年 9 月，在无声评分中以 1,215 的 Elo 分数位列第 47 名。Ray 3.2 根本不在榜上。

Kling 4.0 在本文撰写前八天发布，也尚未被录入任何榜单。现有的 Kling 条目来自 2026 年 2 月的 Kling 3.0，它们对新一代毫无说明。因此，这是一场双方都没有共同测量基准的对比——这意味着任何引用这两个模型之间 Elo 差距的人，引用的都是他们自己构建出来的东西。请根据规格和计费来评判本页其余内容，并对你在别处找到的任何分数持怀疑态度。

画面、声音，以及它们各自为日后留下的东西

Kuaishou 针对Kling 4.0发布的说明在音频方面异常具体。双声道立体声、更紧密的唇形同步、覆盖九种语言外加地区口音的对话——美式英语、英式英语和印度英语；北京话、台湾国语、东北话和四川话；粤语。它还能用这些语言生成屏幕文字，这与语音是不同能力，也是镜头移动时最容易明显失败的一项。

• 声音 — Kling 4.0：原生双声道立体声，支持口型同步，同一次生成即可完成。Ray 3.2：文本或图像提示词不会生成音频；音频仅在 Modify 和 Reframe 中保留，那里是源片段的音频，属于保留而非生成。

• 时长 — Kling 4.0：单次生成 3 至 30 秒。Ray 3.2：全新生成时为 5 秒或 10 秒；广为流传的 20 秒属于 Modify Video，该功能用于转换现有素材。

• 分辨率 — Kling 4.0：720p、1080p 或 4K，并提供 21:9 比例。Ray 3.2：360p、540p、720p 或 1080p，不支持 4K 生成——Luma 的 4K 是事后应用的放大工具。

• 色彩处理流程 — Kling 4.0：1080p 和 4K 下的 10 位 HDR，标注为即将推出。Ray 3.2：原生 16 位 HDR 生成，并以 ACES2065-1 格式导出 EXR，现已可用，HDR 定价为 SDR 费率的两倍，HDR 加 EXR 则为三倍。

• 帧级控制 — Kling 4.0：最多可在时间轴上放置 10 张关键帧图像。Ray 3.2：每个片段最多支持 16 个关键帧，包括图生视频。

• 参考素材 — Kling 4.0：最多支持 15 个组合资产，涵盖图像、视频、元素和语音。Ray 3.2：文本、图像、关键帧和角色参考，未公布视频参考额度。

把那份清单往下读两遍。六行里有四行，Kling 4.0 在纸面上胜出。而在后期制作公司最在意的那一行——合成师实际使用的色彩空间下的 16 位 EXR——Ray 3.2 不只是领先，它是两者中唯一真正把这个功能交付上线的那个。

两种计费方式，以及它们为何无法实现转化

Luma 按片段而非秒数出售。其公布的文生视频和图生视频价格阶梯为：五秒草稿分辨率片段 20 积分，540p 为 50，720p 为 100，1080p 为 400；十秒片段分别为 60、150、300 和 1,200。Modify Video 和 Reframe 单独定价且高得多，这与它们是后期精修工具而非生成器相一致。

一个积分值多少钱，取决于你是在哪个套餐里购买它的，所以对于 Ray 3.2 来说，并不存在一个可以诚实报出的单一美元数字——订阅购买者和按需付费的 API 购买者为同样的 100 个积分支付不同的费率。经过换算后仍然成立的是账单的形态：它按每个片段固定，在你按下生成之前就能知道，而且无论模型渲染两秒还是整整十秒，它都不会改变。

Kuaishou 根本没有为Kling 4.0发布任何价目表。该 API 处于早期访问阶段，开发者控制台的横幅已说明这一点，而且公开页面上无论是完整模型还是 Kling 4.0 Flash 都没有按秒计价的价格。在成本比较中，这并非小遗漏——这意味着看似更便宜的选项实际上还无法核算成本，而诚实的立场是：Kling 4.0 的经济性尚不可知，而 Ray 3.2 的至少结构清晰。

