← Volver al blog
Newsaprox. 8 min de lectura

Sand.ai recaudó 200 millones de dólares. Su modelo base de video es el verdadero producto.

Publicado 7 nov 2026
Sand.ai recaudó 200 millones de dólares. Su modelo base de video es el verdadero producto.

El 5 de noviembre, Sand.ai, la empresa china de modelos base de video, anunció una ronda Serie A+ de 200 millones de dólares liderada por CAS Capital y Wangsu Data Technology, con la participación de China Time Capital, Guofang Capital, Green Pine Capital y otros. Es la tercera ronda de la empresa este año, lo que eleva el total a 300 millones de dólares en diez meses, y sitúa oficialmente a Sand.ai en la categoría de unicornio.

El dinero es el titular. Lo más interesante es lo que la empresa ha estado construyendo con las dos rondas anteriores: MAGI-2 Preview, un modelo de video de pesos abiertos que trata audio, video y texto como un solo problema en vez de tres.

Un Transformer para tres modalidades

MAGI-2 Preview se describe como un modelo unificado de generación de audio y video. Texto, video y audio entran en el mismo Transformer, y la información sigue intercambiándose mediante autoatención en cada capa. La arquitectura divide un estado oculto de 3.072 dimensiones en 12 cabezas de 256 dimensiones, las pasa por 36 capas de una mezcla de expertos multicabeza y da a cada cabeza 256 expertos, con seis seleccionados por cabeza. Un token termina activando 72 expertos pequeños en total.

Los expertos compartidos manejan lo que las modalidades tienen en común. Los expertos específicos de cada modalidad manejan lo que no. Alrededor de eso se sitúan MagiMoE, una biblioteca personalizada de kernels MoE, y MagiMuon, un optimizador distribuido creado para la ruta de entrenamiento e inferencia.

Sand.ai lo ha publicado como uno de los primeros modelos base de video de su tamaño con pesos abiertos, y el precio ha sido agresivo: alrededor de 0,5 yuanes por un clip de 1080p de diez segundos. La empresa también lanzó MAGI-1, un modelo autorregresivo de generación de video, y MagiHuman, ambos de código abierto. Su producto de consumo, VidMuse, según se informa superó los 10 millones de dólares en ingresos recurrentes anualizados dos meses después de su lanzamiento.

Esa secuencia importa. MAGI-1 era autorregresivo, MAGI-2 Preview pasó a un diseño de difusión con mezcla de expertos, y el próximo lanzamiento, MAGI-2 final, se describe como una versión más grande de esa arquitectura MoE. Es un laboratorio que recorre una ruta de escalado y publica los checkpoints a medida que avanza, una postura distinta a la de las empresas que mantienen los pesos cerrados y venden llamadas a la API.

Por qué el mercado de video vale este tipo de dinero

Mire dónde está realmente la demanda. Kuaishou informó ingresos de Kling AI de 850 millones de RMB en el segundo trimestre de 2026, más del 200 % interanual, con más de 100 millones de usuarios globales. Seedance 2.5 de ByteDance lidera 13 de 20 categorías en la arena de video de Artificial Analysis, y OpenAI ya cerró Sora, tanto la app como la API. Google sacó a los desarrolladores del endpoint Veo 3.1 Preview en octubre y los dirigió a Gemini Omni Flash.

Mientras tanto, los precios se están desplomando. Alibaba aplica una promoción de alrededor del 30 % en Wan 3.0, lo que deja el 1080p en aproximadamente 0,14 dólares por segundo. En OpenRouter, ByteDance concentra el 26,1 % de las solicitudes de video, HeyGen el 19,7 % y Google el 18,5 %. mischief 1 de TBC, un derivado de Wan 2.2 promocionado a medio centavo por segundo, saltó un 481 % de una semana a otra en el momento de su lanzamiento.

Cuando los precios unitarios caen hacia cero, el dinero se desplaza hacia quien posee el modelo base. Una empresa que puede entrenar y servir generación de video al margen captura el volumen que todos los demás alquilan a Google, ByteDance y Alibaba.

Por qué el audio y video unificados importan comercialmente

Un solo transformer para audio y video elimina pasos de producción, y esa es la razón para construir uno.

