Wan 3.0 對決 Luma Ray 3.2：聲音對抗色彩，以及一款未評級模型

這是本系列中唯一一場其中一個模型無法被評分的對決。Luma Ray 3.2在 Artificial Analysis 影片競技場上沒有任何紀錄——不論是文字轉影片榜單，還是圖像轉影片榜單，查核日期為 2026 年 9 月 18 日。它沒有盲測偏好 Elo，沒有樣本數，也沒有信賴區間。任何人在正面對決中引用 Ray 3.2 的數字，都是在引用廠商自行舉辦的偏好測試或聚合器自有的量表，而這兩者都無法與競技場數據相比，即Wan 3.0所擁有的那些。因此，這項比較必須依據規格、控制介面與計費方式，而非計分板來進行——而考量到這兩者的建構方式如此不同，這到頭來反而是更有用的比較。

在這一切之前，有一個命名陷阱，如果沒注意到，會讓你付出金錢代價。Luma 的版本編號並不是照字面讀起來那樣遞增。Ray3.14 於 2026 年 1 月 26 日推出；Ray3.2 於 2026 年 6 月 9 日推出，且是目前的旗艦產品。數字較高的是較舊的型號。Luma 已完全棄用 Dream Machine 這個品牌名稱，並表示 Dream Machine 與 Ray2 已由 Ray 取代——因此，任何以「Dream Machine」為依據的指南、定價頁面或比較，都是在描述 Luma 已不再販售的產品。

遺漏的排行榜紀錄，以及它為何重要

Wan 3.0 的地位已有充分記載。在 Artificial Analysis 於 2026 年 9 月 18 日擷取的含音訊文字轉影片競技場中，它以 Elo 1,229 和 6,011 筆已記錄的對比位居第 2，落後 Elo 1,233 的 Gemini Omni Flash，並領先另外三個模型，彼此差距在 23 分以內。在影片編輯排行榜上，它以 Elo 1,190 排名第 1。這些都是獨立、盲測且可檢視的。

Ray 3.2 的評價並未在任何可堪比擬的文件中留下紀錄。Luma 所發布的，是一份內部《Ray3 Evaluation Report》，聲稱與 Veo 3 並駕齊驅，並領先 Runway Gen-4、Midjourney Video 與 Moonvalley Marey——但未附上任何數值分數。Luma 也聲稱其 API 的價格與延遲不到同類模型的一半，但未提出量化數據。另外，Black Forest Labs 表示，在 93% 的比較中，其 Flux 3 比 Ray 3.2 更受青睞；那是由廠商自行執行、針對競爭對手產品的測試，其份量與 Luma 自家的說法相同，也就是說，沒什麼份量。

這是紀錄上的真實缺口，而非對該模型的貶抑。一個模型可以既優秀又未獲評分——競技場只會為其投票者曾被展示的內容評分。但這改變了比較頁面理應告訴你的內容。對於 Wan 3.0，你可以說出獨立投票者的看法。對於 Ray 3.2，你則無法說出任何這類內容，而把 Luma 的內部報告或競爭對手的 93% 說法包裝成彷彿其中任何一項是證據，將會是讓這篇文章出錯的最輕而易舉之途。

兩種不同的賭注：聲音對色彩

這是它們之間最鮮明的差異，而這與品質無關。

Wan 3.0 在生成影片的同一道處理過程中原生生成音訊——對白、背景音樂與音效，預設為開啟，可用旗標停用，並可透過最多五段參考音訊片段來引導。Alibaba 自家的發布資料指出，音訊品質仍是尚待改進的領域，因此請將其視為真實但尚不完美的能力。重點在於，Wan 3.0 的一次生成結果會以一件完成的影音作品形式呈現。

