Los mejores modelos de IA para generar vídeo en 2026

La generación de vídeo con IA en 2026 ha pasado de demo tecnológica a herramienta práctica. Los modelos punteros sacan 1080p o 4K con diálogo sincronizado con los labios, mantienen la identidad de los personajes entre varios planos y ya producen clips de 20-30 segundos en una sola pasada. La pregunta ya no es si todo esto sirve para proyectos reales, sino qué modelo encaja con cada trabajo.

Lo que significa “el mejor” aquí depende de lo que estés haciendo. Un modelo que encabeza un benchmark de calidad general rara vez es la elección correcta para diálogo hablado, flujos de color HDR, clips verticales para redes o uso comercial con self-hosting. Así que esto no es una clasificación única: es una lista corta y práctica de modelos alojados por los que merece la pena pagar, modelos de pesos abiertos que vale la pena ejecutar por tu cuenta y una serie de menciones honoríficas. Cada entrada cubre lo que el modelo hace bien, dónde se queda corto y su precio actual.

Las recomendaciones de abajo están fechadas el 12 de octubre de 2026. El verano cambió mucho las cosas: Wan 3.0 de Alibaba y Seedance 2.5 de ByteDance se hicieron con lo más alto de la clasificación, Google convirtió Gemini Omni Flash en su modelo de vídeo por defecto, MiniMax publicó unos pesos abiertos muy sólidos y la API de Sora de OpenAI cerró. Todo lo relacionado con benchmarks (posiciones Elo de Artificial Analysis, números de versión, orden de la clasificación) sigue moviéndose rápido, así que tómalo con la vida media habitual de un ciclo de lanzamientos de IA.

Tabla comparativa (a octubre de 2026)

Lo que ha cambiado de verdad desde mayo

El eje interesante ya no es la resolución: todos los modelos serios hacen 1080p y varios llegan a 4K. Lo que sí se ha movido:

• La clasificación se rehízo y se reordenó. Artificial Analysis mantiene ahora una tabla v2.0 de texto a vídeo cuya escala Elo está fijada para que Kling 3.0 1080p (Pro) quede exactamente en 1,000, así que las puntuaciones de principios de año, incluidas las de la versión de mayo de este artículo, no son comparables. En la nueva tabla, Wan 3.0 lidera con audio (1,156 a 12 de octubre) y sin audio (1,128 en la última comprobación, el 2 de octubre), seguido de Utopai X (un derivado de MiniMax H3), Seedance 2.5 y el propio MiniMax H3. Seedance 2.0 y HappyHorse 1.0, los dos líderes de mayo, están ahora en los puestos #7 y #14.
• Los clips se alargaron. Wan 3.0 y Seedance 2.5 generan 30 segundos en una sola pasada, Ray3.2 y LTX-2.5 llegan a 20, y Kling 4.0 se ha anunciado con 3-30 segundos. Ocho segundos más empalmes es ahora lo mínimo.
• El diálogo sincronizado es lo normal. Wan 3.0, Seedance, Kling 3.0, HappyHorse, MiniMax H3, Omni Flash, Veo 3.1 y LTX-2.5 generan voz junto con el vídeo. Las diferencias están ahora en la cobertura de idiomas (MiniMax H3 indica 11 idiomas de diálogo, Kling 3.0 cinco) y en la calidad de la sincronización labial.
• Las entradas de referencia no paran de crecer. Seedance 2.5 acepta hasta 30 imágenes, 10 clips de vídeo y 10 clips de audio por generación; Wan 3.0 admite hasta 20 referencias; MiniMax H3 acepta 9 imágenes, 3 clips y 3 clips de audio. Si quieres el mismo personaje en varios planos, este es el camino actual.
• El HDR ya no es exclusivo de Luma. Ray3 introdujo el HDR nativo de 16 bits y Ray3.2 lo mantiene con exportación a EXR, pero Ruby de Runway ya convierte cualquier vídeo SDR a HDR, y Kling 4.0 se ha anunciado con salida HDR de 10 bits.
• Los pesos abiertos subieron en la tabla. MiniMax H3 es #4 con audio, el primer modelo de pesos abiertos en el grupo de cabeza, y LTX-2.5 ofrece 4K más audio. La pega es la licencia: H3 excluye EE. UU., la UE, Reino Unido y Corea del Sur, LTX solo es gratis por debajo de $10M de ingresos, y Alibaba dejó de publicar pesos de Wan después de la 2.2.
• OpenAI abandonó la generación de vídeo. La app de Sora se discontinuó el 26 de abril de 2026, y los modelos Sora 2 y la Videos API cerraron el 24 de septiembre de 2026. OpenAI no indica ningún sustituto directo.

Los modelos alojados por los que merece la pena pagar

Ordenados más o menos por su posición actual en Artificial Analysis, con algo de peso para la capacidad práctica. Los precios varían en un orden de magnitud entre unos y otros. Una de las entradas (Renderforest) es una herramienta para crear anuncios, no un modelo fundacional, y ni siquiera aparece en la clasificación: está incluida porque resuelve un trabajo que los demás modelos no resuelven.

