Kling 3.0 vs Wan 3.0：同じプロンプトで比べた結果と料金

2026年10月25日、同じ3本の5秒・720pプロンプトを両方のモデルに渡しました。3つのテストのうち2つはWan 3.0が取り、Kling 3.0はスケートのアクションを決めています。定価で比べると、音声付き5秒・720pの1本はKling 3.0が$0.63、Wan 3.0が$0.50です。

15秒を超える動画が必要なら、30秒まで伸ばせるのはWan 3.0だけです。Wan 3.0 PrimeはAlibabaの上位料金で、720pで1秒$0.14です。

どちらのモデルもOmniaKeyで使えます：Kling 3.0 と Wan 3.0。

検証の方法

• モデルとID：OmniaKeyでは kling-3.0 と wan3.0-video。Klingの自社APIでは3.0を kling-v3 と呼びます。
• 実際に送った設定：Klingのテキストから動画が {"mode": "std", "duration": 5, "aspect_ratio": "16:9"}、Klingの画像から動画が {"mode": "std", "duration": 5}、Wanはどちらも {"duration": 5, "resolution": "720P", "ratio": "16:9"}。Klingの std は720Pで出力します。
• 2026年10月25日、すべてOmniaKeyのAPI経由で実行しました。プロンプト3本、各モデル各プロンプト1本ずつ、合計6本で、6つのタスクはすべて1回目で成功しています。
• テスト3の最初のフレームはNano Banana 2.1（2K、16:9）で作ったので、どちらの動画モデルも自前の画像を動かしたわけではありません。
• 時間はジョブを送ってから succeeded になるまでで、待ち時間も含みます。
• 6本すべてを見て、同じタイミングのフレームを比べました。動きとカメラワークがプロンプトと合っているか、看板とラベルの文字が正しいか、最初のフレームが保たれているかを確認しています。音は平均ラウドネスをdBで測りました。
• OmniaKeyは両モデルのAPIを提供しているので、検証もOmniaKey経由で行いました。以下の料金はすべてKlingとAlibabaの定価です。
• 出典：KlingのAPI料金ページとAPIケイパビリティマップ、Alibaba Model Studioの料金ページ、Wan 3.0 APIリファレンス、Wan 3.0ガイド。いずれも2026年10月25日に確認しました。

プロンプトごとに各モデル1本ずつで、動画モデルの結果は実行ごとに変わります。

3つのテスト、同じプロンプト

テスト1：水たまりを越えるスケートのオーリー（テキストから動画、16:9）

このテストでは、ボードが水を越えるか、カメラがどこに置かれるかを見ます。

プロンプト：

Tracking shot at golden hour on an empty concrete plaza. A teenage skateboarder in a mustard hoodie rolls toward a shallow puddle, pops an ollie over it and lands cleanly on the far side. The rear wheel clips the edge of the puddle and throws a small arc of water. Low warm sun, long shadows, handheld camera following at hip height. Sound: wheels rumbling on concrete, the clack of the board landing, a splash.

• Kling 3.0（323.8 s）：スケーターが助走し、水たまりをオーリーで越えて向こう岸にきれいに着地、ボードが水を切る瞬間に水しぶきが上がります。カメラは腰の高さのままなので、クリップの大半で頭はフレームの外です。背景はコンクリートの壁、低い暖色の日差し、長い影。
• Wan 3.0（153.5 s）：全身がフレームに収まり、背後にはガラス張りの低い建物と木、金色の光。オーリーは約2.3秒、ボードは約2.9秒に水たまりの中へ着地して大きく水しぶきを上げ、スケーターは向こう岸へ滑り去ります。

結論： Kling 3.0。プロンプトに書いた動きをそのまま再現しました。水たまりを越えて、きれいに着地しています。Wanの映像は見栄えがしますが、ボードは水に入ってしまいました。動きを台本どおりにしたいならKling 3.0を選び、頭をフレームに入れたいときはカメラの指示もプロンプトに書いてください。

テスト2：看板のある夜の屋台（テキストから動画、16:9）

このテストでは看板の文字、寄りのカメラワーク、料理人が見え続けるかを見ます。

プロンプト：

Night street food stall, medium shot with a slow push-in. An elderly cook in a white apron tosses noodles in a flaming wok; steam and sparks rise under a single hanging bulb. Behind him a red neon sign reads NOODLES in capital letters. A customer on the right hands over a paper ticket. Wet pavement reflects the neon. Sound: sizzling oil, the clang of the wok, distant street chatter.

