Cinco modelos de video llegaron a Azure. La inferencia es de fal

El 5 de noviembre, Microsoft y fal anunciaron que cinco modelos de generación de video están disponibles en Microsoft Foundry como preview pública, entregados como servicio propio de Azure. Los modelos vienen de Kuaishou, Lightricks y MiniMax. La inferencia la pone fal. Microsoft no construyó ninguno.
Ese arreglo es la historia. Durante dos años, la pregunta sobre los modelos de video era quién tenía el mejor. La pregunta que responde este anuncio es otra: quién se queda con la caja donde los compras. Microsoft acaba de postularse, y lo hizo admitiendo que no necesita ser dueño de los modelos para ser dueño de la transacción.
Los cinco, y para qué sirve cada uno
El enfoque de Microsoft es que el trabajo creativo no es una sola tarea. Un equipo que explora varias direcciones para un brief, una tienda que convierte una foto de producto aprobada en un concepto de movimiento, un desarrollador que encadena generación de imagen con generación de video: cada uno quiere cosas distintas de un modelo. Calidad, movimiento, control, plazo y costo se equilibran de forma diferente en cada caso. Por eso los cinco son cinco posiciones en un mapa, no cinco intentos contra el mismo benchmark.
**Kling v3 Pro** es el cinematográfico. Calidad de imagen con movimiento suave, generación de audio nativa, elementos personalizados. Su modo imagen a video permite controlar cómo un fotograma inicial concreto se convierte en un plano en movimiento. Es la elección cuando la dirección visual y el desempeño del movimiento importan más que el precio por segundo.
**LTX-2.5** llega en dos niveles. Fast es para iterar y previsualizar, Pro para entrega de alta fidelidad. Los dos hacen texto a video e imagen a video, y los dos traen audio sincronizado. La razón de lanzar ambos es que un equipo puede hacer el borrador y terminar en la misma plataforma sin cambiar de herramienta, lo que suena menor hasta que intentas mantener el mismo look entre dos proveedores.
**MiniMax H3 Max y H3 Max Turbo** son variantes con post-entrenamiento de H3, orientado a seguir instrucciones, calidad visual y razonamiento. Turbo cambia algo de calidad por generación más rápida y está pensado para iteración de alta frecuencia.
Sobre escala, el fundador de fal, Burkay Gur, lo dijo claro: las aplicaciones de medios generativos se están volviendo multimodelo, porque distintas partes del trabajo necesitan cosas distintas. El catálogo de fal cubre más de 1.500 modelos entre imagen, video, audio y 3D, además de inferencia, entrenamiento e infraestructura. Microsoft eligió cinco. La selección es el producto.
El detalle de la residencia de datos
Enterrada en el anuncio está la frase que va a cerrar contratos: los modelos se alojan en regiones de EE. UU., y Foundry es el primer proveedor en ofrecer un endpoint de Kling alojado en EE. UU.
Kling viene de Kuaishou, una empresa china. Para una empresa estadounidense con revisión de compras, «podemos usar el modelo y la inferencia ocurre en una región de EE. UU. bajo un contrato de Azure» es una conversación distinta de «podemos usar el modelo». El modelo es idéntico. El papeleo no.
Esta es la parte de la tesis multimodelo que se vende poco. El argumento técnico a favor de un intermediario es la comodidad. El argumento comercial es que el intermediario absorbe la superficie de cumplimiento. Microsoft está vendiendo el segundo.
Precio, y un número para verificar tú mismo
El cobro es por segundo generado, y la resolución y el modo de audio mueven el precio unitario. Microsoft dice que los precios concretos aparecerán en la página de precios de Azure en las próximas semanas.

Una advertencia. El cuerpo oficial del blog y su tabla no describen igual la unidad de cobro. Antes de meter esto en un presupuesto, confirma en la página de precios si el medidor lee por segundo o por minuto, y multiplica. Ese tipo de discrepancia es común en anuncios de preview y es justo lo que convierte un experimento barato en una factura sorpresa.
Tampoco hay un benchmark único de calidad o latencia entre los cinco. Microsoft lo dice. Elegir significa pasar tus propios prompts, tus propias imágenes de origen, tus propias duraciones de clip y tus propios requisitos de audio por cada uno. El estado de preview significa sin SLA y con una interfaz que puede cambiar.
El truco con ComfyUI es la parte útil
Un segundo post de Microsoft, publicado junto al anuncio, explica cómo conectar los modelos de imagen de Foundry y los modelos de video de fal en ComfyUI con dos nodos personalizados, sin ninguna clave de API en la cadena.
Tres pasos.
Primero, despliega los modelos en tu proyecto de Foundry. Con el catálogo del portal o con la CLI:
az cognitiveservices account deployment create ...
