Imagen y vídeo

Un modelo de vídeo multimodal unificado con generación conjunta de audio y vídeo, que ofrece control de nivel profesional sobre la interpretación, la iluminación, las sombras y el movimiento de cámara para obtener resultados cinematográficos ultrarrealistas.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen
• Referencias de vídeo
• Referencias de audio

Funciones:

• Arquitectura multimodal unificada que genera conjuntamente audio y vídeo sincronizados en una sola pasada
• Capacidades líderes del sector de referencia y edición multimodal, que aceptan simultáneamente entradas de texto, imagen, audio y vídeo
• Estabilidad de movimiento excepcional con realismo de calidad cinematográfica conforme a los estándares del sector
• Control creativo de nivel profesional sobre la interpretación, la iluminación, las sombras y el movimiento de cámara
• Duraciones de generación flexibles, de 4 s a 15 s
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p, 1080p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Narrativa cinematográfica que requiere audio e imagen sincronizados
• Contenido basado en referencias que debe respetar estrictamente imágenes, vídeos o audio de origen
• Producciones profesionales que requieren un control detallado de la iluminación y el trabajo de cámara

Coste: Varía según los ajustes y la duración seleccionados

API: bytedance-seedance-v2

Una variante más rápida y económica de Seedance 2.0 con las mismas entradas de referencia multimodal, limitada a una salida de 720p.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 9)
• Referencias de vídeo (hasta 3, 15 s en total)
• Referencias de audio (hasta 3, 15 s en total)

Funciones:

• Mismo manejo de referencias que Seedance 2.0, con un límite total de 12 referencias por generación
• Los fotogramas y las referencias son mutuamente excluyentes: usa un fotograma inicial o final, o referencias, pero no ambos
• Duraciones de generación flexibles, de 4 s a 15 s
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Iterar prompts de Seedance 2.0 antes de un renderizado a resolución completa
• Clips basados en referencias para los que una salida de 720p es suficiente

Coste: Varía según los ajustes y la duración seleccionados

API: bytedance-seedance-v2-fast

La variante más pequeña de Seedance 2.0: aproximadamente el doble de rápida que Seedance 2.0 y con cerca de la mitad del coste, con las mismas entradas y salida de 720p.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 9)
• Referencias de vídeo (hasta 3, 15 s en total)
• Referencias de audio (hasta 3, 15 s en total)

Funciones:

• Mismo manejo de referencias que Seedance 2.0, con un límite total de 12 referencias por generación
• Los fotogramas y las referencias son mutuamente excluyentes: usa un fotograma inicial o final, o referencias, pero no ambos
• Duraciones de generación flexibles, de 4 s a 15 s
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Borradores y previsualizaciones de gran volumen
• Workflows sensibles al coste que siguen necesitando entradas de audio y referencias

Coste: Varía según los ajustes y la duración seleccionados

API: bytedance-seedance-v2-mini

El sucesor de Seedance 2.0, con un realismo más nítido, hasta 50 referencias combinadas de imagen, vídeo y audio, y generaciones de hasta 30 segundos.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 30)
• Referencias de vídeo (hasta 10, 30 s en total)
• Referencias de audio (hasta 10, 30 s en total)

Funciones:

• Sin límite combinado entre tipos de referencia; se aceptan referencias solo de audio sin imagen ni vídeo
• Los fotogramas y las referencias son mutuamente excluyentes
• Duraciones de generación flexibles, de 4 s a 30 s
• La relación de aspecto se toma del fotograma inicial o del vídeo de referencia cuando se proporciona uno
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Clips largos que deben mantener la coherencia con muchas referencias
• Escenas de diálogo e interpretación basadas en audio de referencia

Coste: Varía según los ajustes y la duración seleccionados

API: bytedance-seedance-v2.5

Edita un vídeo existente describiendo los cambios. La duración de salida y la relación de aspecto siguen el vídeo de entrada.

Entradas de generación:

• Vídeo que editar (obligatorio, hasta 30 s)
• Prompt de texto que describe las ediciones
• Referencias de imagen (hasta 30)
• Referencias de vídeo adicionales (hasta 10, 30 s en total)
• Referencias de audio (hasta 10, 30 s en total)

Funciones:

• Sin control de duración: la salida coincide con la duración del vídeo de entrada
• La relación de aspecto se toma del vídeo de entrada
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p

Ideal para:

• Cambiar vestuario, accesorios, iluminación o escenario en material existente
• Transferencia de estilo que conserva el movimiento original

Coste: Varía según los ajustes y la duración seleccionados

Continúa un vídeo existente desde donde termina, guiado por un prompt y referencias opcionales.

Entradas de generación:

• Vídeo que ampliar (obligatorio, hasta 30 s)
• Prompt de texto que describe la continuación
• Referencias de imagen (hasta 30)
• Referencias de vídeo adicionales (hasta 10, 30 s en total)
• Referencias de audio (hasta 10, 30 s en total)

Funciones:

• Duración de extensión de 4 s a 30 s
• La relación de aspecto se toma del vídeo de entrada
• Control nativo del sonido, con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p

Ideal para:

• Alargar una toma que termina demasiado pronto
• Encadenar varias generaciones en una secuencia más larga

Coste: Varía según los ajustes y la duración seleccionados

Un modelo de vídeo avanzado que funciona como un director de IA y mantiene una alta coherencia de personajes, objetos y escenas a través de movimientos de cámara complejos.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final

Funciones:

• Conservación de personajes y escenas de alta fidelidad mediante referencias de imagen o vídeo desde varios ángulos
• Cogeneración audiovisual nativa con sincronización labial multilingüe y sonido ambiental
• Duraciones de generación flexibles, de 3 s a 15 s
• Genera hasta 4 variaciones simultáneamente
• Manejo mejorado de texto, dinámica de fluidos e interacciones físicas complejas

Opciones de salida:

• Resoluciones: solo 1080p
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Narrativa centrada en personajes que requiere continuidad visual
• Anuncios y recursos con necesidades específicas de renderizado de texto

Coste: Varía según los ajustes y la duración seleccionados

Un modelo de vídeo de alta coherencia que funciona como un director de IA y conserva la identidad de personajes, objetos y escenas a través de movimientos de cámara complejos.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencia de vídeo
• Referencia de imagen

Funciones:

• Mantiene una identidad visual precisa de los personajes y objetos principales mediante referencias desde varios ángulos
• Admite duraciones de generación fluidas de 3 s a 15 s
• Genera hasta 4 variaciones a la vez
• Modelado preciso de las interacciones entre elementos y coherencia del movimiento
• Compatibilidad nativa con audio activado o desactivado en cada generación

Opciones de salida:

• Resoluciones: solo 1080p
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Narrativa centrada en personajes que requiere una continuidad visual estricta
• Recursos profesionales de marketing y marca con renderizado coherente de objetos

Coste: Varía según los ajustes y la duración seleccionados

Un modelo de edición de vídeo a vídeo guiado por lenguaje natural y basado en la arquitectura O3, que permite transformaciones visuales complejas —como sustituir personajes y cambiar entornos— sin necesidad de máscaras manuales ni ajustes fotograma a fotograma.