1. Wan 3.0 (Alibaba)

Wan 3.0 entró en beta el 6 de agosto de 2026 y llegó a disponibilidad general en Alibaba Cloud el 24 de agosto. Ahora es #1 en la tabla de texto a vídeo de Artificial Analysis tanto con audio (1,156) como sin él (1,128), y #6 en imagen a vídeo con audio. El salto respecto a Wan 2.7 tiene que ver sobre todo con la duración y las referencias: una sola generación llega ahora a 30 segundos (la 2.7 se quedaba en 15), a 30fps y en 480p, 720p o 1080p, con diálogo, música de fondo y efectos de sonido generados de forma nativa, y acepta hasta 20 entradas de referencia multimodales.

Una cosa que conviene saber antes de planificar con él: a diferencia de Wan 2.1 y 2.2, ni Wan 2.7 ni Wan 3.0 tienen pesos abiertos. Los dos son modelos alojados en Alibaba Cloud Model Studio y en la web de Wan. Si necesitas la línea Wan en tu propio hardware, Wan 2.2 (más abajo) es la versión abierta más reciente.

Características principales de Wan 3.0:

• #1 en AA en texto a vídeo con audio y sin audio
• Clips de 30 segundos en una sola pasada a 30fps, hasta 1080p
• Audio nativo - diálogo, música de fondo y efectos de sonido
• Hasta 20 entradas de referencia entre imágenes, vídeo y audio
• Extensión de vídeo y recomendación inteligente de duración integradas

Precio de Wan 3.0:

Se factura por segundo generado en Alibaba Cloud: $0.05 a 480p, $0.10 a 720p y $0.20 a 1080p, con una oferta de lanzamiento por tiempo limitado al llegar a disponibilidad general.

2. ByteDance Seedance 2.5 (y 2.0)

Seedance 2.5 salió el 31 de julio de 2026 y ocupa el puesto #3 en la tabla con audio (1,143). Destacan dos cambios. Genera clips de audio y vídeo de 30 segundos y buena calidad en una sola pasada, con varias rondas de extensión despues. Y acepta muchas más referencias por generación: hasta 30 imágenes, 10 clips de vídeo y 10 clips de audio, con nuevos tipos de referencia como renders de arcilla y referencias de movimiento. La salida es de 480p, 720p o 1080p, de 4 a 30 segundos.

Seedance 2.0 (12 de febrero de 2026), que lideraba la tabla en mayo, sigue en el #7 y sigue siendo una buena opción: clips multiplano de 4-15 segundos con audio, referencias de hasta 9 imágenes, 3 clips y 3 archivos de audio, y salida de hasta 4K con color de 10 bits a través de BytePlus, además de las variantes más rápidas “2.0 fast” y “2.0 mini”. Los dos modelos están disponibles en las apps Jimeng y Doubao de ByteDance y, para desarrolladores, a través de la API BytePlus ModelArk, que no se ofrece en Estados Unidos. Runway también ofrece Seedance dentro de su app fuera de EE. UU.

Características principales de Seedance 2.5:

• #3 en AA con audio en la tabla v2.0
• Clips de 30 segundos en una pasada, ampliables en varias rondas
• 30 imágenes + 10 clips de vídeo + 10 clips de audio como referencias por generación
• De 480p a 1080p, de 4 a 30 segundos
• Seedance 2.0 sigue disponible para salida 4K y variantes “fast” y “mini” más baratas

Precio de Seedance:

Se cobra por uso en BytePlus ModelArk y va incluido en las suscripciones de Jimeng y Doubao en China. ByteDance no publica una tarifa única para Occidente, así que revisa la consola para tu región.

3. Google Gemini Omni Flash y Veo 3.1

La gama de vídeo de Google cambió de forma este año. Gemini Omni Flash, anunciado el 19 de mayo de 2026 como “un modelo que puede crear cualquier cosa a partir de cualquier entrada, empezando por el vídeo”, es ahora el modelo que la documentación de la API de Google recomienda por defecto para generar vídeo, con la versión 1.1 publicada en agosto. Acepta texto, imágenes, vídeo y audio como entrada, genera clips de 3-10 segundos a 24fps desde 360p hasta 4K con audio nativo, y tambien se encarga de editar y extender vídeo. Omni Flash 1.1 está empatado en el #7-8 de la tabla de texto a vídeo con audio (1,113) y le va mejor en imagen a vídeo, donde es #3 con audio y #1 sin él.

Veo 3.1 (lanzado en octubre de 2025) es ahora el especialista: la documentación de Google lo recomienda para extender escenas, controlar el último fotograma y mantener pipelines ya existentes. “Ingredients to Video” acepta hasta tres imágenes de referencia para mantener estable un personaje o un producto entre planos, las duraciones son de 4, 6 u 8 segundos, y la API genera 720p, 1080p o 4K directamente (el 4K no está disponible en Veo 3.1 Lite). Ha caído al #18 en la nueva tabla (965). Todos los vídeos de Veo llevan una marca de agua SynthID.