• Kling 3.0（193.6 s）：看板は正しく、炎、湯気、ぶら下がった電球、右から紙のチケットを差し出す客の手も描かれています。序盤は麺が高く舞い上がり、背後の通りは暗く閑散として、カメラはほとんど動きません。4.6秒には電球が料理人の顔の前に来て、鍋はほぼ空になっています。
• Wan 3.0（144.2 s）：看板は正しく、炎、火の粉、右で紙のチケットを差し出す客もいます。料理人の背後は人通りの多い市場の通りで、濡れて光る路面を人が歩き、カメラはゆっくり寄っていきます。背景の看板は読めない偽の文字です。

結論： Wan 3.0。看板のつづりはどちらも正解でした。Wanは指定したゆっくりの寄りを再現し、料理人の顔も見えたままです。Klingの映像では最後に電球が顔を隠します。Wanの背景の看板は偽の文字なので、すっきりした画にしたいときは「ほかの看板なし」と書き足してください。

テスト3：静止画から香水瓶を周回（画像から動画、16:9）

このテストでは、商品写真がカメラワークに耐えるか、キャップと2行のラベル文字が残るかを見ます。最初のフレームはNano Banana 2.1で作り、そのあと両モデルで動かしました。

最初のフレームのプロンプト：

Studio product photograph of a square glass perfume bottle with a gold cap standing on wet black slate. The front label is cream paper with the word AURELIA in black serif capitals and "eau de parfum · 50 ml" in small type underneath. Water droplets on the glass and the stone, a soft key light from the left, dark background, wide 16:9 frame with the bottle in the center.

モーションのプロンプト：

The camera slowly orbits to the right around the perfume bottle. Water droplets slide down the glass and a soft beam of light sweeps across the label. Keep the bottle, the gold cap and the label text exactly as they are. Sound: a quiet drip of water.

• Kling 3.0（73.5 s、出力1284×716）：瓶、金のキャップ、ラベルの「AURELIA」と小さい「eau de parfum · 50 ml」の行を最後まで保っています。右への小さな回り込みと、終盤にかすかな光の筋。音声はほぼ無音で、平均−53.7 dBです。
• Wan 3.0（100.0 s、出力1280×720）：瓶、キャップ、2行のラベルが読めるままです。右へ大きく回り込み、4.9秒には瓶が斜めから見え、左上から柔らかい光の筋が入ります。音声には約1秒ごとに短く鋭いピークがあります。

結論： Wan 3.0、僅差。ラベル文字はどちらも鮮明なままでした。Wanは指示どおりカメラを大きく動かし、音声にも音が入っています。Klingはほぼ無音でした。この1本はKlingのほうが早く仕上がっています。

テスト別の結果

音、速度、1本あたりの料金

音

どちらのモデルも、すべてのクリップに音声トラックを付けました。5.04 sのMP4でAACステレオです。数字はffmpegで測った平均ラウドネスで、大きいほど音が大きくなります。

Klingの自社APIでは音声がスイッチで、初期設定はオフ、オンにすると1秒あたりの料金が上がります。AlibabaのAPIではWan 3.0が最初から音声付きで、解像度ごとに1つの料金です。audio=false で切れます。

速度

ジョブを送ってから succeeded になるまでの時間で、待ち時間を含みます：

テキストから動画の2本はどちらもWanが先に仕上げました。画像から動画の1本はKlingが先です。

料金

Klingは動画の秒数で課金します（KlingのAPI料金ページ、2026年10月25日確認）。定価では1 Unitが$0.14です。

Alibabaも動画の秒数で課金し、動画を送る場合は入力の秒数も含みます（Model Studio料金ページ、2026年10月25日確認）。

Alibabaのページでは wan3.0-video の価格が定価として表示され、期間限定の30%割引が注記されています。Primeの価格には割引の表示がありません。

この料金で1本いくらになるか、両社の料金ページの数字から計算します：

音声ありなら720PはWanが安く、1080PはKlingが安くなります。音声なしなら、720PではKlingの1秒$0.084が2社で最も低い料金です。

OmniaKeyの現在の料金は、Kling 3.0 と Wan 3.0 のモデルページで確認できます。

Kling 4.0とWan 3.0 Primeはどうなのか

KlingのAPIケイパビリティマップ（2026年10月20日更新）では kling-4.0 が先頭に載り、3〜30秒のクリップに対応します。OmniaKeyが提供しているのは kling-3.0 で、検証もそれを使いました。