Entradas de generación:

• Vídeo de origen
• Referencias de imagen (hasta 4 elementos/ángulos distintos)
• Descripción de texto (instrucciones en lenguaje natural)

Funciones:

• Interpreta prompts conversacionales para sustituir sujetos o escenarios respetando la estructura de movimiento original
• Mantiene los ángulos de cámara, patrones de movimiento y relaciones espaciales originales durante toda la edición
• Combina hasta 4 elementos en total (incluidas imágenes frontales y desde varios ángulos) para garantizar una alta coherencia de los personajes
• Opción de conservar el audio original o generar una salida sin sonido en cada generación
• Genera hasta 4 variaciones editadas a la vez

Opciones de salida:

• Resoluciones: dependen del vídeo de origen
• Relaciones de aspecto: coincide con el vídeo de origen

Ideal para:

• Sustitución de personajes de alta fidelidad en material existente conservando los movimientos originales
• Transformaciones completas del entorno de una escena (por ejemplo, cambiar una ciudad diurna por un paisaje nocturno futurista)
• Aplicar transferencias de estilo que requieren respetar estrictamente la dinámica de cámara existente

Coste: Varía según la duración del vídeo y los ajustes seleccionados

Un modelo de nivel profesional para generar vídeo cinematográfico de alta calidad.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen

Funciones:

• Excelente calidad y control creativo con prompts negativos
• Audio totalmente integrado y sincronizado
• Diálogo, sincronización labial y efectos de sonido realistas
• Duraciones fijas: 4 s, 6 s y 8 s
• Creación por lotes de hasta 4 generaciones a la vez
• Control de sonido específico

Opciones de salida:

• Resoluciones: 720p, 1080p
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Generación de vídeo cinematográfico de alta calidad con control creativo total

Coste: Varía según los ajustes y la duración seleccionados

API: veo-3.1-generate-001

Un modelo de alta velocidad optimizado para previsualizaciones y generaciones rápidas, que ofrece imágenes más nítidas con menor latencia.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final

Funciones:

• Control creativo avanzado con prompts negativos y control de sonido específico
• Duraciones fijas: 4 s, 6 s y 8 s
• Creación por lotes de hasta 4 generaciones a la vez
• Modela con precisión la física del mundo real para lograr movimientos e interacciones realistas

Opciones de salida:

• Resoluciones: 720p, 1080p
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Iteración rápida y pruebas visuales A/B
• Creación ágil de contenido para redes sociales

Coste: Varía según los ajustes y la duración seleccionados

API: veo-3.1-fast-generate-001

Una variante de Veo 3.1 económica y de alta velocidad, optimizada para generar rápidamente con menor capacidad de procesamiento.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial

Funciones:

• Control creativo detallado con prompts negativos y control de sonido específico
• Duraciones fijas: 4 s, 6 s y 8 s
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Creación de contenido de gran volumen donde se priorizan la velocidad y la eficiencia de costes
• Exploración rápida de conceptos y previsualizaciones

Coste: Varía según los ajustes y la duración seleccionados

El modelo de vídeo de Google consciente de la física, con audio nativo, salida de hasta 4K y generación mediante interpolación de fotogramas y guiada por referencias.

Entradas de generación:

• Texto a Vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 10)
• Referencias de vídeo (hasta 3, de hasta 10 s cada una)

Funciones:

• Los fotogramas y las referencias son mutuamente excluyentes: interpola entre fotogramas o guía con referencias
• Duraciones fijas de 3 s a 10 s; la duración sigue el vídeo de referencia cuando se adjunta uno
• Excelente renderizado de texto breve y etiquetas en pantalla
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 360p, 720p, 1080p, 4K
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Vídeos explicativos y tipografía cinética con texto legible
• Movimiento basado en la física con sujetos coherentes entre referencias

Coste: Varía según los ajustes y la duración seleccionados

Continúa un vídeo existente desde donde termina mediante Gemini Omni Flash 1.1, hasta alcanzar una duración total de 40 segundos.

Entradas de generación:

• Vídeo que ampliar (obligatorio, hasta 30 s)
• Prompt de texto que describe la continuación

Funciones:

• Duración de extensión de 3 s a 10 s
• La relación de aspecto sigue el vídeo de entrada
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 360p, 720p, 1080p, 4K

Ideal para:

• Alargar generaciones de Gemini Omni Flash sin un corte visible
• Crear secuencias más largas de lo que permite una sola generación

Coste: Varía según los ajustes y la duración seleccionados

El primer modelo de vídeo Gemini Omni: movimiento consciente de la física, audio nativo y el mejor renderizado de texto en pantalla entre los modelos de vídeo disponibles, a 720p.

Entradas de generación:

• Texto a Vídeo
• Referencias de imagen (hasta 8)
• Referencia de vídeo (1, hasta 10 s)

Funciones:

• Duraciones fijas de 3 s a 10 s; la duración sigue el vídeo de referencia cuando se adjunta uno
• Sin fotograma inicial ni final; usa referencias de imagen para fijar un sujeto
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Subtítulos breves, títulos y vídeos explicativos con etiquetas
• Coherencia entre varias imágenes a 720p

Coste: Varía según los ajustes y la duración seleccionados

Un modelo especializado mejorado para crear secuencias dinámicas de alta fidelidad, con mayor estabilidad temporal y un control preciso de las transiciones entre fotogramas clave.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final

Funciones:

• Conecta sin interrupciones los fotogramas inicial y final para crear secuencias coherentes de varios planos
• Modelado de alta fidelidad de acciones complejas y consistencia ambiental
• Admite duraciones de generación fijas de 4 s a 12 s
• Genera hasta 4 variaciones a la vez
• Compatibilidad nativa con audio activado o desactivado en cada generación

Opciones de salida:

• Resoluciones: 420p, 720p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Narración y escenas de acción que requieren física estable entre referencias visuales específicas
• Transiciones cinematográficas y recursos de vídeo profesionales con requisitos estrictos de inicio y final

Coste: Varía según la configuración y la duración seleccionadas

Modelo de vídeo de Black Forest Labs con movimiento natural, escenas de varios planos, audio generado y extensión de vídeo.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final
• Vídeo para extender (1, hasta 15 s)

Funciones:

• La extensión de vídeo es incompatible con los fotogramas inicial y final
• Duraciones de generación flexibles de 5 s a 20 s
• Control nativo del sonido con audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 720p, 1080p
• Relaciones de aspecto: 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Escenas de varios planos a partir de un único prompt
• Extender un clip existente con movimiento y audio coherentes

Coste: Varía según la configuración y la duración seleccionadas

El modelo de vídeo insignia de MiniMax, con referencias multimodales, audio generado y salida de hasta 4K.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 9)
• Referencias de vídeo (hasta 3, de 2 s a 15 s cada una, 15 s en total)
• Referencias de audio (hasta 3, de 2 s a 15 s cada una, 15 s en total)

Funciones:

• Límite combinado de 12 referencias por generación; las referencias de audio requieren al menos una referencia de imagen o vídeo
• Los fotogramas y las referencias son incompatibles entre sí
• Duraciones de generación flexibles de 5 s a 15 s
• Genera audio sincronizado
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 768p, 2K, 4K (2K y 4K se reescalan desde 768p)
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Escenas basadas en referencias que necesitan entrega en alta resolución
• Clips de diálogo basados en audio de referencia

Coste: Varía según la configuración y la duración seleccionadas

Una variante casi instantánea de MiniMax H3 con las mismas entradas y una estética sólida, renderizada de forma nativa en hasta 768p.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 9)
• Referencias de vídeo (hasta 3, de 2 s a 15 s cada una, 15 s en total)
• Referencias de audio (hasta 3, de 2 s a 15 s cada una, 15 s en total)

Funciones:

• Límite combinado de 12 referencias por generación; las referencias de audio requieren al menos una referencia de imagen o vídeo
• Los fotogramas y las referencias son incompatibles entre sí
• Duraciones de generación flexibles de 5 s a 15 s
• Genera audio sincronizado
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 768p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Iterar rápidamente sobre prompts y referencias
• Previsualizaciones antes de renderizar con MiniMax H3

Coste: Varía según la configuración y la duración seleccionadas

Un modelo de vídeo de razonamiento de vanguardia diseñado para seguir prompts con precisión y simular mundos físicos complejos, que utiliza procesamiento lógico avanzado para interpretar y ejecutar instrucciones detalladas.