Los dos están disponibles en la app de Gemini, en Flow, en la API de Gemini y en Vertex AI.

Características principales:

• Omni Flash: modelo de vídeo con cualquier entrada - texto, imagen, vídeo y audio de entrada; clips de 3-10 s con audio, hasta 4K
• Omni Flash: edición y extensión en el mismo modelo
• Veo 3.1: referencia con tres imágenes (Ingredients to Video) para mantener la consistencia entre planos
• Veo 3.1: 4K nativo en la API, además de extensión de escenas y control del último fotograma
• Niveles Lite, Fast y Standard en Veo 3.1
• Marca de agua SynthID en todo lo que genera Veo

Precio:

En la API de Gemini, Veo 3.1 Standard cuesta $0.40 por segundo a 720p o 1080p y $0.60 a 4K; Veo 3.1 Fast cuesta $0.10-$0.30; Veo 3.1 Lite, $0.05 a 720p y $0.08 a 1080p. Omni Flash se factura por token en vez de por segundo. Para usuarios finales, el vídeo viene incluido en los planes de Google AI (Plus, Pro, Ultra 5x y Ultra 20x); en Flow, un vídeo de Veo cuesta 10 (Lite), 20 (Fast) o 100 (Standard) créditos, y Google AI Pro incluye 1,000 créditos extra.

4. Kling 3.0 (Kuaishou)

Kling 3.0 salió el 4 de febrero de 2026 para sustituir a Kling 2.6, primero como acceso anticipado para los suscriptores Ultra. Subió la duración de los clips a 15 segundos, introdujo la generación nativa en 4K (SDR de 8 bits) y genera voz en cinco idiomas: chino, inglés, japonés, coreano y español. Audio y vídeo salen de una sola pasada, así que el diálogo, los efectos de sonido y el sonido ambiente quedan sincronizados. La adopción es enorme: Kuaishou informó de más de 60 millones de creadores y 600 millones de vídeos generados desde que Kling se lanzó a mediados de 2024.

En la tabla v2.0, Kling 3.0 1080p (Pro) es literalmente el punto de referencia, con 1,000 de Elo, y la variante Omni queda justo por encima con 1,017, así que ya no está cerca de lo más alto. La noticia más interesante es Kling 4.0: Kuaishou dice que “se lanzará oficialmente en octubre”, y Kling 4.0 Flash se abrió a un grupo limitado de usuarios con acceso anticipado el 28 de septiembre de 2026, anunciado con clips de 3-30 segundos, hasta 4K, audio estéreo y salida HDR de 10 bits.

Características principales de Kling 3.0:

• 4K nativo - generación 4K real, no reescalado
• Clips de 15 segundos - frente a los 10 segundos de la 2.6
• Generación conjunta de audio y vídeo - diálogo, efectos y sonido ambiente en una pasada
• Voz en cinco idiomas - chino, inglés, japonés, coreano y español
• Texto a vídeo, imagen a vídeo, storyboard multiplano y generación basada en referencias
• Escala - más de 60M de creadores y más de 600M de vídeos generados desde 2024

Precio de Kling 3.0:

Plan gratuito con generaciones diarias limitadas. Los planes de pago añaden capacidad y procesamiento prioritario. Disponible a través de la plataforma web kling.ai y de su API.

5. Generador de anuncios con IA de Renderforest

El generador de anuncios con IA de Renderforest es la entrada rara de esta lista: no es un modelo fundacional, no está en la tabla de Artificial Analysis y tampoco pretende estarlo. Es un creador de anuncios basado en plantillas con un paso de generación pegado delante. Describes el producto, el servicio o la campaña, y monta un vídeo promocional (imágenes, animación, texto en pantalla, música) que después editas en lugar de volver a escribir el prompt.

Esa diferencia es justo la razón para usarlo. Pídele un anuncio a Veo o a Kling y obtienes metraje; todavía tienes que montarlo, meter el logo, elegir una pista de música y exportar en tres relaciones de aspecto. Renderforest parte de algo que ya tiene forma de anuncio y te deja poner tu propio logo, colores de marca, tipografías y locución antes de exportar. Forma parte de la suite de Renderforest, así que un kit de marca configurado una vez se aplica en todos tus proyectos.

La contrapartida es la de cualquier sistema de plantillas: eliges de una biblioteca en lugar de generar desde cero, así que el techo de originalidad queda muy por debajo de cualquier otra opción de esta sección. Si quieres un plano concreto, esta no es la herramienta. Para startups, ecommerce y equipos SaaS que publican anuncios para redes con un calendario fijo, ese techo rara vez molesta: es la misma razón por la que la gente tira de Canva en lugar de Illustrator.