Ray 3.2 完全不會生成音訊。文字轉影片與圖像轉影片的輸出都是無聲的。只有在對現有素材使用 Modify 或 Reframe 路徑時，音訊才會保留——從提示詞到原聲帶之間沒有任何路徑。這是兩個模型之間最大的單一能力差異，而且光就這一點，就足以讓某些工作流程直接出局：如果你的交付成品需要同步對白或音效設計，Ray 3.2 在管線中只是純影片步驟，之後還得另外接上一個音訊階段，而 Wan 3.0 則不是。

Luma 改而打造出的是所有商業影片模型中最深度的色彩與後製流程。Ray 3.2 能生成原生 16 位元 HDR，並以 ACES2065-1 匯出 EXR，這正是專業調色與 VFX 流程所預期的色彩空間。它能逐格追蹤多達八張臉的細膩面部表演，以及骨骼姿態與手勢。每段影片最多可採用 16 個關鍵影格，以影格層級掌控節奏與動態。其 Reframe 功能可在生成後改變長寬比、延伸畫面或替換背景，同時保留原始光線。此外，它內建於 Adobe Firefly 中，背後更有具名的製片廠與代理商客戶。

那是後製工具。Wan 3.0 是製作工具。如果你要把鏡頭交給調色師，EXR 匯出比任何東西的三十秒都更有價值。如果你要發佈完成的片段，無聲輸出是規格表上其他任何項目都無法解決的問題。

持續時間與解析度，請仔細閱讀

兩家供應商都模糊了這些數字，方向卻相反，而這兩種模糊都很重要。

• 時長 — Wan 3.0：單次生成可達 2 至 30 秒，並支援向前、向後與雙向延伸。Ray 3.2：全新的文字轉影片與圖像轉影片為 5 或 10 秒。Luma 廣為引用的「最長 20 秒」適用於 Modify Video，也就是其保留原素材的轉換模式，而非依提示詞生成。如果你是根據 20 秒這個數字在做選擇，請確認你買的是哪一種模式。

• 解析度 — Wan 3.0：480p、720p 與 1080p，全部皆為原生。Ray 3.2：360p、540p、720p 與 1080p。Ray 3.2 不支援 4K。它支援 4K 的說法廣為流傳，但這是錯的：Luma 的 4K 是生成後另外套用的升頻工具，而不是一種生成模式。HDR 是真的；4K 則不是。

• HDR 限制 — Luma 的 HDR 模式僅限於 720p 或 1080p 的 5 秒短片，且 HDR 與 10 秒輸出並不相容。因此，此模型最優異的色彩處理流程無法用於其最長的短片。

• 幀率 — Wan 3.0：30fps。Ray 3.2：24fps，這對電影風格的工作是正確的選擇，但如果你的交付幀率是 30 或 60，那就是錯誤的選擇。

• 長寬比 — Ray 3.2 沒有固定清單，因為 Reframe 會在事後調整輸出。Wan 3.0 在生成時支援 21:9、16:9、4:3、1:1、3:4、9:16 以及自適應。

• 輸入 — Wan 3.0 在 20 項素材的上限內，可接受最多 10 張參考圖片、5 段參考影片和 5 段參考音訊，外加一份文件或一個公開網頁。Ray 3.2 接受文字、圖片、最多 16 個關鍵影格，以及角色參考——這是其前代 Ray3.14 所缺乏的能力。不支援文件、不支援 URL 依據、不支援音訊輸入。

每一秒的成本，以及其底下的計費形態。

Wan 3.0 依阿里巴巴公布的費率按輸出秒數計費：480p 為每秒 0.05 美元，720p 為每秒 0.10 美元，1080p 為每秒 0.20 美元。一支 30 秒的 1080p 影片為 6.00 美元，而阿里巴巴自家平台正推出限時 30% 折扣，活動持续至 9 月 23 日，折算後約為 4.20 美元。

Ray 3.2 在 Luma Agents API 上是按每次生成計費，這讓算法有所不同：5 秒在 360p 是 $0.06，540p 是 $0.15，720p 是 $0.30，1080p 是 $1.20。10 秒在 360p 和 540p 會使這些數字加倍，而在更高解析度則變為三倍。在 1080p，這算下來約為每秒 $0.24——高於 Wan 3.0 的 1080p 費率，且大約是其 480p 費率的五倍。

