Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Image-to-video

Image-to-video (de imagen a vídeo) es la tarea de convertir una imagen fija en un clip de vídeo corto, normalmente con la imagen como primer fotograma y un prompt de texto que describe el movimiento.

También llamado: I2V, photo animation, animate image

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

Mientras que el text-to-video inventa toda la escena, el image-to-video parte de una imagen que aportas tú y solo tiene que decidir cómo se mueve. Eso hace mucho más fácil controlar el aspecto del resultado: el sujeto, el encuadre, los colores y el estilo salen de tu imagen.

Cómo funciona

La mayoría de los modelos image-to-video son modelos de difusión de vídeo que reciben la imagen de entrada como condición adicional. El artículo de Stable Video Diffusion indicó que un modelo base entrenado con grandes cantidades de vídeo aprende una representación del movimiento que se traslada a la generación image-to-video.

Usos habituales

Un workflow típico es crear un fotograma con text-to-image, refinarlo y después animarlo. Las fotos de producto, las ilustraciones, los storyboards y los clips para redes sociales son casos habituales. Servicios como Kling y Runway lo ofrecen junto al text-to-video; hay más opciones en modelos de vídeo. Animar un retrato para que hable es una tarea relacionada que se trata en sincronización labial.

Límites

El modelo tiene que adivinar qué hay oculto detrás de los objetos y cómo se ve la escena desde ángulos nuevos, así que las caras y los detalles finos pueden desviarse a medida que avanza el clip. Los clips son cortos. Animar la foto de una persona real sin su consentimiento plantea los mismos problemas que un deepfake.

Términos relacionados

Text-to-video
El text-to-video (texto a vídeo) es la tarea de generar un clip de vídeo corto a partir de un prompt escrito. Los modelos tienen que producir fotogramas que se vean bien cada uno por separado y que además se muevan de forma coherente de uno a otro.
Modelo de difusión
Un modelo de difusión (diffusion model) es un modelo generativo que aprende a convertir ruido aleatorio en datos, como una imagen, eliminando un poco de ruido cada vez a lo largo de muchos pasos.
Text-to-image
El text-to-image (texto a imagen) es la tarea de generar una imagen nueva a partir de una descripción escrita, llamada prompt. La mayoría de los modelos text-to-image actuales son modelos de difusión condicionados por el texto.
Sincronización labial (vídeo con IA)
La sincronización labial con IA (lip sync) es el uso de un modelo para cambiar los movimientos de la boca de una persona en un vídeo o una imagen de modo que encajen con una pista de audio nueva, como una frase traducida o reescrita.
Deepfake
Un deepfake es un contenido de imagen, audio o vídeo creado o alterado con IA de forma que muestra de manera convincente a una persona, un lugar o un hecho reales tal como no ocurrieron, y que podría pasar por auténtico.

Fuentes