Entradas de generación:

• Texto a vídeo (descripción)
• Fotograma inicial y fotograma final
• Referencia de vídeo
• Referencia de imagen

Funciones:

• Capacidad excepcional para interpretar prompts con varias capas y ejecutar acciones cronológicas complejas
• Utiliza imágenes y vídeos como anclajes visuales para mantener una alta consistencia de personajes y escenas
• Modelado superior de interacciones físicas, causa y efecto, y dinámica de fluidos
• Admite generación de alta calidad para clips de 5 s y 10 s
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: Dependen de la entrada
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Conceptos creativos muy específicos que requieren seguir con precisión descripciones largas y detalladas
• Narración profesional en la que el realismo físico y la consistencia entre múltiples referencias son fundamentales

Coste: Varía según la configuración y la duración seleccionadas

Un modelo de edición de vídeo a vídeo basado en lenguaje natural que permite transformaciones visuales complejas —como sustituir personajes o cambiar entornos— sin necesidad de máscaras manuales ni ajustes fotograma a fotograma.

Entradas de generación:

• Vídeo de origen
• Referencias de imagen (hasta 4 elementos o ángulos distintos)
• Descripción de texto (instrucciones en lenguaje natural)

Funciones:

• Interpreta prompts conversacionales para sustituir sujetos o escenarios respetando la estructura de movimiento original
• Mantiene los ángulos de cámara, los patrones de movimiento y las relaciones espaciales originales durante toda la edición
• Combina hasta 4 elementos en total, incluidas imágenes frontales y desde varios ángulos, para garantizar una alta consistencia del personaje
• Opción de conservar el audio original o generar una salida sin sonido en cada generación
• Genera hasta 4 variaciones editadas a la vez

Opciones de salida:

• Resoluciones: Dependen del vídeo de origen
• Relaciones de aspecto: Coinciden con el vídeo de origen

Ideal para:

• Sustituir personajes con alta fidelidad en material existente conservando los movimientos originales
• Transformaciones completas del entorno de una escena (por ejemplo, cambiar una ciudad diurna por un paisaje nocturno futurista)
• Aplicar transferencias de estilo que requieren respetar estrictamente la dinámica de cámara existente

Coste: Varía según la duración del vídeo y la configuración seleccionada

Un modelo especializado para transferir movimiento con precisión, que te permite animar una imagen de personaje con un vídeo de referencia para reproducir movimientos, gestos y ángulos de cámara específicos.

Entradas de generación:

• Imagen del personaje (origen)
• Vídeo de movimiento (referencia)
• Descripción de texto (opcional)

Funciones:

• Elige “Match Video” para una reproducción exacta del movimiento o “Match Image” para añadir nuevo movimiento creativo a un personaje
• Admite hasta 30 s en el modo Match Video y 10 s en el modo Match Image
• Mapeo de alta fidelidad del movimiento humano desde material de referencia a un personaje estático
• Compatibilidad nativa para activar o desactivar el audio en cada generación
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: Dependen del origen
• Relaciones de aspecto: Dependen del origen

Ideal para:

• Reproducir coreografías complejas o movimientos específicos en un personaje personalizado
• Animación de personajes de larga duración que requiere alta fidelidad de movimiento
• Contenido para redes sociales basado en movimientos de vídeo en tendencia

Coste: Varía según la configuración y la duración seleccionadas

Un modelo especializado para transferir movimiento con precisión, basado en la arquitectura Kling 3.0, que te permite animar una imagen de personaje con un vídeo de referencia para reproducir movimientos, gestos y ángulos de cámara específicos con mayor fidelidad.

Entradas de generación:

• Imagen del personaje (origen)
• Vídeo de movimiento (referencia)
• Descripción de texto (opcional)

Funciones:

• Elige “Match Video” para una reproducción exacta del movimiento o “Match Image” para añadir nuevo movimiento creativo a un personaje
• Admite hasta 30 s en el modo Match Video y 10 s en el modo Match Image
• Mapeo de alta fidelidad del movimiento humano desde material de referencia a un personaje estático
• Compatibilidad nativa para activar o desactivar el audio en cada generación
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: Dependen del origen
• Relaciones de aspecto: Dependen del origen

Ideal para:

• Reproducir coreografías complejas o movimientos específicos en un personaje personalizado
• Animación de personajes de larga duración que requiere alta fidelidad de movimiento
• Contenido para redes sociales basado en movimientos de vídeo en tendencia

Coste: Varía según la configuración y la duración seleccionadas

Un modelo generativo optimizado diseñado para ofrecer mayor fidelidad de movimiento y transiciones más fluidas, con un equilibrio entre iteración rápida y resultados visuales de calidad de producción.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (imagen a vídeo)

Funciones:

• Dinámica de movimiento mejorada: mejoras significativas en la fluidez de movimiento y las interacciones físicas realistas
• Control de sonido flexible: compatibilidad nativa para activar o desactivar el audio en cada generación
• Creación por lotes: genera hasta 4 variaciones simultáneamente
• Refinamiento detallado: control creativo avanzado mediante compatibilidad con prompts negativos
• Duraciones fijas: admite duraciones de generación de 5 s y 10 s

Opciones de salida:

• Resoluciones: Dependen de la entrada
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Clips de mucha acción que requieren movimiento fluido de personajes
• Contenido profesional para redes sociales que sigue bien los prompts

Coste: Varía según la configuración y la duración seleccionadas

Un modelo equilibrado y versátil para generar vídeos de alta calidad en full HD.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial

Funciones:

• Destaca al simular movimiento complejo y física realista
• Modela con precisión la dinámica de fluidos y las expresiones
• Duraciones fijas: 5 s y 10 s
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1080p
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Simulaciones físicas realistas y movimiento complejo

Coste: Varía según la configuración y la duración seleccionadas

Calidad de movimiento, seguimiento de prompts y fidelidad visual de vanguardia para vídeos cinematográficos muy realistas.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (imagen a vídeo)

Funciones:

• Calidad de movimiento excepcional con realismo y simulación física líderes en el sector
• Seguimiento superior de prompts para un control creativo preciso de escenas complejas
• Alta fidelidad visual con resultados de calidad cinematográfica
• Genera hasta 4 variaciones simultáneamente

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: 16:9, 9:16

Ideal para:

• Contenido cinematográfico que requiere la máxima calidad de movimiento y realismo
• Producciones profesionales que exigen un seguimiento preciso de los prompts
• Narración visual de alta fidelidad

Coste: Varía según la configuración y la duración seleccionadas

Un modelo de vídeo avanzado diseñado para iterar rápidamente y crear de forma rentable, capaz de producir vídeos de alta calidad.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (imagen a vídeo)

Funciones:

• Optimizado para una generación ultrarrápida, con resultados hasta cuatro veces más rápidos que las iteraciones anteriores
• Permite dirigir con precisión los movimientos de personajes, los ángulos de cámara y las composiciones de escena
• Destaca por mantener la coherencia visual y la estabilidad en escenas dinámicas
• Admite duraciones de generación de 2 s a 10 s
• Genera hasta 4 variaciones simultáneamente

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Creación rápida de prototipos y experimentación creativa que requiere resultados casi instantáneos
• Proyectos profesionales que necesitan entregas rápidas de recursos de marketing de alta resolución
• Contenido cinematográfico con requisitos específicos de movimiento de cámara

Coste: Varía según la configuración y la duración seleccionadas

Un modelo de vídeo contextual de vanguardia diseñado para la generación visual multitarea, capaz de realizar ediciones complejas mientras mantiene la estructura subyacente del material de origen.

