Cómo funciona el vídeo con IA y qué no puede hacer todavía

Qué pasa cuando pides un vídeo

Un modelo de vídeo no dibuja frames uno detrás de otro. Trata el clip entero de golpe: existe un espacio comprimido, «latente», en el que la imagen y el tiempo están presentes juntos, y el modelo hace el denoising dentro de ese espacio, igual que los modelos de imagen pero con una dimensión más. Por eso no puedes «continuar» un clip terminado como continuarías una frase: el modelo tiene que planificar todo el tramo de una vez.

De ahí sale la limitación más importante de todas. La duración del clip no es un ajuste, es un techo que viene de cómo está construido el modelo. Si pides más de aquello para lo que se entrenó, no sale más lento: no sale. Por eso hoy todo vídeo con IA largo se arma con clips cortos, y por eso montar un minuto con clips de ocho segundos tiene su propio artículo.

Lo que sabe hacer hoy

El campo se mueve rápido, pero los órdenes de magnitud son estables. Estas cifras son de septiembre de 2026 y salen de la documentación de los fabricantes.

• Duración del clip: los modelos de amplia disponibilidad dan de cuatro a ocho segundos por petición. Los dos que van en cabeza llegan a treinta segundos, el mayor salto del último año.
• Resolución: 720p en todas partes, 1080p en casi todas, 4K en un solo proveedor y allí solo en el clip más largo.
• Frames por segundo: 24 fps es lo estándar. No es casualidad: se lee como cine y hay menos frames que inventar.
• Sonido: en los modelos punteros viene de serie, no es un paso aparte. Hace un año no era así, y es lo que hizo que el vídeo corto fuera utilizable siquiera.

La duración que de verdad tienes

Hay una trampa en la que es fácil caer. Varios proveedores tienen una función de «extensión» que continúa un clip terminado, con lo que parece que los ocho segundos no fueran un límite real. Pero la extensión también tiene su propio techo, y es sorprendentemente bajo: en uno de los grandes proveedores son treinta y siete segundos en total, y solo en 720p. Dicho de otro modo, una cadena de clips no llega al minuto.

Lo otro es que la extensión no sale gratis en calidad. Los propios fabricantes describen los efectos secundarios: en uno de ellos, el texto del prompt que no encaja «puede provocar un corte o un fundido»; en otro, la parte extendida suena a un volumen distinto del original y la salida puede quedar unas décimas de segundo más corta de lo pedido. No son fallos: son lo que el método trae consigo.

Lo que todavía no sale

Cinco cosas en las que flojea el campo entero: no un modelo u otro, sino todos.

• Física. Los objetos se atraviesan, el líquido se comporta mal, la masa no pesa. Una medición hecha justo para esto lo afirma en una publicación revisada por pares: el realismo visual no equivale a comprensión física.
• Continuidad entre cortes. Si el mismo personaje sale en dos clips, en el segundo aparecerá otro. Hay un artículo aparte sobre esto, porque método sí hay.
• Texto en la imagen. El mismo problema que en las imágenes fijas, solo que en movimiento canta más: el rótulo cambia de frame en frame.
• Manos y caras en primer plano. De lejos bien, de cerca todavía no.
• Previsibilidad. El mismo prompt lanzado dos veces da dos vídeos distintos. Hay seed, pero uno de los fabricantes escribe literalmente esto: «no garantiza el determinismo, solo lo mejora ligeramente».

El idioma del que nadie habla

Esta sección importa más cuanto más se aleja tu público del inglés. Uno de los mayores proveedores escribe una sola palabra en el campo «idiomas de prompt soportados» de su documentación: inglés. Y entre las limitaciones deja dicho que los demás idiomas no se han evaluado. La traducción práctica es que el prompt es más seguro escribirlo en inglés, aunque el vídeo sea para público hispanohablante.

Con el sonido nativo el margen se estrecha aún más. Las listas de idiomas de los grandes modelos tienen cinco y once entradas respectivamente, y se refieren al habla, no al ruido ambiente. Como son tan cortas, comprueba la lista en el modelo concreto antes de contar con voz generada: si el idioma que necesitas no aparece, genera la escena en silencio y pon la voz después con un proveedor de audio aparte, que es de lo que trata la locución con IA , un artículo dedicado a ese final del proceso.

Cuánto cuesta

Los precios van por segundo, y la horquilla del campo es de diez a uno.

• Los modelos rápidos más baratos están en torno a cinco centavos por segundo.
• La categoría media va entre diez y veinte centavos.
• La salida más cara, la de 4K, cuesta sesenta centavos por segundo: un clip de ocho segundos sale casi a cinco dólares.
• El tiempo de generación, según los datos del fabricante, va de once segundos a seis minutos por clip.

Echa la cuenta: el coste bruto de generación de un vídeo de un minuto de calidad media ronda los diez dólares, y eso cubre solo los clips que salieron bien. El coste real hay que leerlo junto con los intentos que tiraste a la papelera.

Por qué este artículo caduca rápido

Un caso concreto enseña bien el ritmo. En diciembre de 2025 un proveedor anunció su nuevo modelo presumiendo de ir primero en una clasificación independiente. Nueve meses después ese mismo modelo no está entre los diez primeros, y el producto rival al que ganaba en el anuncio ya ni siquiera existe: lo retiraron.

Por eso no compensa memorizar números de versión en este terreno. Lo estable: el mecanismo, el tipo de límites y el flujo de trabajo. Lo que no: los nombres, las cifras y el ranking. Sobre qué herramienta sirve hoy para qué, el artículo cómo elegir una herramienta de vídeo con IA ofrece una foto fija que se actualiza cada trimestre.

Malentendidos habituales

• «Ya se pueden hacer películas con esto.» Escenas, sí. Película sale de ahí cuando alguien la monta, y ese trabajo es mayor que el de generar.
• «La extensión resuelve la duración.» No: también tiene techo, y la calidad se degrada por el camino.
• «Con un buen prompt sale lo que tenía en la cabeza.» En vídeo la dispersión es mucho mayor que en imagen. Tres o cuatro intentos es lo normal, no una señal de fracaso.
• «Si el chatbot entiende mi idioma, el modelo de vídeo también.» El codificador de texto del modelo de vídeo es otro, y los fabricantes evaluaron explícitamente solo el inglés.

Lo que conviene llevarse

En 2026 el vídeo con IA es una fábrica de escenas cortas, no un estudio de cine. Si trabajas con eso en la cabeza — piezas de ocho a treinta segundos, prompt en inglés, pista de audio aparte donde haya voz, montaje al final —, sacas material utilizable. Si esperas un vídeo terminado de una sola petición, te vas a llevar un chasco. La primera decisión de todas es si arrancas desde texto o desde imagen, y text-to-video o image-to-video es el artículo que pone los dos caminos frente a frente.