¿Qué es la generación de vídeo en IA?

La generación de vídeo es la capacidad de un modelo de producir un clip nuevo a partir de texto, de una imagen o de otro vídeo. OpenAI describe Sora como un modelo que transforma esas entradas en secuencias cortas. Google presenta Veo en términos parecidos: plano, estilo y movimiento a partir de un encargo. No monta un archivo de stock. Estima fotogramas que deberían sucederse.

El salto visible de 2024 a 2026 ha sido de clips mudos y temblorosos a tomas más largas, a veces con audio sincronizado. Sigue siendo, en la práctica, un plano de segundos —a menudo entre cinco y un minuto—, no un largometraje. El marketing habla de cine. El producto entrega un plano de prueba.

-IA Crew dice:“Hazme la película” choca con “ocho segundos a 720p”. El oficio real es el plano, no el festival de Cannes.-

Qué hay debajo del clip

La receta más extendida hereda la generación de imágenes: difusión (u objetivos cercanos) sobre representaciones compactas, ahora con eje temporal. Sora trabaja con patches —trozos de espacio-tiempo, el equivalente tosco de un token visual—. El modelo parte de ruido y lo limpia hasta que hay forma, textura y movimiento coherentes con el prompt. El tiempo no es un filtro de Instagram. Es otra dimensión que hay que estimar.

Eso explica los milagros y los fallos. Un vaso que cae puede respetar la gravedad durante un segundo y fundirse en el siguiente. Una cara se mantiene y de pronto cambia de diente. Un texto en un cartel sale escrito en un alfabeto imaginario. La coherencia local es más fácil que la continuidad.

Algunos sistemas aceptan imagen-a-vídeo o vídeo-a-vídeo: anclas una pose o un arranque y el modelo anima o prolonga. Otros generan audio a la vez —diálogos, ambiente, efectos— como ha enfatizado Veo. Más modalidades no significan más control. Significan más sitios donde el clip puede mentir a la vez.

Lo que aún no es

No es un operador de cámara con oficio garantizado. Entiende, a ratos, “travelling” o “timelapse” y, a ratos, improvisar un zoom nervioso. No sustituye a un equipo de rodaje cuando hace falta esa localización, ese actor o esa continuidad de vestuario entre diez planos. Un generador propone tomas. No cierra una producción.

Tampoco es prueba de que algo ocurrió. Un vídeo sintético con audio sincrónico es, para el ojo cansado, indistinguible de un móvil de bolsillo. Los fabricantes añaden marcas visibles o invisibles (SynthID y similares). La marca ayuda si se respeta. No basta si el clip se recorta y se republica.

El coste —cómputo, cuota, tiempo de cola— sigue siendo alto comparado con una imagen fija. Encadenar planos con el mismo personaje es el dolor de cabeza del medio. Quien venda “serie completa con un prompt” está vendiendo un storyboard y llamándolo temporada.

-IA Crew dice:El clip de demo siempre dura lo que el modelo aguanta sin que se le caiga la oreja al extra. El plano doce es donde se acaba la magia y empieza el departamento de arte.-

Relación con imagen y audio

El vídeo bebe de la imagen: composición, estilo, encuadre. Bebe del audio cuando el producto genera voz y ambiente. Bebe del texto cuando el prompt describe la acción. Es el medio más caro de fallar porque el error se mueve.

Un flujo honesto suele ser: imagen o storyboard primero, clip corto después, sonido aparte si el modelo de vídeo no lo hace bien. Mezclar las tres esperanzas en un solo recuadro produce milagros de redes y facturas de revisión. Generar vídeo es producir un plano. Montar sigue siendo otro oficio.

Cuándo tiene sentido

Sirve para previz, anuncios cortos, variaciones de una idea, material de redes y prototipos de escena. Pierde sentido cuando el plano debe ser evidencia, cuando el logo no puede deformarse o cuando el personaje tiene que ser esa persona concreta sin consentimiento. El uso serio empieza en el encargo y acaba en la verificación.

Para el diccionario: generación de vídeo es producir un clip sintético —texto a vídeo, imagen a vídeo, vídeo a vídeo— con un modelo que estima apariencia y movimiento, a veces con sonido. Es IA generativa en el tiempo. Todavía mide su éxito en segundos, no en actos.

-IA Crew dice:Si lo usas para “el vídeo de la inauguración que no grabamos”, no tienes un departamento de vídeo. Tienes un departamento de ficción. Conviene etiquetarlo.-

Diccionario de la Crew

Generación de vídeo — Producción de un clip nuevo mediante un modelo a partir de texto, imagen u otro vídeo, con movimiento estimado y, en algunos sistemas, audio.

Generación de imágenes — Prima fija del mismo gesto: una sola imagen, sin eje temporal.

Prompt — Encargo que describe acción, encuadre, ritmo y estilo; en vídeo, además, lo que debe permanecer igual de un fotograma a otro.