Entradas de generación:

• Vídeo de origen
• Imagen de referencia
• Descripción de texto

Funciones:

• Añade, elimina o transforma objetos y sujetos dentro de una escena sin interrupciones, con iluminación, sombras y perspectiva naturales
• Cambia ubicaciones, estaciones y horas del día (por ejemplo, convierte material nublado en una puesta de sol espectacular) con ajustes realistas de temperatura de color
• Modifica la edad y apariencia de actores o cambia las texturas de la ropa y los sujetos mediante sencillos prompts en lenguaje natural
• Aplica el movimiento y la trayectoria de cámara específicos de un vídeo de referencia a una imagen estática para un control preciso de la animación
• Genera ángulos de cámara totalmente nuevos, como planos inversos o contrapicados, a partir de una única secuencia de vídeo existente
• Incluye pantalla verde precisa (aislamiento con detección de bordes), generación del siguiente plano para continuar una historia y transferencia de estilo estético
• Genera hasta 4 variaciones simultáneamente

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: Automática

Ideal para:

• Tareas profesionales de efectos visuales como rejuvenecimiento digital, nueva iluminación y eliminación de objetos
• Creación rápida de prototipos cinematográficos y generación de cobertura de cámara alternativa a partir de un único plano
• Contenido creativo de marketing que requiere transformaciones ambientales o estilísticas drásticas

Coste: Varía según la configuración y la duración seleccionadas

El modelo de edición de vídeo de Runway: transforma un vídeo existente hacia un aspecto objetivo conservando el movimiento y la coherencia.

Entradas:

• Vídeo de origen (obligatorio, de 2 s a 30 s)
• Imagen de aspecto objetivo (obligatoria)
• Prompt de texto que describe las ediciones

Funciones:

• La duración y el encuadre de salida siguen el vídeo de origen
• Transferencia de estilo guiada por la imagen de aspecto objetivo
• Creación por lotes de hasta 4 generaciones a la vez

Ideal para:

• Volver a iluminar, cambiar el estilo o modificar el entorno de material existente
• Aplicar el aspecto de una imagen de referencia a un clip completo

Coste: Varía según la configuración y la duración seleccionadas

Un modelo especializado de transferencia de interpretación que anima personajes mapeando el movimiento, el habla y las expresiones faciales de un vídeo de actuación sobre una imagen o vídeo de referencia del personaje.

Entradas de generación:

• Interpretación de referencia (vídeo)
• Entrada del personaje (imagen o vídeo)

Funciones:

• Transfiere expresiones faciales matizadas, sincronización labial y audio sincronizado directamente de un actor de origen a cualquier personaje
• Añade automáticamente movimiento secundario y leves temblores de cámara a imágenes estáticas de personajes para un aspecto más natural
• Control preciso para activar o desactivar los movimientos del cuerpo y las manos al usar una imagen de personaje
• Ajustes configurables para equilibrar entre una interpretación emocional intensa y la consistencia visual del personaje
• Posibilidad de cambiar la voz del personaje después de la generación manteniendo una alineación perfecta con la interpretación de referencia

Opciones de salida:

• Resoluciones: 720p
• Relaciones de aspecto: Automática

Ideal para:

• Dar vida a retratos estáticos de personajes con movimiento y habla humanos realistas
• Animar personajes no humanos o avatares estilizados con expresiones de alta fidelidad
• Producir rápidamente contenido de personas hablando a cámara con gestos corporales integrados

Coste: Varía según la configuración y la duración seleccionadas

Un modelo especializado para crear secuencias dinámicas de varios planos, con mucho movimiento y acción.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final

Funciones:

• Física muy estable y transiciones fluidas entre planos
• Duraciones fijas: 3 s, 4 s, 5 s, 6 s, 7 s, 8 s, 9 s, 10 s, 11 s y 12 s
• Creación por lotes de hasta 4 generaciones a la vez
• Máxima flexibilidad creativa con numerosas opciones de relación de aspecto

Opciones de salida:

• Resoluciones: 480p, 720p, 1080p
• Relaciones de aspecto: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Narración y escenas de acción que requieren física estable

Coste: Varía según la configuración y la duración seleccionadas

Un modelo fundacional basado en DiT diseñado para generar vídeo y audio sincronizados en una sola pasada, lo que garantiza un habla coherente y un movimiento realista.

Entradas de generación:

• Texto a vídeo
• Imagen a vídeo
• Audio a vídeo
• Profundidad a vídeo

Características:

• Genera diálogo, movimiento de labios y audio ambiente simultáneamente para una alineación perfecta sin herramientas externas
• Escenas dinámicas con movimiento estable, identidad coherente y gran coherencia entre fotogramas
• Admite generación sincronizada de alta fidelidad de hasta 20 segundos
• Dirección creativa avanzada mediante compatibilidad detallada con prompts negativos
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: 720p, 1080p
• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Habla coherente e interpretaciones expresivas de personajes
• Contenido narrativo que requiere audio ambiente integrado y una temporización coherente
• Escenas dinámicas con lógica de movimiento compleja adaptada a la cámara

Coste: Varía según la configuración y la duración seleccionadas

Un modelo generativo de alta fidelidad optimizado para ofrecer el máximo detalle visual y estabilidad estructural, capaz de producir resultados 4K con calidad de producción y movimiento fluido.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (Imagen a vídeo)

Características:

• Prioriza la calidad visual y la coherencia frente a la velocidad, garantizando resultados estables en secuencias largas
• Admite 25 FPS y 50 FPS para un movimiento excepcionalmente fluido y profesional
• Generación audiovisual integrada con una opción para activar o desactivar el sonido
• Diseñado para procesar resultados nativos de 1080p, 2k y 4k sin pérdida de detalle
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: 1080p, 2k, 4k
• Frecuencias de fotogramas: 25 FPS, 50 FPS
• Relación de aspecto: 16:9 (predeterminada)
• Duraciones: 6s, 8s, 10s

Ideal para:

• Producción cinematográfica de alta resolución que requiere nitidez 4K
• Contenido profesional que necesita movimiento fluido a 50 FPS
• Secuencias detalladas en las que la estabilidad visual y la integridad estructural son cruciales

Coste: Varía según la configuración y la duración seleccionadas

Una herramienta de dirección con IA de precisión que permite redirigir de forma específica el diálogo, la emoción y la acción dentro de planos existentes sin romper la continuidad ni regenerar toda la secuencia.