Wan 3.0 PrimeはAlibabaの上位料金で、720Pで1秒$0.14、5秒で$0.70です。OmniaKeyのドキュメントはPrimeを「同じ性能で、処理時間はおよそ半分」と説明しています。今回の検証は標準の料金で実行しました。

長所と短所

Kling 3.0

• 長所：2社で最も正確な動き。最初のフレームとラベル文字を保ち、画像から動画では73.5 sで最速。
• 短所：テキストから動画は323.8 sで最も遅い。背景が暗く閑散。ぶら下がった電球が料理人の顔を隠す。画像から動画の音声がほぼ無音。最長15秒。

Wan 3.0

• 長所：最もにぎやかでリアルな場面。はっきりしたカメラワーク。テキストから動画が速い。最長30秒。音声が標準で料金は1つ。
• 短所：水たまりに着地。背景の看板が偽の文字。Alibabaは今も「プレビュー中」と表示しています。

用途別の選び方

同じテストを1つのAPIで実行する

次のリクエストは、屋台のプロンプトをWan 3.0に送ります：

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: noodle-stall-001" \
  -d '{
    "model": "wan3.0-video",
    "type": "video",
    "operation": "text_to_video",
    "input": {"prompt": "Night street food stall, medium shot with a slow push-in. An elderly cook in a white apron tosses noodles in a flaming wok; steam and sparks rise under a single hanging bulb. Behind him a red neon sign reads NOODLES in capital letters. A customer on the right hands over a paper ticket. Wet pavement reflects the neon. Sound: sizzling oil, the clang of the wok, distant street chatter."},
    "parameters": {"duration": 5, "resolution": "720P", "ratio": "16:9"}
  }'

1. 応答は 202 で、タスクIDが返ります。
2. https://api.omniakey.com/v1/media/tasks/{id} を数秒おきに取得し、status が succeeded になるまで待ちます。動画のジョブは数分かかることがあるので、同じIDを取得し続け、再送信はしないでください。
3. assets[0].url からクリップをダウンロードします。

Kling 3.0では model を kling-3.0 にして {"mode": "std", "duration": 5, "aspect_ratio": "16:9"} を送ります。長さは5、10、15秒のいずれかです。写真を動かすときは operation を image_to_video にし、最初のフレームを input.media に入れて、type を first_frame、url をhttpsリンクかデータURLにします。Klingでは aspect_ratio を外してください。フレームが画面の形を決めます。

実行は Kling 3.0 と Wan 3.0 のモデルページから始められ、各パラメータは 動画APIのドキュメント にまとまっています。

よくある質問

Kling 3.0はWan 3.0より優れていますか？

クリップによって変わります。Kling 3.0はスケートの技を指示どおりに決め、Wan 3.0は街の場面と商品の周回で勝ちました。カメラワークがはっきりしていて、音も大きめです。看板とラベルの文字はどちらも正しいので、台本どおりの動きならKling 3.0、にぎやかな場面ならWan 3.0を選んでください。

Kling 3.0とWan 3.0はどちらが安いですか？

定価では、音声付き5秒・720pの1本がWan 3.0で$0.50、Kling 3.0で$0.63です。1080Pでは逆になり、Kling 3.0が$0.84、Wan 3.0が$1.00です。音声なしならKling 3.0の5秒・720pが$0.42、Wanの720Pは音声の有無にかかわらず$0.50です。

Kling 3.0とWan 3.0の動画はどれくらいの長さにできますか？

KlingのAPIは3〜15秒の整数秒、Wan 3.0は2〜30秒です。OmniaKeyでは kling-3.0 が5、10、15秒のみ、wan3.0-video が2〜30秒です。

Wan 3.0はオープンソースですか？

Wan 3.0はオープンウェイトとして公開されていません。公開されているのはWan 2.2までの旧バージョンです。AlibabaCloud-OfficialのWan3.0リポジトリにはライセンスとREADMEだけがあり、ウェイトもモデルコードもありません。

Kling 3.0とWan 3.0は音声を作れますか？

どちらも作れます。今回のすべてのクリップは5.04 sのMP4にAACステレオのトラックが入っていました。KlingのAPIでは音声がスイッチで、初期設定はオフ、オンにすると1秒あたりの料金が上がります。Wan 3.0は標準で音声付きで料金は1つ、audio=false で切れます。

更新履歴

• 2026年10月25日：初版。3つの同一プロンプトのテストを同じ日に実行しました。