Características principales del generador de anuncios con IA de Renderforest:

• De un prompt de texto a un anuncio terminado - describes la campaña y recibes un vídeo promocional ya montado
• Kit de marca - logo, colores, tipografías y locución aplicados sobre cualquier plantilla
• Biblioteca de plantillas y stock - animaciones, metraje y música con los que construir
• Ajustes de exportación por plataforma - relaciones de aspecto para YouTube, Instagram, TikTok y Facebook
• En el navegador - nada que instalar, sin GPU
• Resultado editable - el vídeo generado es un punto de partida, no un render cerrado

Precio del generador de anuncios con IA de Renderforest:

Hay plan gratuito. Los planes de pago mejoran la calidad de exportación y la duración del vídeo, añaden créditos de IA y desbloquean las opciones avanzadas de marca y el resto de herramientas creativas.

6. HappyHorse 1.1 (Alibaba)

HappyHorse apareció en la arena de Artificial Analysis en abril de 2026 y llegó a liderarla durante un tiempo: a finales de mayo, HappyHorse 1.0 era #1 sin audio y un #2 muy ajustado con audio. Lo desarrolló la unidad de negocio Token Hub (ATH) de Alibaba, que lo lanzó en beta limitada el 27 de abril y lo describe como capaz de generar hasta 15 segundos de vídeo a 1080p con varios planos y diálogo con sincronización labial. Está disponible en la web de HappyHorse, en Alibaba Cloud Model Studio y en la app de Qwen, además de en fal, donde salió el 26 de abril a $0.14 por segundo a 720p y $0.28 por segundo a 1080p.

HappyHorse 1.1 llegó en junio con mejor consistencia de personajes, movimiento y calidad visual. En las tablas actuales es #12 en texto a vídeo con audio y rinde mejor en imagen a vídeo, donde es #7 con audio. Alibaba no ha publicado detalles de su arquitectura (número de parámetros, número de capas), así que toma con cautela las cifras que veas en webs de terceros.

Características principales de HappyHorse 1.1:

• Hasta 15 segundos a 1080p con varios planos
• Diálogo con sincronización labial y sonido en una pasada
• Modos de texto a vídeo, imagen a vídeo y referencia a vídeo
• Acceso amplio - API de fal, Model Studio, app de Qwen y happyhorse.com

Precio de HappyHorse:

Precio por segundo en fal y en Alibaba Cloud Model Studio; consulta al proveedor las tarifas actuales de la 1.1.

7. Runway Gen-4.5

Runway Gen-4.5 fue #1 en la clasificación Text-to-Video de Artificial Analysis cuando salió en diciembre de 2025, con 1,247 de Elo en la escala antigua. No lo ha sustituido ningún Gen-5, y en las tablas actuales es un modelo mudo (sin audio nativo) en el puesto #23 de la tabla de texto a vídeo sin audio. Las duraciones son de 2-10 segundos a 720p. Runway ya no entra en la lista por su calidad de generación pura; entra por el conjunto de herramientas que rodea a la generación.

Tres cosas sostienen eso. Aleph 2, lanzado en mayo de 2026, edita y cambia el estilo de metraje existente a partir de prompts de texto, y ahora funciona en un panel de Runway dentro de Adobe Premiere Pro y After Effects. Ruby, añadido en agosto, convierte cualquier vídeo SDR a HDR, incluido lo que genera Gen-4.5 y el metraje de otros modelos. Y Runway ofrece ahora modelos de otros laboratorios, como Seedance, Kling y Veo, dentro de la misma app, así que puedes generar con uno y rematar con las herramientas de Runway. Gen-4.5 es además la base de GWM-1, el General World Model de Runway para mundos interactivos en tiempo real, avatares y robótica.

Una corrección respecto a versiones anteriores de este artículo: Motion Brush pertenece al modelo Gen-2, ya obsoleto, y no está disponible en Gen-4.5.

Características principales de Runway Gen-4.5:

• Consistencia de escena - una imagen de referencia mantiene coherentes personajes y objetos entre planos
• Aleph 2 - edición de vídeo existente a partir de prompts
• Ruby - conversión de SDR a HDR para cualquier clip
• Modelos de terceros - Seedance, Kling, Veo y otros en el mismo espacio de trabajo
• Gen-4 Turbo - más o menos la mitad de coste en créditos para iterar
• GWM-1 - modelo de mundo interactivo en tiempo real construido sobre Gen-4.5

Precio de Runway Gen-4.5:

El plan Standard cuesta $12/mes con facturación anual ($15 con facturación mensual). La página de precios de Runway equipara esos créditos a unos 52 segundos de Gen-4.5 o 104 segundos de Gen-4 Turbo, y por eso Turbo es la opción por defecto sensata para prototipar. El acceso por API tiene precios aparte.

8. Luma Ray3.2

Luma Ray3 (18 de septiembre de 2025) fue el primer modelo de vídeo con IA en generar HDR nativo de 16 bits, exportado como EXR para pipelines de color profesionales. Luma ha iterado rápido desde entonces. Ray3.14 (26 de enero de 2026) hizo la generación a 720p 4 veces más rápida y 3 veces más barata, y amplió Modify Video a 18 segundos. Ray3 Modify (diciembre de 2025) edita metraje real de actores, con control del fotograma inicial y final para movimientos de cámara más largos.