Entradas de generación:

• Vídeo de origen
• Descripción de texto

Características:

• Modifica segmentos concretos manteniendo una sólida preservación del contexto de los fotogramas circundantes
• Reformula líneas habladas manteniendo la voz, la interpretación y el entorno del personaje coherentes
• Varios modos de edición: selecciona entre “Audio y vídeo”, “Solo audio” o “Solo vídeo” para aislar y regenerar elementos específicos del plano
• El contenido nuevo hereda de forma natural el movimiento, la iluminación y el tono originales para lograr transiciones fluidas
• Experimenta al instante con reacciones alternativas de personajes, momentos emocionales o movimientos de cámara dentro de un único plano
• Genera hasta 4 variaciones simultáneamente para compararlas lado a lado

Opciones de salida:

• Relaciones de aspecto: solo 16:9

Ideal para:

• Ajustar guiones y perfeccionar diálogos sin necesidad de volver a rodar ni grabar
• Corregir momentos emocionales o problemas de ritmo en posproducción
• Probar varios mensajes de marca y llamadas a la acción en un único recurso de marketing

Coste: Varía según la configuración y la duración seleccionadas

Un modelo generativo optimizado para la velocidad, diseñado para ciclos de feedback ajustados y creación de contenido a gran velocidad, que ofrece imágenes de alta resolución con tiempos de renderizado significativamente reducidos.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (Imagen a vídeo)

Características:

• Diseñado para la velocidad y la iteración rápida, permite experimentar visualmente con rapidez y obtener previsualizaciones casi instantáneas
• Admite resultados nativos de 1080p, 2k y 4k con menor sobrecarga computacional que el modelo Pro
• Ofrece 25 FPS y 50 FPS para un movimiento fluido a alta velocidad
• Permite generar rápidamente contenido audiovisual sincronizado de hasta 20 segundos
• Compatibilidad nativa para activar o desactivar el audio en cada generación
• Genera hasta 4 variaciones simultáneamente

Opciones de salida:

• Resoluciones: 1080p, 2k, 4k
• Frecuencias de fotogramas: 25 FPS, 50 FPS
• Relación de aspecto: 16:9 (predeterminada)
• Duraciones: 6s, 8s, 10s, 12s, 14s, 16s, 18s, 20s

Ideal para:

• Creación rápida de prototipos y exploración creativa donde se prioriza la velocidad sobre el máximo detalle
• Contenido para redes sociales de gran volumen que requiere entregas rápidas
• Pruebas A/B de distintos conceptos visuales y estilos de movimiento

Coste: Varía según la configuración y la duración seleccionadas

Un modelo de vídeo cinematográfico con referencias de imagen, vídeo y audio, audio generado y generaciones de hasta 30 segundos.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 10)
• Referencias de vídeo (hasta 5, 15s en total)
• Referencias de audio (hasta 5, 15s en total)

Características:

• Los fotogramas y las referencias son mutuamente excluyentes
• Duraciones fijas: 5s, 10s, 15s, 20s y 30s
• Control de sonido nativo con el audio activado o desactivado en cada generación
• Mejora opcional del prompt
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p, 1080p
• Relaciones de aspecto: Automática, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Planos cinematográficos largos con gran fidelidad al prompt
• Escenas basadas en referencias con audio

Coste: Varía según la configuración y la duración seleccionadas

Una variante más rápida de Wan 3.0 con las mismas entradas y opciones de salida, adecuada para la ideación.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial
• Fotograma final
• Referencias de imagen (hasta 10)
• Referencias de vídeo (hasta 5, 15s en total)
• Referencias de audio (hasta 5, 15s en total)

Características:

• Aproximadamente la mitad del tiempo de generación de Wan 3.0
• Duraciones fijas: 5s, 10s, 15s, 20s y 30s
• Control de sonido nativo con el audio activado o desactivado en cada generación
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p, 1080p
• Relaciones de aspecto: Automática, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Explorar ideas antes del renderizado final con Wan 3.0
• Flujos de trabajo sensibles a los plazos de entrega

Coste: Varía según la configuración y la duración seleccionadas

Una plataforma de vídeo cinematográfico de última generación que utiliza una arquitectura multimodal unificada para ofrecer contenido 1080p listo para producción, con sincronización de audio nativa y secuenciación inteligente de múltiples planos.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (Imagen a vídeo)
• Referencia de vídeo (Vídeo a vídeo)
• Referencia de audio (audio de fondo o diálogo opcional)

Características:

• Sistema multimodal unificado: procesa texto, imágenes, vídeo y audio mediante un único marco integrado para ofrecer una calidad de salida constante
• Sincronización de audio nativa: genera y alinea automáticamente diálogos, narración y efectos de sonido ambientales con el movimiento en pantalla
• Secuenciación inteligente de múltiples planos: organiza automáticamente secuencias de vídeo conectadas en arcos narrativos coherentes, manteniendo la coherencia de los personajes
• Duraciones ampliadas: admite generación estable y de alta calidad con duraciones fijas de 5s, 10s y 15s
• Control creativo avanzado: admite prompts negativos para una gestión detallada y la creación por lotes de hasta 4 variaciones

Opciones de salida:

• Resoluciones: 720p, 1080p
• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Narrativa profesional y secuencias cinematográficas complejas de múltiples planos
• Anuncios en redes sociales y contenido de marketing que requiere audio integrado de alta fidelidad
• Contenido centrado en personajes que requiere una estricta coherencia visual y de movimiento mediante referencias de vídeo

Coste: Varía según la configuración y la duración seleccionadas

Un modelo versátil que ofrece movimiento cinematográfico y gran fidelidad al prompt a partir de texto o una imagen inicial.

Entradas de generación:

• Texto a vídeo
• Fotograma inicial (Imagen a vídeo)

Características:

• Control creativo detallado con prompts negativos y control de sonido específico
• Duraciones fijas: 5s y 10s
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p, 1080p
• Relaciones de aspecto: 16:9, 1:1, 9:16

Ideal para:

• Contenido cinematográfico con gran fidelidad al prompt

Coste: Varía según la configuración y la duración seleccionadas

El modelo de imagen de OpenAI listo para producción, para resultados muy detallados y edición precisa.

Entradas de generación:

• Texto a imagen
• Referencias de imagen (hasta 10)

Características:

• Cinco niveles de calidad, de Bajo a Máximo
• Resolución personalizada de hasta 3840px por lado, con relaciones de aspecto de hasta 3:1
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K, 4K o personalizada
• Relaciones de aspecto: 3:1, 21:9, 2:1, 16:9, 3:2, 4:3, 5:4, 1:1, 4:5, 3:4, 2:3, 9:16, 1:2, 1:3

Ideal para:

• Recursos finales en los que el detalle y la fidelidad son prioritarios
• Ediciones precisas de imágenes existentes

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gpt-image-2.5-sunburst

Una variante rápida de GPT Image 2.5 con los mismos controles que Sunburst, ajustada para generación cotidiana y de gran volumen.

Entradas de generación:

• Texto a imagen
• Referencias de imagen (hasta 10)

Características:

• Cinco niveles de calidad, de Bajo a Máximo
• Resolución personalizada de hasta 3840px por lado, con relaciones de aspecto de hasta 3:1
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K, 4K o personalizada
• Relaciones de aspecto: 3:1, 21:9, 2:1, 16:9, 3:2, 4:3, 5:4, 1:1, 4:5, 3:4, 2:3, 9:16, 1:2, 1:3

Ideal para:

• Generación de imágenes de gran volumen
• Iteraciones rápidas que aún necesitan 4K y tamaños personalizados

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gpt-image-2.5-flare

Un modelo avanzado de IA diseñado para la generación precisa de imágenes, con renderizado de texto mejorado y capacidades de salida de alta resolución.

Características:

• Control preciso del texto para crear imágenes con tipografía y claridad exactas
• Salida PNG de alta resolución adecuada para uso profesional y comercial
• Admite varias referencias de imagen para guiar el estilo y la composición
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 3:2, 1:1, 2:3
• Opciones de calidad: baja, media, alta

Ideal para:

• Recursos visuales de marketing y diseño que requieren una colocación precisa del texto
• Contenido profesional con requisitos de alta resolución
• Proyectos creativos que necesitan un control preciso de las imágenes basadas en texto

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gpt-image-2

Un modelo avanzado de generación de imágenes con IA que combina calidad lista para producción y procesamiento ultrarrápido, con un conocimiento del mundo y una coherencia de los sujetos mejorados.

