Wan 3.0 对比 Luma Ray 3.2：声音对决色彩，以及一款未评级的模型

这是本系列中唯一一个两个模型中有一个无法被评分的对阵。Luma Ray 3.2 在 Artificial Analysis 视频竞技场上没有条目——无论是文本到视频榜还是图像到视频榜，均于 2026 年 9 月 18 日核查过。它没有盲测偏好 Elo，没有样本量，也没有置信区间。任何在对决中为 Ray 3.2 引用数字的人，引用的都是供应商自行开展的偏好测试，或聚合器自己的量表，而这两者都无法与 Wan 3.0 所持有的竞技场数据相提并论。因此，这一比较只能基于规格、控制界面和计费方式，而不是基于记分牌——而考虑到这两者的构建方式如此不同，这反倒成了更有用的比较。

在这一切开始之前，有一个命名陷阱：如果你忽略了它，就会付出金钱代价。Luma 的版本号并不像读起来那样递增。Ray3.14 于 2026 年 1 月 26 日发布；Ray3.2 于 2026 年 6 月 9 日发布，是当前的旗舰产品。数字更高的是更旧的型号。Luma 已完全弃用 Dream Machine 品牌，并声明 Dream Machine 和 Ray2 已被 Ray 取代——因此，任何基于“Dream Machine”构建的指南、定价页面或对比，描述的都是一款 Luma 不再销售的产品。

缺失的排行榜条目，以及它为何重要

Wan 3.0 的地位有据可查。在 Artificial Analysis 于 2026 年 9 月 18 日截取的带音频文本生成视频竞技场中，它以 Elo 1,229 和 6,011 次记录在案的对比位列第 2，落后于 Elo 1,233 的 Gemini Omni Flash，并领先于其他三款模型，彼此分差在 23 分之内。在视频编辑榜单上，它以 Elo 1,190 位列第 1。这些结果独立、盲测且可供查验。

Ray 3.2 的水平未在任何可比的资料中得到记录。Luma 发布过的内容，是一份内部“Ray3 评估报告”，声称其与 Veo 3 持平，并领先于 Runway Gen-4、Midjourney Video 和 Moonvalley Marey——却未附上任何数值评分。Luma 还声称其 API 的价格和延迟不到同类模型的一半，但同样未量化。另外，Black Forest Labs 表示，在 93% 的对比中，其 Flux 3 比 Ray 3.2 更受青睐；那是一家厂商对竞争对手产品进行的测试，其分量与 Luma 自己的说法相同，也就是说，并不大。

这是记录中真实存在的空白，而不是对模型的扣分。一个模型可以很出色却没有评分——竞技场只对其投票者被展示过的内容评分。但这会改变对比页面应该告诉你的内容。对于 Wan 3.0，你可以说出独立投票者的想法。对于 Ray 3.2，你无法说出任何类似内容，而把 Luma 的内部报告或竞争对手的 93% 说法包装得像是证据一样，会是让这篇文章出错的最简单方式。

两种不同的赌注：声音对颜色

它们之间最鲜明的区别就在这里，而且与质量无关。

Wan 3.0 在与视频同一次生成中原生生成音频——对话、背景音乐和音效，默认开启，可通过一个标志禁用，并可通过最多五段参考音频片段进行调控。阿里巴巴自己的发布材料将音频质量列为一个仍需改进的领域，因此应将其视为一项真实但不完美的能力。关键在于，Wan 3.0 的一次生成会作为一件完整的视听作品呈现。

Ray 3.2 完全不生成音频。文生视频和图生视频的输出都是无声的。只有在现有素材上使用 Modify 或 Reframe 路径时，音频才会被保留——不存在从提示词到配乐的路径。这是两个模型之间最大的单项能力差异，而且仅凭这一点，它对某些工作流就已构成淘汰性缺陷：如果你的交付成果需要同步的对白或声音设计，Ray 3.2 就是一条流水线中仅负责视频的环节，之后还必须额外加装音频阶段，而 Wan 3.0 则不是。

Luma 转而打造出的，是任何商业视频模型中最深的色彩与后期处理管线。Ray 3.2 可生成原生 16 位 HDR，并以 ACES2065-1 导出 EXR——这正是专业调色与 VFX 管线所期望的色彩空间。它能逐帧追踪最多八张面孔上富有表现力的面部表演，以及骨骼姿态与手势。它可为每个片段取用最多 16 个关键帧，以实现帧级的节奏与运动指导。其 Reframe 功能可在生成后更改宽高比、扩展画面或替换背景，同时保留原有光照。而且它已内置于 Adobe Firefly 之中，背后还有具名的影视工作室与代理商客户。

那是一个后期制作工具。Wan 3.0 是一个制作工具。如果你要把镜头交给调色师，EXR 导出的价值胜过任何东西的三十秒。如果你要发布成片，静音输出是规格表上其他任何东西都解决不了的问题。

时长和分辨率，请仔细阅读

两家供应商都对这些数字做了模糊处理，方向恰恰相反，而这两种模糊都事关重大。

• 时长 — Wan 3.0：单次生成 2 至 30 秒，并支持向前、向后及双向延长。Ray 3.2：全新文本生视频和图像生视频为 5 秒或 10 秒。Luma 被广泛引用的“最长 20 秒”适用于 Modify Video，即其保留源素材的变换模式，而非从提示词生成。如果你是根据 20 秒这个数字来做选择，请确认你购买的是哪种模式。

• 分辨率 — Wan 3.0：480p、720p 和 1080p，全部为原生。Ray 3.2：360p、540p、720p 和 1080p。Ray 3.2 不支持 4K。声称其支持 4K 的说法流传甚广，但这是错误的：Luma 的 4K 是生成后单独应用的放大工具，而非一种生成模式。HDR 是真的；4K 不是。

