Cómo elegir una herramienta de vídeo con IA

Antes de elegir herramienta

Responde antes a una pregunta: cuál es la salida y quién la va a ver. Un clip para redes, una demo de producto, un vídeo de formación y una prueba de cine son cuatro encargos distintos, y no hay herramienta que sea la mejor en los cuatro.

La segunda pregunta es si trabajas desde la UE. En este terreno eso cuenta más de lo habitual: en varios proveedores hay funciones y licencias que excluyen expresamente la Unión. Al final del artículo hay un apartado dedicado a ello.

Quién es quién en el otoño de 2026: dos capas, no las mezcles

La mayor parte de la confusión viene de llamar «herramienta de vídeo con IA» a dos cosas distintas. Está el modelo, que construye un laboratorio de investigación, y está la interfaz que tú abres. La mayoría de las interfaces hoy no ejecutan su propio modelo, sino el de otros, y dentro de una misma interfaz el modelo que elijas importa más que la interfaz en sí.

Los modelos

• Alibaba — Wan. Encabeza tanto la clasificación de texto a vídeo como la de edición, y da treinta segundos en una sola petición. Su versión de cabecera no se puede descargar; la publicación abierta va una generación por detrás.
• Google — Gemini Omni y Veo. Dos líneas distintas, y no están en el mismo sitio: Gemini Omni es segundo en la clasificación de texto a vídeo y Veo es decimoséptimo. Audio nativo, hasta 4K. La duración del clip es aquí la más corta.
• MiniMax — H3. Encabeza la clasificación de imagen a vídeo. El nombre Hailuo con el que se le conocía es hoy el de la aplicación móvil; el modelo es H3.
• ByteDance — Seedance. El otro de treinta segundos, y con el margen de referencias más generoso del campo.
• Kuaishou — Kling. Guion a nivel de plano, y traslada identidad y voz desde un vídeo de referencia.
• Lightricks — LTX. De pesos abiertos, con 4K nativo y audio sincronizado. Esta línea importa porque desde la UE también es utilizable por licencia.
• Vidu, PixVerse, Sand.ai, Skywork. Nombres menores, pero todos están en el top diez de las clasificaciones; Vidu, en concreto, para la generación basada en referencias con personaje consistente.
• SpaceXAI (antes xAI) — Grok Imagine. Disponible en las grandes plataformas agregadoras; su documentación dice con honestidad que lo que llaman generación desde texto es en realidad generación de imagen y luego de vídeo.
• OpenAI — Sora. Descontinuado. La interfaz de consumo en abril de 2026, el acceso para desarrolladores el 24 de septiembre de 2026. Se puede mencionar en pasado.

Las interfaces

• Higgsfield. No es un simple agregador: desarrolla también su propia familia de modelos —control de cámara, imagen con personaje consistente y storyboard— y junto a ello ejecuta buena parte de los modelos grandes. Su posicionamiento tira hacia la publicidad y el creativo de marca.
• Magnific (antes Freepik). Plataforma creativa completa: imagen, vídeo, audio y la antigua biblioteca de stock. Su lista de modelos es la más amplia y su precio es el más transparente: escribe, modelo por modelo, cuántos créditos cuestan cuántos segundos.
• Krea. Muchos modelos en una sola interfaz, con la cuota diaria gratuita más generosa.
• Runway. Hoy es más agregador que fabricante de modelos, pero su propio modelo de edición está también en la clasificación de edición. Desde el 8 de septiembre de 2026 tiene un complemento para el programa habitual de montaje y composición: la generación ocurre en la línea de tiempo, sin ida y vuelta de exportación.
• LTX Studio. Flujo de trabajo centrado en el storyboard: construye una secuencia de escenas, no un clip.
• Luma. Flujo de trabajo consistente con la marca, de tipo agente, con familia de modelos propia.
• Adobe Firefly. Posicionamiento de derechos limpios y el precio más transparente del lote: exactamente diez céntimos por segundo, sea cual sea el plan.
• CapCut, Canva, VEED, Kapwing, Descript, InVideo, Pika. El lado del editor y de las plantillas. Aquí la generación de vídeo es una función más, no el producto; a cambio, el resto del flujo de trabajo también está.

Y un aviso que se deduce solo: la lista de modelos de estas interfaces caduca en meses. En septiembre de 2026 varias interfaces seguían anunciando en su catálogo un modelo cuyo acceso para desarrolladores se cerró en diez días. Una lista de modelos es material de marketing, no una garantía.

Lo que dicen las clasificaciones — y en qué no coinciden

Existe una arena basada en votos humanos a ciegas que mantiene tres listas separadas: texto a vídeo, imagen a vídeo y edición. Las tres no tienen el mismo modelo en cabeza, y eso es lo más útil que puede enseñarte una clasificación.

Dos cosas destacan aquí, y ninguna es la que esperarías.