Características:

• Salida en resolución 4K nativa sin escalado para un detalle nítido
• Generación de imágenes ultrarrápida en tan solo 1-2 segundos
• Gran fidelidad al prompt mediante razonamiento avanzado y seguimiento de instrucciones
• Renderizado de texto nítido y preciso en varios idiomas para mockups, señalética e infografías
• Estilo coherente para varios sujetos que conserva la identidad entre múltiples personajes y objetos
• Conocimiento del mundo mejorado para una generación de escenas más precisa
• Admite varias referencias de imagen para guiar la generación
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16
• Resoluciones: hasta 4K

Ideal para:

• Flujos de trabajo creativos rápidos que requieren iteración en tiempo real
• Contenido de marca y narrativas con identidad de personajes coherente
• Recursos visuales profesionales con texto y tipografía precisos

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gemini-3.1-flash-image

Una variante rápida y de bajo coste de Nano Banana 2 para generar y editar rápidamente en 1K.

Entradas de generación:

• Texto a imagen
• Referencias de imagen (hasta 14)

Características:

• Salida fija de 1K para una velocidad y un coste constantes
• La misma capacidad de 14 imágenes de referencia que Nano Banana 2
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K
• Relaciones de aspecto: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Ideal para:

• Iteración rápida y borradores
• Ediciones masivas para las que 1K es suficiente

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gemini-3.1-flash-lite-image

Un modelo versátil de generación de imágenes de Krea AI, listo para producción, que equilibra calidad y velocidad para una amplia variedad de flujos de trabajo creativos.

Características:

• Generación de imágenes de alta fidelidad con gran adherencia al prompt
• Admite varias referencias de imagen para guiar la generación
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Creación de contenido profesional que requiere una calidad constante
• Iteración rápida en diversos conceptos creativos

Coste: Varía según la configuración seleccionada y el número de variaciones

El modelo insignia de generación de imágenes de Krea AI, que ofrece máxima fidelidad visual y control creativo avanzado para flujos de trabajo de producción profesional.

Características:

• Detalle y realismo excepcionales para resultados de calidad profesional
• Control de estilo avanzado con compatibilidad para varias referencias de imagen
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Producción de imágenes comerciales y editoriales de alta gama
• Composiciones creativas complejas que requieren la máxima fidelidad

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de texto a imagen centrado en el diseño, con gran control del prompt y una composición limpia.

Entradas de generación:

• Texto a imagen

Características:

• La salida 2K utiliza la variante del modelo Pro
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K
• Relaciones de aspecto: 2:1, 16:9, 3:2, 14:10, 4:3, 5:4, 1:1, 4:5, 3:4, 10:14, 2:3, 6:10, 9:16, 1:2

Ideal para:

• Gráficos, iconos y pósteres centrados en la composición
• Composiciones limpias creadas solo a partir de texto

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de imagen centrado en el diseño que puede igualar el estilo de imágenes de referencia.

Entradas de generación:

• Texto a imagen
• Referencias de estilo (hasta 10)

Características:

• Control de coincidencia de estilo: Preciso sigue fielmente el estilo de referencia; Flexible reproduce el aspecto general
• La salida 2K utiliza la variante del modelo Pro
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K
• Relaciones de aspecto: 2:1, 16:9, 3:2, 14:10, 4:3, 5:4, 1:1, 4:5, 3:4, 10:14, 2:3, 6:10, 9:16, 1:2

Ideal para:

• Gráficos coherentes con la marca a partir de un conjunto de referencias de estilo
• Trabajos de ilustración y diseño

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de imagen ligero y de generación rápida de ByteDance que ofrece resultados de alta calidad con requisitos de computación reducidos.

Características:

• Generación rápida para una iteración creativa ágil
• Admite varias referencias de imagen para guiar la generación
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Flujos de trabajo de creación de imágenes de gran volumen que requieren velocidad
• Exploración rápida de conceptos y previsualizaciones

Coste: Varía según la configuración seleccionada y el número de variaciones

API: bytedance-seedream-5-lite

La variante Seedream 5 de mayor fidelidad para edición precisa, texto multilingüe e infografías densas.

Opciones de generación:

• Texto a imagen
• Imágenes de referencia (hasta 10)

Características:

• Renderizado preciso de texto multilingüe
• Gestiona diseños densos, como infografías y carteles
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K
• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Diseños con mucho texto en varios idiomas
• Edición de varias imágenes con una adherencia estricta a las referencias

Coste: Varía según la configuración seleccionada y el número de variaciones

API: bytedance-seedream-5-pro

Un modelo insignia de alta velocidad diseñado para generar imágenes precisas a partir de texto y editar fotos complejas de forma no destructiva, preservando los detalles originales.

Características:

• Ejecuta de forma fiable los cambios solicitados mientras mantiene la integridad de la iluminación, la composición y el aspecto del sujeto en las imágenes de origen
• Admite tareas de edición complejas, como añadir, eliminar, combinar y fusionar elementos
• Ofrece resultados hasta 4 veces más rápido que las iteraciones anteriores
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 3:2, 1:1, 2:3
• Opciones de calidad: baja, media, alta

Ideal para:

• Ajustes prácticos de fotos y pruebas virtuales realistas de ropa o peinados
• Transformaciones conceptuales y filtros estilísticos que conservan la esencia de la imagen de entrada
• Iteración rápida de conceptos de texto a imagen

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gpt-image-1.5

El modelo de imagen de primera generación de OpenAI, con buena adherencia al prompt, texto legible y edición detallada.

Opciones de generación:

• Texto a imagen
• Imágenes de referencia (hasta 5)

Características:

• Tres niveles de calidad: bajo, medio, alto
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Relaciones de aspecto: 3:2, 1:1, 2:3

Ideal para:

• Workflows ya creados en torno a la salida de GPT Image 1
• Ediciones sencillas y tareas de texto en imagen con resolución estándar

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gpt-image-1

Un modelo fundacional multimodal de alto rendimiento que unifica la síntesis de texto a imagen, la edición precisa de imágenes y la composición compleja de varias imágenes en un único framework eficiente.

Características:

• Compatibilidad nativa con la generación rápida de imágenes de alta fidelidad de hasta 4K de resolución
• Conservación excepcional de los rasgos faciales, la iluminación, el tono de color y los detalles finos durante tareas de edición basadas en referencias
• Identifica y fusiona con precisión elementos objetivo de varias imágenes de entrada para obtener resultados controlables y coherentes
• Ofrece capacidades de composición de nivel profesional con un renderizado claro y preciso de texto pequeño para carteles y recursos visuales de marca
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16
• Resoluciones: 2K, 4K

Ideal para:

• Workflows de diseño gráfico profesional que requieren una maquetación y tipografía precisas
• Edición fotográfica compleja que necesita una adherencia estricta a la identidad y la iluminación de las referencias
• Composición creativa de alta resolución con múltiples fuentes visuales

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de generación de imágenes de alta fidelidad con capacidades avanzadas de razonamiento, diseñado para ofrecer una adherencia superior al prompt y una coherencia visual precisa en composiciones complejas.

Características:

• Capacidad excepcional para interpretar y ejecutar descripciones de texto intrincadas y con varias capas con gran precisión
• Aprovecha las imágenes de referencia para mantener la identidad del sujeto, la iluminación y el estilo estético entre generaciones
• Optimizado para texturas realistas, relaciones espaciales complejas y efectos de iluminación de calidad profesional
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: automática, 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3, 21:9
• Resoluciones: 1K, 2K

Ideal para:

• Recursos creativos profesionales que requieren una adherencia estricta a prompts de texto detallados y técnicos
• Edición de imágenes y diseño de personajes de alta coherencia mediante referencias visuales

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de generación y edición de imágenes listo para producción, diseñado para workflows profesionales, que ofrece calidad visual de vanguardia centrada en la velocidad, la precisión y la coherencia.