供参考，上一代已有定价且可路由：kling/kling-v3 每请求统一为 $0.084，在我们的目录中，kling/kling-3-turbo 为 $0.112，2.x 和 O1 代则更低。Ray 3.2 并非我们提供的路由。因此，读者今天实际可以调用的两个模型是 Kling 3.0 和 Ray 3.2——而新的 K​ling 正是那个还在等待价目表的模型。

20秒这个数字从何而来

Luma 围绕 Ray 3.2 的营销主打时长，而时长这个数字很容易被误读。全新生成是 5 秒或 10 秒。20 秒是 Modify Video 在源素材为 24fps 时才能输出的结果：在 30fps 下上限降至 15 秒，60fps 下则降至 7 秒。这并非 Luma 刻意隐瞒的限制——它印在定价页面上——但“最高 20 秒”这个说法在传播时往往丢掉了帧率这一前提，而一个团队若怀着对 20 秒文生视频短片的期待去购买，第一次调用就会失望。

同样的纪律也适用于 HDR。Ray 3.2 的 HDR 模式仅限于 720p 或 1080p 的五秒片段，在十秒输出中不可用。因此，该模型最佳的色彩管线与最长的新生成内容互斥，这是没人会放在对比幻灯片上的取舍。Kling 4.0 的 10 位 HDR 在推出时，规格为 1080p 和 4K，且未公布时长限定——但它被列为即将推出，所以目前在这一特定分界线的两边，它都还只是承诺。

在工作室内部，决策是什么样子的

Ray 3.2 真正的产品价值在于对已有镜头进行迭代。Reframe 可在拍摄后更改宽高比、扩展画面或替换背景，同时保持原始光照；Modify Video 是对源素材进行转换，而非凭空生成；EXR 则让模型以 Nuke 和 Resolve 可直接打开的形式保留下来，无需再为格式转换费口舌。对于有调色师参与流程的客户项目团队，这些功能在每个项目中都能带来价值，再多的立体声音频也无法替代。

Kling 4.0 真正的产品是首轮组装。三十秒、十个关键帧和十五个参考素材，意味着一个序列可以被创作出来，而不是拼接而成；音频也会随附而至——这对社交、UGC 和广告制作最为重要，因为其交付物是竖屏、带字幕且当天发布。厂商自己的示例是 vlog、短剧、产品广告和音乐视频，这相当准确地说明了“一次成片”模型在哪些场景中能体现其价值。

有一个贯穿两者的路由考量。如果团队最终让每个模型各展所长——K​ling 负责可发布的那条镜头，Ray 负责进入调色的底片——那么集成成本就是决定这在实践中能否发生的关键。在 200 多个模型前面放一个兼容 OpenAI 的密钥，会让第二个模型变成一次模型 ID 更改，而不是第二份供应商合同和第二个需要监控的配额，并且 当某条服务路径降级时，自动故障转移能让批处理继续推进。我们既不路由 Kling 4.0，也不路由 Luma Ray 3.2，本文也没有声称相反；路由论点针对的是它们周边的模型，而不是这两个。

具体是哪一个？

选择Luma Ray 3.2——当问题出在镜头上、而声音是别人的活儿时。你调不好的运镜、客户看过之后必须更改的构图、必须以 HDR 或 EXR 交付的成片——这些正是 Reframe、关键帧和色彩管线要解决的问题，而 Kling 4.0 无论分辨率多高都解决不了。按片段计费在这种工作流里是真正的优势，因为你反复迭代的是创作方向，而固定的单片段价格不会让第十次尝试比第一次受到更多惩罚。

选用Kling 4.0的时机是：当输出成果就是交付物，并且声音也是其中一部分时。单次生成三十秒、十个关键帧、双声道立体声和十五个参考素材，这一组合在本次对比中别无其他产品能提供；而 21:9 和 4K 选项让它适用于 Ray 3.2 无法原生生成的交付格式。需要留意的问题确实存在：未公布价格、没有独立评分、HDR 仍只是承诺而尚未交付，以及 API 仍处于早期访问阶段，而非向开发者普遍开放。

要定论这件事，需要某个视频榜单上出现 Ray 3.2 的条目，以及一份 Kling 4.0 的价目表。在这两者都出现之前，成立的只有这两句话：这些模型中，一个生成音轨，另一个导出色彩空间；而它们之间的选择取决于你的剪辑，而不是你的基准测试标签页。