La primera: la cabeza del campo es china. En el top diez de la lista de texto a vídeo, Alibaba aparece con tres modelos, MiniMax con dos, ByteDance y Sand.ai con uno cada uno; modelo occidental hay exactamente uno, la línea Gemini Omni de Google. Veo es el decimoséptimo. Quien imagina la línea de vídeo de Google en la cima está pensando en realidad en Gemini Omni, no en Veo.

La segunda: el primer puesto no es estadísticamente nítido. Entre los cuatro primeros modelos hay solo diecisiete puntos de diferencia, y los intervalos de confianza se solapan en buena parte. Quien elige «el modelo que encabeza la clasificación» está pagando por una diferencia que cabe dentro del margen de error.

Y en la lista de edición conviene saber que solo hay nueve modelos clasificados. El proveedor más famoso precisamente por la edición es solo el séptimo incluso en esa lista corta, lo que significa que la respuesta correcta a «cuál es el mejor» es en qué tarea.

Y un caso instructivo sobre el ritmo: en diciembre de 2025 un proveedor anunciaba su nuevo modelo alegando que era el primero de la clasificación. Hoy ese mismo modelo no está en el top diez, y el producto del competidor al que ganaba en el anuncio ya ni siquiera existe.

Nueve tareas, nueve recomendaciones

• Un clip social, rápido. Cualquier agregador —Krea, Magnific, CapCut— con audio nativo. Ocho segundos sobran, y aquí es donde menos se juega en la elección del modelo.
• Una escena más larga con menos cortes. El modelo de treinta segundos de Alibaba o de ByteDance. Es la mayor diferencia práctica del campo.
• Un personaje recurrente, una serie. ByteDance por su margen de referencias, Kuaishou por el traslado de identidad desde un vídeo de referencia, o Vidu, que se construyó justo para esto: los detalles los describe la consistencia de personajeen un texto propio.
• Editar y arreglar material existente. La cabeza de la clasificación de edición o el modelo de edición de Runway, y atención a la restricción de la UE en los vídeos subidos.
• Flujo de trabajo de cine, dentro del programa de montaje. El complemento de Runway, desde septiembre de 2026. Un límite importante: existe solo para los dos programas de Adobe, no para el resto del software habitual de montaje y composición.
• Una secuencia completa de escenas desde un storyboard. LTX Studio se construyó para eso, y la línea de storyboard de Higgsfield apunta a lo mismo. Aquí no decide la calidad del clip, sino si las escenas encajan entre sí.
• Un anuncio desde una foto o un enlace de producto. Aquí la respuesta no es la escena generativa, sino el creador de anuncios específico: Creatify construye vídeo a partir de un enlace de producto y HeyGen trabaja con emplazamiento de producto. Otra categoría, otra lógica de precio.
• Vídeo formativo, formación interna. Un avatarde cabeza parlante, no una escena generativa, y la diferencia de precio es de un orden de magnitud. De eso trata en detalle el vídeo con avatar para empresas , que lo desmenuza.
• Remontar vídeo existente, subtítulos, de largo a corto. Descript edita desde la transcripción y Kapwing subtitula y corta. De descomponer el material largo habla los clips cortos, otra entrada del blog.

Y dos situaciones que no resuelves con una herramienta, sino con una decisión. Si no hay presupuesto: Krea da una cuota diaria, Runway y LTX un crédito de entrada de una sola vez, Kapwing un plan gratuito con marca de agua; sirven para probar, no para producir en serie. Si el dato no puede salir: queda la línea de pesos abiertos, con sus licencias, a la que dedicamos una sección más abajo.

Los precios: dos lógicas completamente separadas

En la interfaz para desarrolladores es por segundo, y la horquilla es de diez a uno.

• La salida más barata son cinco céntimos por segundo.
• La categoría media ronda los diez a veinte céntimos.
• La salida 4K de gama alta son sesenta céntimos con audio: cuarenta sin él, y treinta en la variante rápida.
• El vídeo con avatar en esa misma interfaz son diez céntimos por segundo.

Un clip de ocho segundos puede costar, por tanto, desde cuarenta céntimos hasta cinco dólares, por los mismos ocho segundos. Y como suele salir aprovechable uno de cada tres clips, multiplica el coste real por tres.

En las interfaces, en cambio, hay créditos, y allí no decide la interfaz, sino el modelo. Dentro de una misma suscripción, con la misma bolsa de créditos, el precio efectivo por segundo va de tres céntimos a cincuenta y siete, solo según qué modelo pulses. Es una horquilla mayor que la diferencia de precio entre interfaces. Es decir, la pregunta no es a qué interfaz te suscribes, sino qué modelo usas dentro.

Y una lección que va contra la intuición: en el plan de suscripción más alto la interfaz puede salir más barata que el acceso de desarrollador en crudo, para el mismo modelo y la misma salida. Quien piensa solo en clave de API sobreestima el coste.