Características:

• Usa varias imágenes de referencia simultáneamente para lograr una coherencia de personajes e identidad líder en el sector en cientos de recursos
• Ofrece un salto sin precedentes en la calidad de los detalles, reduciendo la diferencia con la fotografía real, desde texturas de tejidos hasta elementos arquitectónicos
• Ofrece renderizado de texto listo para producción para tipografía compleja, mockups de UI e infografías
• Admite la especificación precisa de colores de marca mediante códigos hexadecimales, sin aproximaciones
• Garantiza una colocación precisa de objetos, física realista, iluminación coherente y una perspectiva adecuada en escenas complejas
• Optimizado para mejorar la precisión y la respuesta a instrucciones estructuradas y complejas
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16
• Resoluciones: 720p, 1080p, 2K

Ideal para:

• Crear campañas con personajes coherentes y situar productos con precisión en cualquier contexto
• Crear mockups de interfaces con texto legible y sistemas de diseño visual coherentes
• Generar fotografía de producto a escala y fotografías contextuales de estilo de vida

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo profesional de generación y edición de imágenes basado en razonamiento, diseñado para producir recursos de alta fidelidad, ofrecer control creativo avanzado y seguir instrucciones con precisión.

Entradas:

• Imagen de referencia
• Descripción de texto (admite prompts complejos con varias capas)

Características:

• Planifica las escenas antes de renderizarlas para ofrecer iluminación fiel a la física, relaciones precisas entre objetos y una adherencia superior al prompt
• Genera texto multilingüe nítido y legible en varios estilos tipográficos y de escritura a mano para carteles y mockups de producto impactantes
• Mantiene una alta fidelidad y semejanza para hasta 5 personas y varios objetos en distintos resultados creativos
• Integra Google Search para mejorar los recursos visuales con datos reales, conocimiento del mundo real e información en tiempo real, como el tiempo o los deportes
• Ajusta ángulos de cámara, puntos focales e iluminación de la escena (por ejemplo, transformar el día en noche) con herramientas avanzadas de edición localizada
• Su comprensión espacial superior permite generar infografías precisas, diagramas técnicos y diapositivas de presentación
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: 1K, 2K, 4K
• Relaciones de aspecto: automática, 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Ideal para:

• Publicidad profesional, recursos de marca y fotografía de producto para e-commerce de alta gama
• Explicaciones educativas, infografías basadas en datos y documentación técnica compleja
• Creación rápida de prototipos de diseños visuales de alta resolución con identidad de personaje o marca coherente

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gemini-3-pro-image

Un modelo de alta velocidad para generar y editar imágenes de forma rápida y con gran calidad directamente a partir de prompts de texto.

Características:

• Admite varias imágenes de referencia para guiar la generación
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 21:9, 16:9, 5:4, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16

Ideal para:

• Creación e iteración rápida de imágenes

Coste: Varía según la configuración seleccionada y el número de variaciones

API: gemini-2.5-flash-image

Un modelo base avanzado diseñado para la generación de imágenes de alta fidelidad, que ofrece un control estilístico sin precedentes y memoria visual para mantener la coherencia entre escenas.

Características:

• Fija personajes, estilos u objetos específicos mediante imágenes de entrada para mantener una coherencia de calidad profesional en múltiples resultados
• Optimizado para interpretar descripciones complejas en lenguaje natural y controlar con precisión los detalles visuales, la iluminación y las emociones
• Capaz de generar recursos visuales de alta calidad para casos de uso diversos, desde storyboards cinematográficos hasta fotografía profesional de producto
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16
• Resoluciones: 720p, 1080p

Ideal para:

• Garantizar que los protagonistas mantengan su aspecto en diferentes entornos y tratamientos de iluminación
• Producir rápidamente recursos de marca de alta resolución, pruebas virtuales y visualizaciones de productos preparadas para escalar
• Explorar distintas direcciones artísticas mientras se mantiene la identidad visual principal mediante imágenes de referencia

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de generación de imágenes optimizado para la velocidad, que ofrece resultados 2,5 veces más rápido que Gen-4 Image estándar y mantiene una calidad de salida idéntica.

Características:

• El procesamiento optimizado permite una exploración creativa rápida y genera imágenes de alta fidelidad en una fracción del tiempo
• Sube hasta tres imágenes de referencia para guiar la comprensión del modelo sobre personajes, entornos y estilos artísticos específicos
• Resuelve el problema de la deriva visual al codificar características visuales específicas de las imágenes de referencia para mantener la identidad entre varias generaciones
• Aplica fácilmente la estética, la iluminación y la textura de una imagen de referencia a sujetos y escenas totalmente nuevos
• Utiliza parámetros de semilla para explorar variaciones de forma sistemática o recrear resultados específicos con precisión
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16
• Resoluciones: 720p, 1080p

Ideal para:

• Producir rápidamente recursos visuales optimizados para la plataforma para Instagram Stories (9:16) o publicaciones estándar (1:1) a escala
• Mantener una identidad visual estricta entre campañas usando guías de estilo de marca como imágenes de referencia
• Desarrollar poses y entornos de personajes coherentes, garantizando que el protagonista siga siendo reconocible
• Crear con precisión fotografías diversas de producto de estilo de vida y de temporada mediante orientación basada en referencias

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de imagen especializado en generar secuencias de varios planos o escenas con mucho movimiento y acción.

Características:

• Destaca en la creación de imágenes con física estable y transiciones coherentes
• Admite varias imágenes de referencia para guiar la generación
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: automática, 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Escenas de acción y composiciones dinámicas

Coste: Varía según la configuración seleccionada y el número de variaciones

La variante de imagen de Wan 2.5, con una alta fidelidad al prompt y compatibilidad con imágenes de referencia.

Opciones de generación:

• Texto a imagen
• Imágenes de referencia (hasta 2)

Características:

• Controles de prompt negativo y semilla
• Creación por lotes de hasta 4 generaciones a la vez

Opciones de salida:

• Relaciones de aspecto: 16:9, 4:3, 1:1, 3:4, 9:16

Ideal para:

• Imágenes fijas que coinciden con el aspecto de las generaciones de vídeo de Wan
• Imágenes conceptuales fieles al prompt

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo profesional para generación y edición avanzadas de imágenes, con gran coherencia de escena y control de estilo.

Características:

• Control de estilo basado en imágenes que requiere una imagen de referencia para guiar la estética visual
• Genera hasta 4 imágenes a la vez

Opciones de salida:

• Relaciones de aspecto: 21:9, 16:9, 4:3, 3:2, 1:1, 2:3, 3:4, 4:5, 9:16, 9:21

Ideal para:

• Contenido profesional con requisitos de estilo precisos

Coste: Varía según la configuración seleccionada y el número de variaciones

Un modelo de transformador de difusión (DiT) de última generación diseñado para renderizar avatares ultrarrealistas y reactivos, guiados por audio y texto.

