Meitu parte la IP de marca en dos botones: uno para la cara y otro para el movimiento

Del 29 de octubre al 1 de noviembre se celebró en Xiamen la 17.ª Feria de Industrias Culturales a ambos lados del estrecho. En el pabellón de Fujian, Meitu puso sobre la mesa RoboNeo, su plataforma de creación de imagen con IA, y el foco estuvo en tres cosas más bien aburridas: crear un personaje propio, escribir historias continuas alrededor de ese personaje y trasladar sus movimientos a una imagen nueva.
La petición en el stand la hizo un vendedor de alimentación. Quería una IP de marca reconocible, quería publicar contenido pegado a cada tendencia, pero contratar a un equipo profesional era caro y él no sabía hacerlo. Esa descripción es casi el retrato real del cliente de vídeo con IA en China: no estudios de cine, sino pequeños comercios sin presupuesto que necesitan publicar algo todos los días.
Parecer la misma persona es la parte difícil
Generar una sola imagen dejó de ser difícil hace tiempo. Lo difícil es la segunda, la quinta, la vigésima, y que siga siendo la misma persona.
La solución de RoboNeo se llama «bloqueo de estilo de la figura»: el comercio crea un personaje y a partir de ahí produce en lote stickers, carteles e imágenes de producto. La empresa afirma que la consistencia de rasgos y ropa entre imágenes ha mejorado de forma clara. Suena plano, pero en la producción real decide si hay negocio o no. Si el gato que publicas hoy no es el mismo que el de la semana pasada, nadie lo recuerda, la IP no existe y la cuenta vive de éxitos sueltos.
La dificultad de la consistencia no está en «que se parezca», sino en dónde va la información. Una imagen contiene a la vez identidad (quién es), estilo (con qué se dibujó), postura, iluminación y composición. Si no separas eso en la generación por rondas, el modelo vuelve a adivinar la identidad cada vez, y con cada error cambia la cara. La práctica habitual es extraer los rasgos de identidad como condición aparte: imagen de referencia más codificación de identidad, o una zona del espacio latente reservada solo para la identidad. El nombre da igual; lo que importa es que la identidad pese más que el estilo.
El movimiento es la parte que de verdad interesa
La captura de movimiento que muestra RoboNeo funciona distinto al «vídeo a vídeo» habitual. Extrae del vídeo de referencia las proporciones del cuerpo, las relaciones espaciales y el movimiento de cámara, y a la vez atenúa los rasgos de apariencia del original.

La frase tiene más contenido técnico del que parece. El traslado de movimiento desde vídeo arrastra dos problemas viejos:
Uno, la fuga de apariencia. Quieres que tu personaje de dibujos haga el baile del vídeo de referencia y acabas con alguien que lleva la camiseta del vídeo y tiene su cara. El modelo no distingue si le pides el movimiento o el vídeo entero.
Dos, la deriva estructural. Con movimientos amplios las proporciones se deforman, manos largas y piernas cortas; si la cámara se mueve, la relación entre primer plano y fondo se rompe. La causa es que la señal de condición no incluye esqueleto, profundidad ni trayectoria de cámara claros, y el modelo tiene que adivinarlos en los píxeles.
Separar la información del vídeo de referencia en estructura y apariencia, y dejar entrar solo la estructura, es la vía dominante de los últimos dos años: esqueleto para las articulaciones, mapa de profundidad para las oclusiones, trayectoria para el movimiento de cámara. Suena directo y en ingeniería es sucio, porque las tres señales se pelean y hay que ajustar prioridades. RoboNeo lo encierra en botones que un comercio puede pulsar. Ese es el valor de producto, no el del artículo.
El taller de guiones resuelve otra deriva
La tercera función es un taller de guiones basado en «nodos de guion más memoria de proyecto»: el creador aclara en varias rondas de conversación qué quiere, descompone la trama y sigue trabajando con el personaje ya fijado, para series de episodios y microdramas.
Parece una herramienta para escribir guiones, pero lo que gestiona es la consistencia entre episodios. En el capítulo ocho de una serie corta, el carácter, las relaciones, lo que se dijo y los lugares visitados tienen que estar presentes. Sin memoria de proyecto, el modelo entiende desde cero en cada capítulo qué relación hay entre los dos, y el resultado se contradice. La calidad de esa capa de memoria decide si se puede hacer contenido seriado o solo piezas sueltas.
La barrera bajó, las exigencias no
En paralelo a la feria hubo un caso para comparar. El 4 de noviembre, CCTV informó en el marco de la cumbre de Wuzhen sobre Qin Wenshan, emprendedor de Xiangcheng, en Suzhou: una persona con siete empleados digitales de IA —control general, guion, dirección, storyboard, producción de activos, producción de vídeo y montaje— encadenados en una línea de producción de contenido AIGC. Entre sus trabajos, el largometraje de animación AIGC «一掌熊猫» fue seleccionado en el 16.º Festival Internacional de Cine de Pekín, y «字圣仓颉», de tema mitológico histórico, se estrenará este año. Xiangcheng ya ha desplegado 36 comunidades OPC y más de 100 empresas OPC han completado su registro.
«Una persona, una empresa» suena bien, pero exige más capacidad, no menos. Antes había un director de fotografía, un iluminador, un montador y un director de arte que cubrían cada flanco; ahora esas decisiones son tuyas. Las herramientas rebajaron la barrera de la ejecución y dejaron intacta la del criterio.
Eso explica por qué la competencia de estos productos se mueve de «si puede generar» a «si puede producir lo mismo de forma estable». Un comercio no quiere una imagen deslumbrante, quiere trescientas usables, y en las trescientas la persona tiene que ser la misma y el movimiento tiene que servir al producto que vende.
Tres preguntas sin respuesta
Primera: dónde está el techo de la precisión del movimiento. Si el vídeo de referencia tiene interacción manual compleja, giros rápidos u oclusiones frecuentes, la información estructural ya viene incompleta y ninguna separación la recupera.
Segunda: la plausibilidad física del lenguaje de cámara. Extraer el movimiento no es entenderlo. Un push-in, un paneo o un zoom reales siguen una lógica espacial; aplicados en bruto a una escena nueva, marean. En esto todas las herramientas todavía improvisan.
Tercera: control de calidad en lote. Entre «un clip se ve bien» y «cien se ven bien» hay un proceso: quién fija el estándar, quién hace el muestreo, cuántas veces se rehace lo que falla, cómo se calcula el coste. Sin esa pieza, lo bonito de antes no llega a producción.
Para el pequeño comercio, el valor real de plataformas como RoboNeo es convertir «hacer una IP» de proyecto en cadena de montaje. Que la cadena siga girando depende de si aguanta estas tres preguntas.
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.