El modelo principal actual es Ray3.2, lanzado el 9 de junio de 2026. Genera clips de hasta 20 segundos a 1080p, acepta hasta 16 fotogramas clave para controlar fotograma a fotograma cómo se mueve la acción, mantiene la generación HDR nativa con salida EXR de 16 bits y es el primer modelo Ray con todos sus controles disponibles en una API pública. El HDR ya no es exclusivo de Luma (Ruby de Runway convierte a HDR y Kling 4.0 se ha anunciado con HDR), pero Ray3.2 sigue siendo el modelo construido alrededor de él.

Características principales de Luma Ray3.2:

• HDR nativo con exportación EXR de 16 bits - para flujos de color profesionales
• Clips de 20 segundos a 1080p
• Hasta 16 fotogramas clave - control fotograma a fotograma de la acción y el ritmo
• Ray3 Modify - edición vídeo a vídeo de interpretaciones de actores con control del fotograma inicial/final
• API pública de Ray - todos los controles de Ray disponibles para desarrolladores

Precio de Luma:

Las suscripciones de Luma son ahora planes individuales por créditos (Plus, Pro y Ultra) más planes para empresas, y la API de Ray3.2 se cobra por clip según la resolución. Los antiguos niveles Free y Lite y los precios de Ray2 que aparecían en versiones anteriores de este artículo ya no existen; consulta la página de precios de Luma para ver las cifras actuales.

Los modelos de pesos abiertos que vale la pena ejecutar por tu cuenta

En vídeo, los pesos abiertos vienen ahora con condiciones de licencia muy reales, así que lee la licencia antes que el benchmark. De los modelos de abajo, solo Wan 2.2 y MAGI-2 son Apache 2.0.

1. MiniMax H3 (MiniMax)

MiniMax H3, anunciado el 31 de julio de 2026 y con pesos publicados el 3 de agosto, es el modelo de vídeo de pesos abiertos más fuerte de la clasificación: #4 en texto a vídeo con audio (1,137) y #2 sin audio. Es un Transformer denso de flujo único con 33B parámetros que toma texto, imágenes, vídeo y audio como contexto y genera vídeo con sonido estéreo nativo a 32kHz, hasta 15 segundos a 24fps. Maneja diálogo en 11 idiomas, y su modo omni-reference acepta hasta 9 imágenes, 3 clips de vídeo y 3 clips de audio. La salida con los pesos abiertos es de 768p en el lado corto por defecto; para 2K hace falta un regenerador aparte que MiniMax todavía no ha liberado.

La pega es la licencia. La MiniMax H3 Community License excluye la Unión Europea, Reino Unido, Corea del Sur y Estados Unidos, y las empresas con más de 20 millones de dólares de ingresos anuales necesitan autorización por escrito. Si estás en una de esas regiones, usa la API. H3 sustituyó a Hailuo 2.3, que MiniMax ahora clasifica como modelo heredado, y H3 Max, la versión optimizada de fal (agosto de 2026), es #1 en imagen a vídeo con audio.

Características principales de MiniMax H3:

• Los pesos abiertos mejor clasificados - #4 con audio, #2 sin audio
• Transformer denso de flujo único con 33B
• Clips de 15 segundos con audio estéreo a 32kHz y diálogo en 11 idiomas
• Entrada omni-reference - hasta 9 imágenes, 3 clips y 3 clips de audio
• 768p por defecto, 2K mediante un regenerador que todavía no es abierto

Precio de MiniMax H3:

Los pesos se descargan gratis allí donde aplica la licencia. La API de MiniMax cobra $0.08 por segundo a 768p y $0.13 por segundo a 2K.

2. LTX-2.5 (Lightricks)

LTX-2.5, lanzado el 11 de agosto de 2026, es la versión actual de la familia LTX-2 de Lightricks y sustituye a LTX-2.3 (marzo de 2026), que LTX etiqueta ahora como “Previous Generation”. Es un modelo de audio y vídeo de 22B parámetros que añade un codificador de texto Gemma 4 12B personalizado y un decodificador de vídeo basado en difusión, y LTX describe la mejora como centrada en fidelidad de nivel de producción, consistencia de escena multiplano, soporte para fine-tuning y eficiencia de despliegue. Según LTX, genera hasta 20 segundos por generación a hasta 4K y 50fps, con audio estéreo a 24kHz sincronizado en la misma pasada. La versión anterior, LTX-2.3, añadió vídeo vertical nativo de hasta 1080x1920, entrenado con metraje vertical en lugar de recortado a partir de horizontal.

El hardware es más flexible de lo que sugieren las cifras de 4K: el modelo completo necesita una GPU con 80GB de VRAM o más, pero las variantes destiladas y FP8 funcionan en una sola GPU con apenas 12GB. La licencia es la LTX Model License, que la propia LTX aclara que no es Apache 2.0: gratis para organizaciones con menos de 10 millones de dólares de ingresos anuales, y con licencia comercial obligatoria por encima de esa cifra. Los pesos de Hugging Face requieren solicitar acceso.

