Text-to-3D
El text-to-3D (texto a 3D) es la tarea de generar un objeto o una escena en 3D a partir de un prompt escrito. El image-to-3D hace lo mismo a partir de una o varias fotos. El resultado se puede ver desde cualquier ángulo.
También llamado: image-to-3D, 3D generation, AI 3D model generator
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Mientras que el text-to-image produce una imagen plana, el text-to-3D produce algo que puedes girar, iluminar y colocar en un motor de juegos o una escena de realidad aumentada. Los formatos de salida incluyen mallas, campos de radiancia neuronales (NeRF) y Gaussian splats.
Cómo funciona
Los buenos datos de entrenamiento en 3D escasean en comparación con las imágenes, así que los primeros métodos se apoyaron en modelos 2D. DreamFusion de Google, de 2022, optimizaba un NeRF para que sus renders desde ángulos aleatorios parecieran correctos a un modelo de difusión de imágenes 2D preentrenado. No necesitaba datos de entrenamiento en 3D, pero cada objeto exigía una larga optimización. Los sistemas más nuevos se entrenan con conjuntos de datos 3D o generan primero varias vistas coherentes y luego reconstruyen la forma, lo que es mucho más rápido. El image-to-3D funciona igual, partiendo de una foto en lugar de un prompt.
Usos
Objetos para videojuegos, vistas previas de productos, filtros de realidad aumentada, prototipado rápido y arte conceptual. Muchas herramientas exportan una malla que puedes limpiar en Blender. El trabajo relacionado sobre generar escenas completas explorables se trata en world model.
Límites
La salida suele necesitar limpieza antes de producción: topología desordenada, iluminación integrada en la textura, texturas borrosas y, de vez en cuando, un objeto con una cara en ambos lados. El detalle mecánico fino y las dimensiones exactas son puntos débiles, así que sirve mejor para borradores que para piezas que deben encajar.
Términos relacionados
- 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.
- 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.
- Image-to-image
- Image-to-image (de imagen a imagen) es la tarea de generar una imagen nueva a partir de una existente más un prompt, conservando parte de la estructura del original mientras se cambia el estilo, el detalle o el contenido.
- World model
- Un world model (modelo del mundo) es un modelo de IA que aprende cómo funciona un entorno lo bastante bien como para predecir qué pasará después, a menudo a partir de vídeo o datos de sensores, para que un agente pueda planificar o entrenarse dentro de la simulación.
- Modelo multimodal
- Un modelo multimodal es un modelo de IA que puede recibir, y a veces producir, más de un tipo de datos, como texto, imágenes, audio o vídeo, dentro de un único modelo y no mediante sistemas separados.