有兩點結構性說明，比每秒的數字更重要。首先，Luma 的訂閱點數與其 API 計費是兩套獨立系統，點數不會在兩者之間轉移；消費者方案每月分別為 $30、$90 和 $300，點數在各自方案內計量。請依照你實際建構的哪個介面來編列預算，因為這筆錢不會移轉。其次，HDR 與 HDR+EXR 會使點數成本倍增——分別為兩倍與三倍——因此，讓 Ray 3.2 脫穎而出的那項能力，也正是最能改變其有效價格的能力。

在 Wan 3.0 上，相對應的陷阱在於供應商層，而不是廠商層：當模型是按每秒、每解析度計價時，中介的費率往往不是阿里巴巴的費率。$0.05 / $0.10 / $0.20 是可以用來核對任何報價的數字。

路由問題實際上落在何處

這兩者都不是我們所路由的模型，而在本節談及其他內容之前，值得先說明這一點。Wan 3.0 可透過阿里巴巴自家的平台——Model Studio 與 Qwen Cloud——以及在其 8 月 24 日推出後整合它的第三方創意工具來使用。Ray 3.2 可透過 Luma 網頁應用程式使用，而且在 Ray 系列中首次提供正式的開發者 API，具備隨用隨付與預留容量方案，此外還可透過少數第三方平台，以及其 Adobe Firefly 整合來使用。

OrcaRouter 上可用的是周邊管線。一支完成的影片很少就是全部的交付項目：還有腳本、鏡頭清單、替代文字、多種語言的字幕、審閱備註和中繼資料，而這些全都是文字模型的工作。那些模型都在我們的目錄中——其中 200+ 個只需一組金鑰，以供應商定價直接提供，不額外加價——因此，把字幕處理流程從昂貴模型換成便宜模型，或更換負責撰寫鏡頭清單的模型，只是變更設定，而不是再進行一次整合。既然這裡的兩個影片模型已經分別代表第二與第三個供應商關係，把文字層維持在單一金鑰上，就是這個技術堆疊中真正能以低成本整併的部分。

哪一個，以及什麼能讓它塵埃落定？

從帳面上來看，這不是一場勢均力敵的較量，也不是一方慘敗，因為這兩者並不是在爭取同一份工作。

• 若你需要由提示詞生成音訊、單次生成超過 10 秒、以文件或網頁為依據、寬裕的參考額度、30fps，或 1080p 下最低的每秒費率，請選擇 Wan 3.0。對於任何最終會成為已發布短片的用途，它是更好的選擇。

• 若你需要用於調色流程、採用 ACES2065-1 的 16-bit HDR 或 EXR、橫跨 16 個關鍵影格的畫面層級控制、跨八張人臉的表演追蹤、Reframe 的事後長寬比與背景變更，或對現有素材進行最長 20 秒的來源保留轉換，請選擇 Luma Ray 3.2。對於任何最終會成為他人剪輯中某個鏡頭的內容，它是更好的選擇。

真正會改變這篇文章的，不是一個新模型——而是進入競技場的參賽紀錄。Ray 3.2 自 2026 年 6 月 9 日起就已全面推出，時間久到足以累積比較資料，卻始終沒有被呈現在投票者面前。在它被放上去之前，誠實的立場是：Wan 3.0 有可查核的獨立評分，而 Ray 3.2 只有廠商自己的報告；一場假裝這兩者是同類證據的比較，比一場坦承這段落差的比較更糟糕。

如果你自己正在進行這項評估，有一點實用提醒：由於 Ray 3.2 輸出無聲影片，而 Wan 3.0 則不會，直接以相同提示詞比較，會顯得對 Luma 不公平，而這種落差與影像品質無關。先為畫面評分，將兩者靜音，再單獨評估音訊——否則你就是在把完成品與元件相比，衡量的是錯誤的差異。