Características principales de LTX-2.5:

• Hasta 4K y 20 segundos por generación, ampliable con el pipeline Extend
• Audio estéreo a 24kHz sincronizado en una pasada
• 22B parámetros con un codificador de texto Gemma 4 12B
• Consistencia de escena multiplano y soporte para fine-tuning
• Funciona desde 12GB de VRAM con los pesos destilados o FP8

Precio de LTX-2.5:

Gratis para organizaciones con menos de $10M de ingresos anuales. Las empresas que superan esa cifra necesitan una licencia comercial a través del LTX Licensing Program.

3. HunyuanVideo 1.5 (Tencent)

HunyuanVideo 1.5 (lanzado en noviembre de 2025) sigue siendo el mejor modelo abierto para una sola GPU de gama prosumer. Consigue una calidad alta con solo 8.3B de parámetros, y la versión con step distillation de diciembre de 2025 renderiza un vídeo en unos 75 segundos en una sola RTX 4090. Con model offloading, la memoria mínima de GPU es de 14GB.

La arquitectura es un DiT con selective and sliding tile attention (SSTA), alimentado por un VAE causal 3D que comprime el vídeo 16x en el espacio y 4x en el tiempo, con codificación de texto sensible a los glifos para que el texto en chino e inglés dentro de las escenas salga mejor. Tencent publica modelos relacionados para imagen a vídeo, avatares controlados por audio (HunyuanVideo-Avatar) y generación personalizada (HunyuanCustom). La licencia es la Tencent Hunyuan Community License, no Apache 2.0: no aplica en la Unión Europea, Reino Unido ni Corea del Sur, y los servicios con más de 100 millones de usuarios activos mensuales necesitan una licencia aparte. Tencent no ha publicado ningún HunyuanVideo más reciente desde entonces.

Características principales de HunyuanVideo 1.5:

• 8.3B parámetros - lo bastante pequeño para una GPU de consumo
• Renders de unos 75 segundos en una sola RTX 4090 (con step distillation)
• 14GB de VRAM como mínimo con offloading
• DiT + atención SSTA con un VAE causal 3D
• Codificación de texto sensible a los glifos para texto en chino e inglés dentro de las escenas
• Familia de modelos - T2V, I2V, Avatar (controlado por audio), Custom

Precio de HunyuanVideo 1.5:

Descarga gratuita bajo la Tencent Hunyuan Community License. Los pesos y el código de entrenamiento están en GitHub y Hugging Face.

4. Wan 2.2 (Alibaba)

Wan 2.2 (julio de 2025) es el modelo Wan de uso general más reciente con pesos abiertos; versiones anteriores de este artículo describían Wan 2.7 como open source, pero Wan 2.7 y Wan 3.0 solo están disponibles como servicio alojado. Wan 2.2 es un modelo de difusión Mixture-of-Experts: un experto de alto ruido se ocupa de la composición inicial y un experto de bajo ruido refina el detalle, con unos 27B parámetros en total y 14B activos por paso. La variante TI2V-5B combina texto a vídeo e imagen a vídeo en un solo modelo y genera 720p a 24fps en una GPU de consumo como la RTX 4090. Tiene licencia Apache 2.0, la situación comercial más limpia de esta sección, y está integrado en ComfyUI.

Características principales de Wan 2.2:

• Apache 2.0 - utilizable en trabajos comerciales sin límites de ingresos ni exclusiones regionales
• Difusión MoE - 27B en total, 14B activos por paso
• TI2V-5B - texto e imagen a vídeo a 720p@24fps en una RTX 4090
• Soporte para ComfyUI desde el lanzamiento

Precio de Wan 2.2:

Gratis, con licencia Apache 2.0, y con código y pesos en GitHub y Hugging Face.

5. MAGI-2 Preview (Sand.ai)

MAGI-2 Preview (agosto de 2026) es el modelo de vídeo Apache 2.0 mejor clasificado en las tablas, en el puesto #9 de imagen a vídeo con audio. Es un modelo Mixture-of-Experts unificado de audio y vídeo con 114B parámetros que activa unos 6B parámetros por token, genera clips de 10 segundos (la única duración que admite por ahora) y tiene un refinador que lleva la salida hasta 1080p. No es un modelo para aficionados: los requisitos piden ocho GPUs NVIDIA Hopper.

6. Kandinsky 6.0 Video (Kandinsky Lab)

Kandinsky 6.0 Video es el lanzamiento de pesos abiertos más reciente de esta lista. Kandinsky Lab publicó el código y los pesos el 6 de octubre de 2026 con licencia MIT, en dos tamaños: un modelo Pro de 29B y un modelo Lite de 3B. Los dos generan clips de 5 segundos con audio sincronizado a 44 kHz a partir de texto o de una imagen, y un modelo de superresolución aparte lleva la salida a Full HD. El Lite de 3B es el que tiene alguna posibilidad de funcionar en una sola GPU de consumo; el Pro de 29B, no. Todavía no está en la tabla de Artificial Analysis. El repositorio oficial y su licencia MIT están confirmados en GitHub; la duración de los clips, la frecuencia del audio y la fecha de lanzamiento vienen del registro de cambios del repositorio tal como lo recogen fuentes secundarias (una wiki de ComfyUI y un artículo técnico japonés), así que revisa el README antes de construir nada sobre él.