Los identificadores de modelo del ejemplo son gpt-image-2.5-sunburst, FLUX.2-pro y MAI-Image-2.6 en imagen, y Fal-MiniMax-H3-Max en video. Una regla de nombres importa: el nombre del despliegue de imagen tiene que coincidir con el nombre del modelo, porque los nodos deducen la familia del modelo de esa cadena. Los nombres de despliegue de video pueden ser los que quieras.
Segundo, dale a ComfyUI acceso sin clave. Los nodos usan DefaultAzureCredential, es decir, se autentican con la identidad de Entra que la máquina ya tiene. En un portátil es tu sesión de az login. En Azure es la identidad administrada. Esa identidad necesita el rol Cognitive Services User en el recurso de Foundry, o Foundry User. No hay clave que guardar, rotar o filtrar en un JSON de workflow compartido, que es la forma más común de comprometer una instalación de ComfyUI.
Tercero, pega el endpoint del proyecto, que se parece a https://xxx.services.ai.azure.com/api/projects/xxx.
La arquitectura es la consecuencia interesante. La generación ocurre en Foundry. ComfyUI solo orquesta. Así, la máquina que corre ComfyUI no necesita GPU, y el ejemplo de Microsoft es una llamada de texto a imagen alimentando una llamada de imagen a video para producir un plano cinematográfico de cinco segundos, montado en hardware que podría ser un portátil.
Para quien mantuvo una instalación de ComfyUI con cuarenta nodos personalizados y un zoológico de checkpoints locales, la forma es genuinamente distinta. El workflow se vuelve un cliente ligero. Lo que se pierde es trabajar sin conexión y poder cambiar a un modelo local en medio del grafo.
El vecino incómodo en el mismo ciclo de noticias
Entre el 5 y el 6 de noviembre, la guía de actualizaciones de seguridad de Microsoft incluyó dos entradas CVSS 10.0. Una estaba en el registro de dispositivos de Entra. La otra era CVE-2026-85889, una falla de autenticación ausente en Azure AI Foundry, CWE-306, vector de red, sin privilegios requeridos, sin interacción del usuario.
La nota de Microsoft dice que los clientes no necesitan hacer nada, porque el arreglo se aplicó en la infraestructura de Microsoft y no hay versión desplegada en cliente que parchear. Reportada por el investigador Rémy Marot, sin evidencia de explotación real.
Aquí hay que separar dos cosas. Una nota de 10.0 mide el impacto en el peor caso, no la probabilidad, y la propia evaluación de explotabilidad de Microsoft es baja. Y un aviso de CVE en la nube es una notificación, no una tarea. No lo parcheas. Vas a leer los registros en busca de despliegues y llamadas inusuales en la ventana previa al arreglo.
Aun así, pertenece al mismo párrafo que el lanzamiento, porque los dos hablan del mismo cambio. Cuando la plataforma ejecuta los modelos, guarda las claves y es dueña del endpoint, el perímetro de seguridad se mueve dentro de un servicio que no puedes inspeccionar. Esa es la cuenta de la comodidad.
Qué probar de verdad
Si estás evaluando esto, la comparación interesante es si un intermediario con cinco modelos supera a un proveedor con un modelo en tu pipeline real. Poner a Kling contra LTX contra MiniMax en abstracto dice muy poco.
Pasa el mismo brief por los cinco. Mide el tiempo desde el prompt hasta un clip usable, no hasta un clip. Después mide la tasa de repetición, porque un modelo que necesita tres intentos para acertar el movimiento cuesta el triple, sin importar la etiqueta. Luego revisa si el audio, cuando lo hay, sobrevive al montaje. La sincronía que se desfasa es peor que no tener audio.
Y ten presente la salida. Todo el atractivo de un intermediario es poder cambiar el modelo por debajo sin tocar tu integración. Pruébalo cambiando uno y viendo qué se rompe. Si la respuesta es «el formato del prompt», tienes un intermediario. Si la respuesta es «todo», tienes un proveedor con pasos extra.
Ignite va del 17 al 20 de noviembre, con una sesión dedicada a Foundry y fal el día 19. El precio y la disponibilidad general deberían llegar después. Hasta entonces es un preview sin SLA, lo que sirve para experimentos y no sirve para lanzar un producto.
Artículos relacionados
Google sacó los agentes de código del portátil, y el aviso de permiso sigue siendo el cuello de botella
La fontanería está casi resuelta. El aviso de permiso sigue siendo el cuello de botella humano.
NVIDIA libera cuatro modelos del mundo de 16B y la parte sin benchmark es el aprendizaje de políticas
NVIDIA dice que no está medido si estos modelos sirven para aprender políticas. La frase debería acompañar cualquier historia sobre modelos del mundo abiertos.
Cuatro de los repos más populares de GitHub son bibliotecas de skills, y ya hay un problema de empaquetado
La adopción va bien. El fallo interesante son cuatro formas incompatibles de instalar el mismo objeto.
Thinking Machines lanzó un modelo de 594B y dejó los pesos para la semana que viene
Un modelo fuerte, una receta documentada, una capacidad infravalorada y una fecha que el laboratorio no ha comprometido.