Y el avatar de cabeza parlante es una categoría de precio aparte. Allí la tarifa por segundo en suscripción son unos tres céntimos, un orden de magnitud por debajo de la escena generativa. Si la tarea es un vídeo formativo, ni merece la pena pensar en el precio de los modelos generativos: estás buscando otro producto.

La letra pequeña legal

Esta es la parte que se suele saltar, y es la que más caro sale saltarse.

• Las condiciones pueden contradecirse entre sí. En un proveedor, las condiciones generales supeditan el uso comercial a un permiso por escrito, mientras que las condiciones de facturación dicen que para los suscriptores no hay restricción. La lectura sensata: con cuenta gratuita no, con suscripción sí — pero conviene aclararlo por escrito si hay algo en juego.
• El tiempo de conservación de la salida cambia según el plan y el proveedor. Según la documentación para desarrolladores de Google, el vídeo generado se borra a los dos días de sus servidores; en otros sitios son al menos siete. Si no lo descargas, no lo tienes.
• El plan gratuito rara vez da derechos comerciales. Ya pasaba en la generación de imágenes, y aquí no es distinto.
• La disponibilidad en la UE varía función por función. No es que el proveedor esté disponible o no, son las capacidades una por una.

La línea de pesos abiertos, más estrecha desde la UE

Esta es la parte del terreno que más se cita mal, y para 2026 se ha estrechado, no ensanchado.

El modelo que encabeza la clasificación no se puede descargar. El modelo de cabecera de Alibaba no tiene versión abierta; la publicación pública va una generación por detrás, con licencia Apache. Quien crea que puede ejecutar en casa el modelo de cabecera se equivoca.

Dos licencias abiertas extendidas excluyen expresamente a la Unión. La licencia de Hunyuan, de Tencent, define el territorio de modo que la UE, el Reino Unido y Corea del Sur quedan fuera, y escribe en mayúsculas que la licencia no se aplica allí. La licencia comunitaria de MiniMax H3 es todavía más estrecha: junto a la UE, el Reino Unido y Corea del Sur, los territorios excluidos incluyen también Estados Unidos, y por encima de veinte millones de dólares de ingresos anuales hace falta permiso aparte. Eso duele, porque MiniMax H3 encabeza la clasificación de imagen a vídeo: el mejor modelo de esa categoría no es utilizable desde la UE con pesos abiertos.

Desde la UE hoy se pueden usar limpiamente dos grandes modelos de vídeo: una publicación de Alibaba de una generación atrás con licencia Apache, y la línea LTX, gratuita hasta diez millones de dólares de ingresos anuales. Lee la licencia antes de descargar, no después.

Cómo elegir

1. Escribe TRES encargos reales que harías el mes que viene.
   No "vídeos" — en concreto: clip de producto de 15 s, entradilla
   de un vídeo de formación, imagen en movimiento para redes.

2. Mira para cuál de ellos HACE FALTA un clip de más de 8 s.
   Si hace falta, eso reduce el pelotón a dos proveedores.

3. Mira si trabajas con vídeo SUBIDO (edición, extensión).
   Desde la UE ese es el cuello de botella más estrecho.

4. Pasa los mismos tres encargos por dos herramientas, 3 intentos cada una.
   No mires el más bonito: mira CUÁNTOS DE CADA NUEVE sirven.

5. Lee la parte de propiedad y de conservación de las condiciones.
   Cinco minutos, y es lo que más daño hace cuando se salta.

Malentendidos habituales

• «El modelo que encabeza la clasificación es la mejor elección.» Dos listas, dos órdenes, y el orden de edición es otro distinto. Decide el encargo.
• «Si es de pesos abiertos, lo ejecuto en casa y lo uso libremente.» Los modelos punteros son cerrados, y dos licencias abiertas muy extendidas excluyen expresamente la UE.
• «Lo que importa es la interfaz.» La mayoría de las interfaces ejecutan los mismos modelos. Dentro de una misma suscripción, la elección del modelo produce una diferencia de precio de veinte veces, mayor que la que hay entre interfaces.
• «El modelo más caro es proporcionalmente mejor.» Con una diferencia de precio de diez a uno, la de calidad no es de diez a uno — lo que más cambia es la resolución y la duración.
• «Lo que el año pasado era lo mejor, sigue estando bien.» En este mercado el pelotón se renueva en nueve meses, y hay productos que desaparecen.

Lo que conviene llevarse

No busques la mejor herramienta, busca la que resuelve tus tres encargos con más fiabilidad — y toma la decisión con la pregunta «cuántos de cada nueve salen aprovechables». Dedica cinco minutos a las condiciones, y si trabajas desde la UE, comprueba la disponibilidad función por función. Sobre el trasfondo de las capacidades y los límites, Cómo funciona el vídeo con IA es por donde empezar, del sonido se ocupa Native audio en el vídeo con IA , y de lo que hoy se puede corregir habla Editar vídeo con IA , un artículo aparte. La misma decisión para la generación de imágenes la recorre Cómo elegir una herramienta de imagen con IA , ya en otra categoría.