Herramientas especializadas y menciones destacadas

Algunos modelos que no compiten de tú a tú con la lista de arriba, pero que resuelven problemas cercanos que conviene conocer:

Modelos que no entraron en el grupo de cabeza pero que conviene conocer:

FLUX 3 (Black Forest Labs) - FLUX 3, en acceso anticipado desde julio de 2026, genera vídeo con audio sincronizado en la misma llamada y está en el #6 de la tabla con audio. Hay planes de publicar los pesos abiertos de un backbone multimodal, pero todavía no han salido.

Grok Imagine Video 1.5 (SpaceXAI) - Disponible de forma general en la Imagine API desde el 16 de junio de 2026, con clips de 1-15 segundos y audio nativo, a $0.08, $0.14 y $0.25 por segundo para 480p, 720p y 1080p. Está empatado en el #11 de la tabla con audio. El 8 de octubre de 2026 llegó una versión más barata, Grok Imagine Video 1.5 Lite, que aparece desde $0.02 por segundo a 480p (ese precio sale del listado de la xAI Console tal como lo recogen agregadores, así que revisa la página de precios de xAI). xAI forma parte ahora de SpaceX, que la adquirió en febrero de 2026.

Herramientas específicas para avatares (otra categoría, no son generadores de vídeo de uso general):

Synthesia - Vídeo con avatares de IA para comunicación corporativa, formación y marketing. Más de 240 avatares y más de 140 idiomas. La opción adecuada para contenido de formación localizado a gran escala.

D-ID - Humanos digitales y avatares en streaming en tiempo real. Buen soporte de API; una elección habitual para atención al cliente y aplicaciones web interactivas.

VideoDubber - generación de vídeo con IA con traducción y doblaje

La mayoría de los modelos de arriba generan vídeo en un solo idioma. Si vas a publicar la misma pieza en YouTube, anuncios o contenido de formación en varios mercados, después de generarla todavía necesitas un paso de localización, y eso suele ser otra herramienta y otra factura.

VideoDubber junta el generador y el traductor en un solo plan. Generas un clip y luego lo doblas al idioma de destino con subtítulos sincronizados, locución y, si quieres, clonación de voz. Cubre más de 150 idiomas, exporta MP4 además de SRT/VTT e incluye un editor de subtítulos en el navegador para corregir transcripciones antes de volver a exportar.

Características principales

• Doblaje con un clic a más de 150 idiomas
• Generador de vídeo con IA integrado, con selección de estilo visual y de música
• Clonación de voz y soporte para varios hablantes en todos los planes
• Editor de subtítulos con reexportaciones ilimitadas en los planes de pago
• Exportación a MP4 + SRT/VTT

Precio de VideoDubber

Desde $9/mes por 25 minutos de traducción, con prueba gratuita en todos los planes. Si el objetivo es distribuir en varios idiomas, tener la traducción dentro del flujo de generación es lo que lo hace práctico: sin segunda herramienta y sin el ciclo de exportar e importar por separado.

Los modelos de IA de Invideo

Invideo AI se está convirtiendo en una de las plataformas más populares para crear vídeo con IA porque reúne varias herramientas de IA de peso y todos los modelos de vídeo disponibles en un mismo sitio. En lugar de usar apps distintas para el guion, la edición, la locución y la generación de vídeo, puedes hacerlo todo directamente dentro de invideo. La plataforma admite modelos de IA avanzados como Kling, Veo, Runway y Seedance, lo que facilita crear vídeos cinematográficos, reels para redes sociales, anuncios y contenido de marketing en cuestión de minutos.

Lo que distingue a invideo es su interfaz pensada para principiantes y su flujo de trabajo rápido. Incluso sin experiencia en edición puedes generar vídeos con aspecto profesional con solo escribir un prompt de texto. La plataforma también incluye voces de IA, generación de música, contenido de stock y funciones de edición inteligente que ahorran tiempo durante la producción. Con acceso a cientos de herramientas y recursos creativos con IA, invideo es una buena opción para creadores, cineastas, profesionales del marketing, empresas y agencias que quieran escalar la creación de contenido de forma rápida y eficiente.

Características principales

• Acceso a más de 200 modelos de IA, incluidos Kling, Veo, Seedance y Runway
• Generación de vídeo con IA a partir de un solo prompt de texto
• Locuciones, música y generación de sonido con IA integradas
• Edición de vídeo con IA y flujos de automatización
• Soporte para vídeos cinematográficos, de redes sociales y de marketing
• Colaboración en equipo y flujos de proyecto compartidos
• Sistema de créditos para usar los modelos de IA con flexibilidad entre herramientas

Precio de los modelos de IA de Invideo

• El precio se basa en créditos, es decir, cada modelo de IA consume un número distinto de créditos según la complejidad, la resolución, la duración y la generación de audio.

