La generación de vídeo con inteligencia artificial permite crear clips hiperrealistas con voz, sonido ambiente, movimiento de cámara y sincronización labial a partir de una descripción escrita.
Pero empezar no consiste solo en elegir el modelo que produce el vídeo más espectacular. En producción real también importan la tasa de vídeos válidos, los bloqueos por moderación, el coste de los reintentos, la facilidad de la API y la capacidad de mantener personajes, productos y voces.
Índice de contenidos
Qué debes comparar
Antes de elegir un modelo, revisa:
- calidad visual y estabilidad;
- rostros, manos y objetos;
- naturalidad del movimiento;
- fidelidad al prompt;
- calidad de voz y lip-sync;
- español y acento;
- consistencia del personaje;
- duración y resolución;
- disponibilidad mediante API;
- filtros de contenido;
- coste por vídeo utilizable.
El indicador más importante no es el precio por generación, sino el coste por vídeo válido. Un modelo barato que obliga a repetir varias veces puede terminar siendo más caro.
Principales modelos
Veo 3 y Veo 3.1
Veo destaca por su calidad cinematográfica, iluminación, realismo y audio nativo. Es especialmente adecuado para anuncios de unos ocho segundos.
Su principal inconveniente práctico ha sido el filtro RAI —Responsible AI—. Puede bloquear escenas con personas o personajes, incluso cuando el contenido es legítimo o tiene estilo de cómic. El problema no es solo que exista moderación, sino que puede producir falsos positivos e interrumpir un flujo automatizado.
Además, al usar Veo mediante Vertex AI, la autenticación puede resultar compleja. Los tokens temporales caducan, por lo que no conviene copiarlos manualmente en n8n. En producción debe utilizarse una cuenta de servicio o un sistema automático de renovación de credenciales.
Seedance 2.0
Seedance 2.0 destaca por el movimiento humano, la física, la interacción con objetos y el uso combinado de imágenes, vídeos y audios como referencias.
La versión Fast es apropiada para pruebas y producción económica. La versión Standard ofrece mayor estabilidad y calidad en escenas complejas. Una estrategia razonable es generar primero con Fast y escalar a Standard cuando el resultado no sea válido.
Seedance también aplica moderación. Puede aceptar el prompt, generar el vídeo y bloquearlo después si algún fotograma se considera sensible. Un error típico es:
Output video has sensitive content
content_policy_violation
partner_validation_failedEsto indica que el rechazo se produjo sobre el vídeo generado, no necesariamente sobre el prompt.
Kling 3.0 Omni
Kling resulta especialmente interesante para personajes recurrentes, diálogos, continuidad narrativa y escenas con varios interlocutores.
LTX-2.3
LTX-2.3 ofrece menor coste, API clara, audio-to-video, edición parcial y posibilidad de despliegue local.
Su calidad máxima puede quedar por debajo de Seedance o Kling en escenas muy exigentes, pero resulta atractivo para producción masiva y para controlar la voz en español por separado.
Qué es fal.ai
fal.ai es un proveedor agregador que permite acceder a numerosos modelos mediante una sola API.
Sus ventajas son:
- una única clave;
- integración rápida;
- colas de trabajo;
- facturación centralizada;
- cambio sencillo entre modelos;
- uso cómodo desde n8n o Make.
La contrapartida es que puede haber diferencias de funciones, precios o moderación respecto de la API oficial.
La importancia del prompt
Los filtros no analizan solo el texto. También revisan el vídeo generado. Por eso una petición aparentemente inocente puede ser rechazada.
Por ejemplo, esta combinación puede provocar un falso positivo:
mujer + baño + descalza + plano bajo + cámara ascendiendo + piel hiperrealistaAunque el objetivo sea anunciar azulejos, el modelo puede generar algún fotograma ambiguo.
Para reducir riesgos:
- especifica que el personaje es claramente adulto;
- evita edades ambiguas;
- describe vestuario profesional;
- evita planos bajos sobre personas;
- elimina pies descalzos si no son necesarios;
- evita espejos, duchas o toallas si no aportan valor;
- usa lenguaje comercial, no sensual;
- separa el plano del producto del plano de la persona;
- evita expresiones como “piel hiperdetallada”;
- incluye exclusiones explícitas.
Ejemplo:
Mujer española adulta, aproximadamente 40 años, vestida de forma profesional, plano medio a la altura de los ojos, iluminación comercial natural. Sin planos bajos, sin reflejos, sin ropa reveladora, sin menores y sin personas adicionales.Cuidado con el estilo UGC
Los modelos asocian “UGC”, “reseña”, “TikTok” o “unboxing” con ciertos patrones visuales. Pueden añadir automáticamente:
- subtítulos;
- estrellas;
- precios;
- rótulos;
- nombres de producto;
- logotipos inventados;
- etiquetas deformadas.
Si el producto debe aparecer exactamente como es, indícalo:
Mantener la forma, colores, marca y etiquetado del producto. Sin subtítulos, precios, estrellas, logotipos inventados ni texto añadido.Aun así, el texto dentro del vídeo sigue siendo poco fiable. Lo más seguro es añadir subtítulos, precios y llamadas a la acción después, mediante edición.
Flujo recomendado
Un sistema profesional no debería publicar automáticamente el primer vídeo recibido.
- Crear un guion de 12 a 18 palabras para ocho segundos.
- Generar con una versión Fast o económica.
- Validar duración, audio, rostro, manos y lip-sync.
- Reintentar una vez si el defecto es menor.
- Escalar a una versión Standard.
- Cambiar de proveedor ante bloqueos persistentes.
- Añadir textos y logotipos en posproducción.
- Realizar revisión humana antes de publicar.
Conclusión
No existe un modelo perfecto. Veo3 ofrece gran calidad, pero puede sufrir bloqueos RAI y una integración más compleja en Vertex AI. Seedance destaca por movimiento y referencias multimodales, aunque también puede rechazar resultados ya generados. Kling es interesante para personajes y diálogo. LTX aporta coste reducido, flexibilidad y despliegue propio.
La clave no está en elegir un único ganador, sino en combinar modelos, construir buenos prompts, controlar los errores y validar cada resultado.
En vídeo generativo, el mejor modelo es el que produce el mayor porcentaje de vídeos publicables con el menor coste y la menor intervención manual.