La revolución de Veo 3: cuando el video generado por IA da miedo de lo real que parece

La generación de video con IA acaba de dar un salto cualitativo que nos obliga a replantearnos muchas cosas. Google ha presentado Veo 3, su nuevo modelo de generación de video que no solo crea clips de 8 segundos en resolución 720p, sino que además incorpora efectos de sonido y diálogos sincronizados. Y sí, el resultado es tan impresionante como inquietante.

¿Qué es exactamente Veo 3 y por qué marca un antes y un después?

Veo 3 representa probablemente el generador de video para consumidores más avanzado hasta la fecha. Lo que hace unos años parecía ciencia ficción —crear videos realistas a partir de simples descripciones textuales o imágenes estáticas— ahora es una realidad accesible. Y aquí está la clave: estamos llegando a un punto donde distinguir entre un video «auténtico» y uno generado por IA se vuelve una tarea cada vez más complicada.

Junto a Veo 3, Google ha lanzado Flow, una herramienta online que combina este generador de video con Imagen 4 (su generador de imágenes) y el modelo de lenguaje Gemini. Esta plataforma permite a los creadores describir escenas en lenguaje natural y gestionar personajes, ubicaciones y estilos visuales desde una interfaz web.

¿Cuánto cuesta acceder a esta tecnología?

Ambas herramientas están disponibles para suscriptores de Google AI Ultra en Estados Unidos, un plan que cuesta 250 dólares mensuales e incluye 12.500 créditos. Cada video de Veo 3 consume 150 créditos, lo que permite generar unos 83 videos antes de agotar la suscripción. Si necesitas más, puedes adquirir créditos adicionales a razón de 1 céntimo por crédito, lo que supone aproximadamente 1,50 dólares por cada generación de video.

No es precisamente barato para uso casual, pero comparado con lo que costaría producir videos similares con métodos tradicionales, resulta una auténtica ganga.

La tecnología detrás de Veo 3

Como ocurre con otros modelos modernos de generación visual, Veo 3 está construido sobre tecnología de difusión, el mismo enfoque que utilizan generadores de imágenes como Stable Diffusion o Flux.

El proceso de entrenamiento es fascinante: se toman videos reales y se les añade ruido progresivamente hasta convertirlos en pura estática. Luego, se enseña a una red neuronal a revertir este proceso paso a paso. Durante la generación, Veo 3 comienza con ruido aleatorio y un prompt de texto, y refina iterativamente ese ruido hasta obtener un video coherente que coincide con la descripción proporcionada.

La gran novedad: audio integrado

Quizás el mayor avance de Veo 3 es su capacidad para generar audio integrado, desde sonidos ambiente hasta diálogos completos. Meta ya presentó algo similar con «Movie Gen» en octubre pasado, pero lo que vemos aquí parece dar un paso más allá en realismo e integración.

En nuestras pruebas hemos detectado algunos fallos ocasionales: los espaguetis suenan crujientes al ser comidos (un guiño al famoso video de Will Smith) y en escenas con múltiples personas, a veces el diálogo sale de la boca del personaje equivocado. Pero en general, la coherencia y calidad son notablemente superiores a lo que hemos visto en modelos de OpenAI, Runway, Minimax, Pika, Meta y otros competidores.

Un detalle curioso: los videos tienden a mostrar subtítulos distorsionados que casi coinciden con las palabras habladas. Esto es un artefacto resultante de los videos subtitulados presentes en los datos de entrenamiento. El modelo está simplemente imitando lo que ha «visto» antes.

Poniéndolo a prueba: limitaciones y censura

Durante las pruebas con Veo 3, nos encontramos con mensajes de «fallo de generación» para ciertos tipos de contenido que infringen el acuerdo de Google. Esto incluye material romántico y sexual, algunos tipos de violencia, menciones a propiedades intelectuales con derechos de autor, ciertos nombres de empresas, algunas celebridades y determinados eventos históricos.

Estas restricciones son comprensibles desde una perspectiva ética y legal, pero también plantean preguntas sobre quién decide qué contenido es aceptable y bajo qué criterios.

De un bárbaro estático a uno que habla

Desde 2022, hemos utilizado el prompt «un bárbaro musculoso con armas al lado de un televisor CRT, cinematográfico, 8K, iluminación de estudio» para evaluar generadores de imágenes como Midjourney. Con Veo 3, decidimos dar vida a ese bárbaro.

El resultado fue impresionante: pasamos de una imagen estática borrosa y colorida a un personaje fotorrealista que mira a cámara y habla directamente al espectador en HD con audio sincronizado. Este avance en solo tres años nos da una idea de la velocidad a la que está progresando esta tecnología.

Fallos reveladores

La IA de Veo 3 no es perfecta, especialmente cuando le pedimos escenarios que no están bien representados en sus datos de entrenamiento. Es en estos casos donde vemos cosas «imposibles» o ilógicas: partes del cuerpo extrañas, ropa que aparece mágicamente, objetos que «se rompen» pero permanecen intactos en la escena.

Estos fallos revelan la verdadera naturaleza de estos sistemas: son fundamentalmente imitativos, haciendo predicciones basadas en patrones estadísticos, sin un verdadero entendimiento de la física o de cómo funciona el mundo real.

Implicaciones para el detector de IA y el futuro de los medios

Con Veo 3, podemos imaginar fácilmente un mundo virtual poblado de personalidades de IA diseñadas para cualquier propósito. Aunque Google ha implementado filtros y restricciones, la historia nos enseña que eventualmente surgirán versiones sin censura de tecnologías similares.

Esto plantea un desafío enorme para las herramientas de detección de IA. Los detectores de IA actuales ya luchan con las imágenes generadas por los modelos más recientes, y con videos como los de Veo 3, la tarea se vuelve exponencialmente más compleja.

Lo que estamos presenciando no es el nacimiento de la decepción mediática, sino su democratización masiva. Lo que antes costaba millones de dólares en efectos especiales de Hollywood ahora puede crearse por unos pocos euros. Y esto tiene implicaciones profundas para nuestra relación con los medios visuales y la realidad misma.

¿Estamos condenados? Perspectivas encontradas

Ante esta revolución tecnológica, surgen dos posturas claramente diferenciadas:

Por un lado, están quienes ven en estas herramientas un potencial creativo sin precedentes. Argumentan que democratizará la producción audiovisual, permitiendo a creadores independientes realizar proyectos que antes requerían presupuestos millonarios. También destacan sus aplicaciones positivas en educación, medicina o accesibilidad.

Por otro lado, muchos expertos en ciberseguridad y ética digital advierten sobre los peligros de esta tecnología. El potencial para crear desinformación convincente, suplantación de identidad o contenido manipulado es enorme. La preocupación aumenta cuando pensamos en la velocidad a la que esta tecnología está mejorando, mientras que los mecanismos de detección y regulación avanzan mucho