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.
También llamado: video generation, T2V, AI video generator
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
El text-to-video amplía el text-to-image con un segundo problema: el tiempo. Un buen fotograma suelto no basta. Los objetos deben mantener su forma, la iluminación debe ser estable y el movimiento debe parecer físico en todos los fotogramas.
Cómo funciona
Muchos modelos de vídeo parten de un modelo de difusión de imágenes y añaden capas que miran a través de los fotogramas. El artículo de Make-A-Video de Meta lo planteó con claridad: aprender la apariencia a partir de texto e imágenes emparejados, y aprender el movimiento a partir de vídeo sin etiquetar. Stable Video Diffusion se entrenó por etapas, primero con imágenes, luego con un gran conjunto de vídeos y después con uno más pequeño de alta calidad.
En la práctica
Servicios alojados como Kling y Runway, y modelos como Veo 3.1, producen clips de unos pocos segundos a partir de un prompt. Muchos aceptan también una imagen fija como primer fotograma, lo que se conoce como image-to-video. Hay más opciones en modelos de vídeo.
Límites
Los clips son cortos, y las escenas más largas suelen montarse uniendo varios. El detalle fino, las manos, el texto y la relación causa-efecto a menudo fallan. Generar vídeo es mucho más caro que generar imágenes, porque cada segundo contiene muchos fotogramas. Una salida realista también despierta preocupación por los deepfakes.
Términos relacionados
- 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.
- 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.
- 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.