Texto a video

Los modelos de texto a video (text-to-video) crean secuencias de video a partir de un prompt: describes la escena, el movimiento de cámara o el estilo, y el sistema genera unos segundos de video. Muchos también aceptan una imagen de partida para animarla.

Técnicamente extienden la generación de imágenes a una dimensión más, el tiempo. La mayoría combina difusión con arquitecturas tipo transformer que procesan el video como bloques de espacio y tiempo, para que los objetos no cambien de forma de un cuadro a otro. Ejemplos conocidos son Sora, de OpenAI, presentado en 2024, y la familia Veo, de Google DeepMind; varios modelos recientes generan también el audio sincronizado.

El reto principal es la coherencia: que las personas mantengan su cara, que los objetos respeten la física y que la acción tenga sentido durante todo el clip. Los errores típicos son manos que se deforman, objetos que aparecen o desaparecen y movimientos imposibles. Además, generar video exige mucho más cómputo que una imagen.

Es una tecnología de doble filo: útil para prototipos, publicidad o educación, pero también para deepfakes. Por eso varios proveedores incorporan marcas de agua y credenciales de contenido, y regulaciones como el Reglamento de IA de la UE exigen etiquetar el contenido sintético.