Cómo funciona la generación de vídeo con IA: de las palabras a las imágenes en movimiento

La tubería arranca en tu texto, pero el modelo no lee el idioma como tú. Un codificador de texto (por lo general un gran modelo de lenguaje o un modelo visión-lenguaje) convierte tu indicación en una lista de números, un vector, que captura el significado y no la ortografía. «Un zorro rojo corriendo por la nieve al anochecer» se vuelve una huella matemática compacta de zorridad, nieve, movimiento y penumbra.

Ese vector se convierte en la señal de dirección del modelo. En cada paso de la generación se introduce como condición, recordando sin cesar qué debe contener el resultado. Por eso importa tanto cómo redactas: no le das órdenes a un director, sino que desplazas las coordenadas hacia las que apunta el modelo. Cambia «corriendo» por «saltando» y el vector objetivo, y con él el vídeo, se mueve.

Lo esencial es que no se recupera nada. El modelo no busca en una biblioteca de clips de zorros para empalmarlos. Durante el entrenamiento vio millones de vídeos y comprimió en sus pesos la estadística de cómo suele verse y moverse el mundo visual. Tu indicación elige un punto en ese espacio aprendido, y la generación es el modelo dibujando desde ese punto, partiendo de cero.

La mayoría de los generadores de vídeo actuales son modelos de difusión. La idea es contraintuitiva: enseña a un modelo a quitar ruido y aprenderá a crear. Durante el entrenamiento, el sistema añade estática aleatoria a un vídeo real, paso a paso, hasta que los fotogramas son puro ruido, y luego aprende a revertir cada paso. Para generar, parte de un campo nuevo de ruido y lo va limpiando hacia algo que coincida con tu texto.

Hacer esto sobre píxeles a resolución completa sería ruinosamente caro, así que el trabajo ocurre en el espacio latente. Un codificador comprime cada fotograma en una pequeña rejilla de números —un latente— que conserva la estructura significativa y descarta el detalle redundante. La difusión se ejecuta sobre esos latentes compactos y solo al final un decodificador los expande de nuevo en píxeles visibles. Los «fotogramas latentes» no son más que esa forma intermedia comprimida.

Cada pasada de eliminación de ruido es una conjetura que se va refinando. Los primeros pasos esbozan forma y color; los últimos afilan bordes y textura. El vector del texto empuja cada paso hacia tu descripción, y un ajuste que suele llamarse «guía» controla con cuánta fuerza tira: demasiado floja y el modelo te ignora, demasiado fuerte y la imagen se vuelve rígida y sobresaturada. Generar es apilar en serie decenas de esas pequeñas correcciones.

Una imagen fija solo tiene que ser verosímil una vez. Un vídeo debe serlo fotograma tras fotograma y ser coherente entre ellos: el mismo zorro, el mismo pelaje, la misma dirección de la sombra, moviéndose según una física aproximada. Un modelo que clava un solo fotograma todavía puede producir un zorro al que se le multiplican las patas, cuyo pelo tiembla o que se desliza por la nieve sin que sus almohadillas la toquen.

Para combatirlo, los modelos de vídeo añaden una dimensión temporal que los de imagen no tienen. En vez de generar los fotogramas por separado, usan atención temporal —capas que permiten a cada fotograma ver a los demás—, de modo que una decisión tomada en el primer fotograma se propaga hasta el trigésimo. Muchos sistemas generan todos los fotogramas a la vez y no uno tras otro; por eso el clip entero tiende a compartir un aspecto y por eso la duración está limitada: la atención a través del tiempo se encarece deprisa.

La coherencia temporal sigue siendo el filo más agudo del campo. El movimiento rápido, las manos, las multitudes, el texto de los carteles y la permanencia precisa de los objetos —una taza que sigue siendo la misma taza cuando una mano pasa por delante— continúan siendo difíciles. Cuando una generación se «deforma» o parpadea, suelen ser las capas temporales perdiendo la identidad de un objeto entre fotogramas. El avance aquí, más que la resolución, es lo que separa un clip convincente de uno inquietante.

Entender la tubería cambia tu forma de redactar. Como el modelo pinta a partir de una distribución aprendida, las escenas comunes y bien representadas salen más limpias que las raras: una persona caminando por la calle es más fácil que un elemento gimnástico concreto desde un ángulo extraño. Describe el plano, no solo el sujeto: la luz, el movimiento de cámara y la atmósfera son condiciones sobre las que el modelo puede actuar, no adornos.

También fija expectativas honestas. El modelo no tiene guion, ni memoria del plano anterior, ni una comprensión real de causa y efecto; produce lo que estadísticamente es más probable que siga a tus palabras. Por eso una sola generación dura unos segundos, por eso repetir el mismo texto da resultados distintos y por eso las historias largas se montan plano a plano en lugar de generarse en una toma continua.

Esa realidad de plano a plano es justo donde ayuda una herramienta que parte de la historia. Nureta (nureta.ai), por ejemplo, toma un relato, un fragmento de novela o un guion y se encarga del desglose —convertir la prosa en una secuencia de planos con sus indicaciones— y, cuando lo quieras, puede generar vídeo para adultos, NSFW, a partir de esa historia. Sea cual sea la herramienta, el modelo mental es el mismo: estás dirigiendo una probabilidad, escena a escena, hacia la película que tienes en la cabeza.