• HDR 限制 — Luma 的 HDR 模式仅限于 720p 或 1080p 的 5 秒片段，并且 HDR 与 10 秒输出不兼容。因此，该模型最佳的色彩管线无法用于其最长的片段。

• 帧率 — Wan 3.0：30fps。Ray 3.2：24fps，对于电影风格的工作来说，这是正确的选择；但如果你的交付帧率是 30 或 60，那就是错误的选择。

• 宽高比 — Ray 3.2 没有固定列表，因为 Reframe 会在事后调整输出。Wan 3.0 在生成时支持 21:9、16:9、4:3、1:1、3:4、9:16 以及自适应模式。

• 输入 — Wan 3.0 最多可接受 10 张参考图像、5 个参考视频和 5 个参考音频片段，总上限为 20 个素材，另可接受一个文档或一个公开网页。Ray 3.2 接受文本、图像、最多 16 个关键帧和角色参考——这是其前代 Ray3.14 所不具备的能力。不支持文档，不支持 URL 关联，也不支持音频输入。

每秒的成本是多少，以及其背后的计费形态

Wan 3.0 按输出每秒计费，采用 Alibaba 公布的价格：480p 为 0.05 美元，720p 为 0.10 美元，1080p 为 0.20 美元。一段 30 秒的 1080p 片段为 6.00 美元；在 Alibaba 自有平台上，一项限时 30% 折扣持续到 9 月 23 日，使其降至约 4.20 美元。

Ray 3.2 在 Luma Agents API 上按每次生成计费，这使得计算方式有所不同：5 秒 360p 为 $0.06，540p 为 $0.15，720p 为 $0.30，1080p 为 $1.20。10 秒在 360p 和 540p 下费用翻倍，在更高分辨率下则变为三倍。在 1080p 下，这算下来约为每秒 $0.24——高于 Wan 3.0 的 1080p 价格，且大约是其 480p 价格的五倍。

有两点结构性说明，比按秒计费的数值更重要。第一，Luma 的订阅积分和其 API 计费是两套独立系统，积分不能在这两者之间转移；面向消费者的套餐每月为 $30、$90 和 $300，每个套餐内的积分都单独计量。你实际在哪个平台上构建，就按哪个平台做预算，因为钱不会转移。第二，HDR 和 HDR+EXR 会使积分成本成倍增加——分别为两倍和三倍——因此，让 Ray 3.2 与众不同的那项能力，也是对其实际价格影响最大的那项能力。

在 Wan 3.0 上，对应的陷阱在提供商层面，而不是厂商层面：当模型按每秒、按分辨率计价时，中间商的费率往往并不是阿里巴巴的费率。$0.05 / $0.10 / $0.20 就是用来核对任何报价的基准数字。

路由问题实际上落在哪里

这两个都不是我们会路由的模型，在本节开头值得先说明这一点。Wan 3.0 可通过阿里巴巴自有平台——Model Studio 和 Qwen Cloud——以及第三方创意工具访问，这些工具在 8 月 24 日发布后集成了它。Ray 3.2 可通过 Luma 网页应用访问，并且是 Ray 系列中首次提供正式的开发者 API，包含按量付费和预留容量档位，此外还可通过少数几个第三方平台及其 Adobe Firefly 集成访问。

OrcaRouter 提供的是周边流程。一条成片很少就是全部交付物：还有脚本、分镜清单、替代文本、多种语言的字幕、审阅意见和元数据，而这些都是文本模型的工作。这些模型都在我们的目录中——200 多款共用一个密钥，按供应商标价原样透传、不加任何加价——因此，把字幕生成环节从昂贵的模型换到便宜的模型，或者更换撰写分镜清单的模型，只是改一下配置，而不是再接入一套系统。考虑到这里的两个视频模型已经分别是第二家和第三家供应商关系，把文本层统一到一个密钥上，是这套技术栈里真正能低成本整合的部分。

哪一个，以及什么能定夺？

从纸面上看，这并非一场难分高下的较量，但也不是一场一边倒的碾压，因为二者争夺的并不是同一个职位。

• 如果需要由提示词生成音频、单次生成超过 10 秒、以文档或网页为依据、更宽裕的参考预算、30fps，或 1080p 下最低的每秒费率，请选择 Wan 3.0。对于任何最终要作为已发布片段呈现的内容，它都是更好的选择。

• 如果你需要用于调色流程的 16 位 HDR 或 ACES2065-1 格式的 EXR、跨 16 个关键帧的逐帧控制、对八张人脸的表演跟踪、Reframe 的后期画幅与背景更改，或对最长 20 秒的现有素材进行保留源转换，请选择 Luma Ray 3.2。对于任何最终会成为他人剪辑中某个镜头的用途，它都是更好的选择。

会改变这篇文章的，不是某个新模型——而是一次竞技场参赛。Ray 3.2自2026年6月9日起已正式发布，时间足够长，足以积累起对比，但它就是没有被放到投票者面前。在它被放上去之前，诚实的立场是：Wan 3.0有一个可核查的独立评分，而Ray 3.2只有一份厂商自己的报告，而假装这两者是同类证据的比较，比承认这一差距的比较更糟。

如果你要自己运行这项评估，有一个实用提示：由于 Ray 3.2 输出的是无声视频，而 Wan 3.0 不是，直接用相同提示词对比会让 Luma 显得吃亏，而这种落差与图像质量无关。先给画面打分，把两者都静音，再单独评估音频——否则你就是在拿一个成品和一个组件作比较，衡量的是错误的差异。