Cómo integrar el vídeo con IA en un flujo de trabajo

Notas prácticas tras pasar los mismos prompts por estos modelos:

• Elige primero por la forma de la salida y después por el puesto en la clasificación. Para tomas únicas de 30 segundos, Wan 3.0 o Seedance 2.5. Para vídeos verticales cortos para redes en muchos idiomas, Kling o MiniMax H3. Para el acabado en HDR, Luma Ray3.2 (o Ruby de Runway sobre el clip de otro modelo). Para editar metraje que ya tienes, Runway Aleph 2, Luma Ray3 Modify u Omni Flash. El “mejor” modelo es aquel cuya salida por defecto ya se parece a lo que necesitas.
• Prueba con tus prompts reales, no con demo reels. Los clips de demostración de los fabricantes están elegidos a dedo. La mayoría tienen plan gratuito o APIs baratas por segundo; dedica una hora a pasar tus prompts por tres o cuatro y juzga la mediana, no los mejores momentos.
• No le des demasiado peso a la clasificación. El Elo de Artificial Analysis cambia de una semana a otra, y la reconstrucción de septiembre reinició todos los números. Wan 3.0 lidera hoy, pero Runway tiene el kit de edición más completo, Luma está construido alrededor del HDR y las opciones de pesos abiertos son las únicas que puedes ejecutar en tu propio hardware. El puesto #1 no siempre es la elección correcta.
• Planifica los empalmes, aunque cada vez menos. Wan 3.0 y Seedance 2.5 llegan a 30 segundos, Ray3.2 y LTX-2.5 a 20, y la mayoría de los demás se quedan en 8-15 segundos. Cualquier cosa más larga se sigue empalmando o extendiendo, y varios modelos (Seedance 2.5, LTX-2.5, Omni Flash) ya traen extensión integrada.
• Si vas a usarlo comercialmente, lee la licencia. Wan 2.2 y MAGI-2 son Apache 2.0. LTX-2.5 solo es gratis por debajo de $10M de ingresos anuales. HunyuanVideo 1.5 excluye la UE, Reino Unido y Corea del Sur. MiniMax H3 excluye EE. UU., la UE, Reino Unido y Corea del Sur. Todos los modelos alojados tienen sus propias condiciones, y Veo añade una marca de agua SynthID a todo lo que genera.
• Usa la variante barata para iterar. Veo 3.1 Lite, Gen-4 Turbo, Wan 3.0 a 480p, los pesos destilados de LTX-2.5: todos existen para la fase de bocetos. Reserva el nivel principal para el render final.

Resumen

La lista corta para octubre de 2026, por caso de uso:

• Máxima calidad general: Wan 3.0, #1 en texto a vídeo con y sin audio. Solo por API.
• Tomas únicas más largas con muchas referencias: Seedance 2.5 (30 segundos, 30 imágenes + 10 clips + 10 referencias de audio) o Wan 3.0 (30 segundos, 20 referencias).
• ¿Ya estás en el ecosistema de Google? Gemini Omni Flash para generación general y edición; Veo 3.1 para extensión de escenas, control del último fotograma y 4K nativo en la API.
• ¿Necesitas herramientas de producción alrededor de la generación? Runway Gen-4.5, por la edición con Aleph 2, la conversión a HDR con Ruby y los modelos de otros laboratorios en un mismo sitio.
• ¿Necesitas clips 4K para redes con diálogo hablado? Kling 3.0 hoy, y atento a Kling 4.0 este mes.
• ¿Necesitas HDR para pipelines con gestión de color? Luma Ray3.2.
• ¿Necesitas pesos abiertos cerca de lo más alto de la tabla? MiniMax H3, si estás fuera de sus regiones excluidas.
• ¿Necesitas self-hosting de 4K + audio? LTX-2.5 (por debajo de $10M de ingresos); HunyuanVideo 1.5 si necesitas que quepa en una sola GPU de consumo.
• ¿Necesitas una licencia totalmente permisiva? Wan 2.2 en hardware de consumo, o MAGI-2 Preview si tienes un nodo Hopper de 8 GPUs.

Conclusión

Hace un año, elegir un modelo de vídeo consistía sobre todo en elegir el que tuviera el mejor demo reel. En octubre de 2026 los líderes están tan cerca que la decisión se reduce a tres preguntas prácticas: cuánto tiene que durar una sola toma, si el modelo tiene que ejecutarse en tu propio hardware y qué te permite hacer su licencia con lo que genera. Wan 3.0, Seedance 2.5 y Gemini Omni Flash son las respuestas alojadas más fuertes; MiniMax H3, LTX-2.5 y Wan 2.2 son las de pesos abiertos, cada una con límites de licencia distintos.

Pasa tus propios prompts por dos o tres candidatos antes de comprometerte, y vuelve a mirar la clasificación antes de cualquier proyecto grande. Kling 4.0 llega este mes, las posiciones de Artificial Analysis cambian más o menos cada semana, y todo lo que se dice aquí sobre puestos tiene una vida media de unos pocos meses. Las recomendaciones de arriba están fechadas el 2 de octubre de 2026.