Video-Generation
Categoría: vision modelos locales nube
Definición
Modelos generativos espacio-temporales capaces de sintetizar clips de video coherentes (con física, movimiento de cámara y sincronización de audio en generaciones recientes) a partir de texto (Text-to-Video), una imagen inicial (Image-to-Video, el flujo más controlado en producción) o video existente (Video-to-Video).
Puntos clave
- Principales modelos locales (Pesos Abiertos en ComfyUI):
- Wan (
Wan 2.1/Wan 2.2, Alibabá): Líder indiscutible en video abierto local. Incluye variantes densas y MoE (1.3Bque corre en 8 GB de VRAM, y14Bde calidad cinematográfica que corre en 12–24 GB cuantizado aFP8o GGUF con Block Swapping). Soporta T2V, I2V y control por pose/profundidad. - HunyuanVideo (Tencent): Modelo abierto de 13B parámetros con física realista y excelente iluminación; ampliamente soportado en ComfyUI con cuantización
FP8y LoRA de aceleración (TeaCache / SageAttention). - LTX-Video (
LTX-2, Lightricks): Modelo abierto diseñado para velocidad extrema en tiempo real (genera clips en segundos sobre GPUs de consumo de 8–16 GB de VRAM) con soporte de fotogramas clave (keyframes) y audio sincronizado. - CogVideoX / Mochi 1 (Genmo): Pioneros abiertos basados en DiT 3D que sentaron las bases de la generación temporal en local.
- Wan (
- Principales modelos y APIs en la Nube (Cerrados):
- Veo (
Veo 2/Veo 3, Google): Referente en coherencia física, resolución 4K, control cinematográfico y generación nativa de audio/diálogos sincronizados vía Gemini API / Vertex AI. - Sora (
Sora 2, OpenAI): Modelo de frontera en simulación física y generación narrativa multi-escena. - Kling (
Kling 2.x, Kuaishou): Una de las APIs comerciales más utilizadas en producción por su estabilidad en movimiento humano, lip-sync y control de trayectoria de cámara. - Runway (
Gen-4) / Hailuo (MiniMax) / Seedance (ByteDance): APIs líderes en producción audiovisual rápida, consistencia de personajes entre planos y transferencia de movimiento.
- Veo (