Entradas de generación:

• Avatar (imagen de origen)
• Voz (archivo de audio)
• Descripción de texto (guía)

Funciones:

• Va más allá de la sincronización labial básica e incluye parpadeos adaptados al contexto, respiración y expresiones faciales naturales
• Sincroniza automáticamente los movimientos de las manos y de todo el cuerpo según el tono y la inflexión de la voz para lograr una interpretación de calidad de estudio
• Interpreta con precisión la intensidad y el tono de la voz para ofrecer expresiones emocionales fieles a la interpretación
• Mantiene una alta fidelidad del personaje y coherencia de comportamiento incluso en diálogos extensos o actuaciones musicales
• Optimizado para distintas configuraciones, como presentaciones en ángulo lateral, diálogos estilo pódcast y animaciones estilizadas
• Genera hasta 4 variaciones a la vez

Opciones de salida:

• Resoluciones: 480p, 720p

Ideal para:

• Anuncios de vídeo profesionales con avatares y contenido de marketing
• Narrativa virtual de alta fidelidad e interpretaciones musicales expresivas
• Vídeos educativos o de formación de larga duración que requieren una presencia coherente del personaje

Coste: Varía según la entrada, la configuración y la duración

API: creatify-aurora

Un modelo rápido y preciso de sincronización labial de imagen a vídeo que anima una imagen fija para que coincida con el audio proporcionado.

Entradas:

• Imagen de origen
• Archivo de audio de voz

Funciones:

• Anima la boca y las expresiones faciales de la imagen de origen para que coincidan con el audio proporcionado
• Crea vídeos de alta fidelidad de imágenes fijas que parecen «hablar»
• Herramienta específica de sincronización labial, no un modelo completo de generación de vídeo

Ideal para:

• Crear avatares parlantes a partir de imágenes fijas
• Añadir diálogos a retratos de personajes
• Flujos de trabajo profesionales de contenido con avatares

Coste: Varía según la entrada, la configuración y la duración

El modelo de avatares más reciente de HeyGen para generar vídeos de busto parlantes muy realistas y expresivos a partir de una sola imagen y una entrada de audio.

Entradas:

• Imagen de origen
• Archivo de audio de voz

Funciones:

• Anima las expresiones faciales y los movimientos de los labios para que coincidan con el audio proporcionado con alta fidelidad
• Produce movimientos naturales de cabeza y microexpresiones sutiles para obtener resultados realistas
• Herramienta específica de sincronización labial, no un modelo completo de generación de vídeo

Ideal para:

• Vídeos profesionales de portavoces y presentadores
• Crear contenido personalizado con avatares a escala
• Vídeos de marketing y formación con una presencia coherente del personaje

Coste: Varía según la entrada, la configuración y la duración

El modelo de sincronización labial de vídeo de última generación de Sync, que ofrece sincronización de calidad de estudio para una amplia variedad de tipos de contenido.

Entradas de generación:

• Vídeo de origen
• Audio de voz

Funciones:

• Sincronización labial de alta precisión que conserva rasgos faciales únicos, dientes naturales y textura de la piel
• Optimizado para todo tipo de contenido, incluidos vídeos de acción real, animación 3D y vídeo generado con IA
• Herramienta de sincronización labial de vídeo a vídeo, no un generador de vídeo completo

Ideal para:

• Doblaje y localización profesionales para cine y publicidad
• Mejorar o corregir diálogos en cualquier formato de vídeo
• Flujos de trabajo de traducción de contenido de gran volumen

Coste: Varía según la entrada, la configuración y la duración

Un modelo de edición de vídeo de última generación diseñado para una sincronización labial de calidad de estudio que conserva rasgos faciales únicos y permite resultados de alta resolución.

Entradas de generación:

• Vídeo de origen
• Audio de voz

Funciones:

• Incorpora escalado avanzado para admitir salida en 4K y mantener texturas nítidas y naturales
• Protege rasgos faciales únicos como dientes naturales, pecas, maquillaje y vello facial complejo sin perder claridad
• Optimizado para funcionar con todo tipo de contenido, incluidos vídeos de acción real, animación 3D y vídeo generado con IA
• Ofrece resultados expresivos y sincronizados al instante, sin necesidad de entrenamiento específico para cada hablante ni ajuste fino del modelo
• Genera hasta 4 variaciones simultáneamente

Ideal para:

• Doblaje de calidad profesional y contenido localizado para cine y publicidad de alto nivel
• Mejorar o corregir diálogos en personajes animados en 3D y generados con IA
• Proyectos de alta resolución que requieren consistencia y detalle faciales perfectos a nivel de píxel

Coste: Varía según la entrada, la configuración y la duración

Un modelo de utilidad específico para generar una sincronización labial excepcionalmente realista y humana.

Entradas:

• Imagen estática de origen
• Archivo de audio de voz

Funciones:

• Anima la boca de la imagen de origen para que coincida con el audio proporcionado
• Crea vídeos de alta fidelidad de imágenes fijas que parecen «hablar»
• Herramienta específica de sincronización labial, no un modelo completo de generación de vídeo

Ideal para:

• Crear avatares parlantes
• Añadir diálogos a imágenes fijas
• Flujos de trabajo profesionales de doblaje

Coste: Varía según la entrada, la configuración y la duración

Un modelo de utilidad rápido, asequible y preciso para aplicar una sincronización labial realista a vídeos.

Entradas:

• Vídeo de origen
• Nuevo archivo de audio de voz

Funciones:

• Vuelve a animar los movimientos de la boca del vídeo de origen para que coincidan con el nuevo audio
• Herramienta de sincronización labial de vídeo a vídeo, no un generador de vídeo completo

Ideal para:

• Doblaje de gran volumen y rentable
• Traducir contenido
• Corregir el audio de clips de vídeo con resultados realistas

Coste: Varía según la entrada, la configuración y la duración

El sucesor de mayor calidad de Veed Lipsync para aplicar sincronización labial realista a vídeos existentes.

Entradas:

• Vídeo de origen
• Nuevo archivo de audio de voz

Funciones:

• Vuelve a animar los movimientos de la boca del vídeo de origen para que coincidan con el nuevo audio
• Herramienta de sincronización labial de vídeo a vídeo, no un generador de vídeo completo
• Creación por lotes con hasta 4 generaciones a la vez

Ideal para:

• Doblaje y traducción cuando la calidad de salida importa más que el coste
• Corregir diálogos en clips terminados

Coste: Varía según la entrada, la configuración y la duración

Un modelo de utilidad específico para escalar imágenes y vídeos, diseñado para mejorar la resolución y el detalle hasta 4x.

Funciones:

• Herramienta de mejora que procesa archivos multimedia existentes
• Aumenta el tamaño del contenido multimedia, conserva las texturas naturales y minimiza los artefactos
• Factores de escalado muy granulares: 1x, 1.25x, 1.5x, 1.75x, 2x, 3x, 4x
• Específico para vídeo: control flexible de la frecuencia de fotogramas (mantener la original o convertir a 24, 25, 30, 48, 50 o 60 fps)

Ideal para:

• Mejorar la calidad del contenido generado
• Restaurar grabaciones o fotografías antiguas
• Preparar recursos para pantallas de alta resolución

Coste: Varía según la entrada

Elimina el fondo de una imagen y la devuelve con transparencia alfa.

Entradas:

• Imagen de origen

Funciones:

• No requiere prompt
• Una sola salida por ejecución

Ideal para:

• Recortes de productos y composición
• Preparar sujetos para usarlos como referencias en otras generaciones

Coste: Varía según la entrada

Convierte vídeo de rango dinámico estándar en HDR.

Entradas:

• Vídeo de origen (hasta 30 s)

Funciones:

• No requiere prompt
• Una sola salida por ejecución; la duración y el encuadre siguen al original

Ideal para:

• Preparar grabaciones para pantallas HDR
• Reajustar el color de vídeo generado para su entrega

Coste: Varía según la duración del vídeo