El flujo estándar para un anuncio de producto hoy es así: generar la imagen, generar o grabar la voz, cortar la música, mezclar y sincronizar los labios con el diálogo. Cada uno de esos pasos es una herramienta separada con su propio costo y su propio modo de fallo, y el paso de sincronización es donde los proyectos se atascan. Cuando un modelo produce diálogo, ambiente y sonido de acción en la misma pasada que la imagen, la sincronización labial es una propiedad de la generación, no una edición realizada después.

Todos los proveedores de esta categoría ahora afirman tener esa capacidad, y esta decide si el video con IA puede sostener un explicativo de producto con una persona hablando a cámara o un anuncio narrativo de marca. También es la capacidad donde una arquitectura unificada tiene la ventaja teórica más clara, ya que el modelo no tiene que describir el sonido en texto y esperar que la imagen coincida.

MAGI-1 de Sand.ai era autorregresivo. MAGI-2 Preview pasó a una mezcla de expertos basada en difusión. Ambos se publicaron, lo que significa que cualquiera puede ver cómo cambia la calidad de generación entre un modelo secuencial y uno paralelo, y qué ocurre con la sincronización de audio cuando cambia la arquitectura.

Cómo se compara con el resto del sector

Compare los precios en lugar de las afirmaciones. Alibaba ofrece Wan 3.0 a aproximadamente 0,3, 0,6 y 1,2 yuanes por segundo en 480p, 720p y 1080p, con una promoción de alrededor del 30 % que lleva el 1080p a 0,14 dólares por segundo en rutas de reventa. MiniMax liberó H3-Base como código abierto en agosto, con salida 2K, clips de 15 segundos y estéreo nativo, y lo fijó en aproximadamente un tercio de los modelos insignia comparables. TaoMate-H3, un esfuerzo de código abierto del lado comercial de Alibaba, fue más allá e hizo del tiempo hasta el primer segmento su métrica principal en lugar del precio por segundo.

Cada uno de estos es un ataque a la misma partida. Los 0,5 yuanes de Sand.ai por un clip de 1080p de diez segundos se sitúan dentro de esa banda en lugar de por debajo, lo que sugiere que la estrategia es amplitud y apertura en vez de una guerra de precios que no puede ganar contra una empresa con la infraestructura de Alibaba.

Las preguntas incómodas

Nada de esto está verificado de forma independiente. Sand.ai informa su propio ARR y el tamaño de su propia ronda, y las comparaciones al estilo PresentBench que importan a los compradores suelen estar publicadas por el proveedor. La arquitectura MAGI-2 es genuinamente interesante, pero un transformer unificado de audio y video con 72 expertos pequeños activados por token también es caro de entrenar, y la empresa financia eso con dinero que recaudó en lugar de con ingresos que ha ganado.

También hay un ángulo de licencias que vale la pena vigilar. Varios modelos chinos de video abiertos se lanzaron en 2026 con términos que excluyen a Estados Unidos del uso comercial, lo que empuja a los desarrolladores occidentales hacia alternativas cerradas y complica cualquier relato de ecosistema abierto. Los lanzamientos abiertos existentes de Sand.ai parecen seguir la vía permisiva más estándar, lo que es parte de por qué la ronda tuvo sobredemanda entre los inversores que nombró.

Y el producto comercial es la parte que hay que vigilar. Que VidMuse alcanzara 10 millones de dólares de ARR dos meses después del lanzamiento es una cifra real, pero las plataformas de creación de video tienen la costumbre de crecer con campañas puntuales y luego estancarse cuando pasa la novedad. El modelo abierto es lo que hace duradera a la empresa; la app es lo que financia la investigación.

Qué observar a continuación

MAGI-2 final se describe como inminente, con un MoE más grande y el mismo diseño unificado de audio y video. Si mantiene el precio de 0,5 yuanes por cada diez segundos en 1080p mientras ofrece clips más largos y mejor sincronización labial, el modelo se convierte en un objetivo de entrenamiento plausible para cualquiera que construya productos de video con presupuesto ajustado.

Vigile tres cosas en particular. Si los pesos se lanzan realmente bajo una licencia permisiva. Si la pista de audio se sostiene cuando un clip tiene diálogo, ya que el audio nativo ahora es un requisito mínimo en esta categoría. Y si los ingresos de VidMuse siguen subiendo después del trimestre de lanzamiento, o si siguen la curva general de gasto en video con IA que está recorriendo cada plataforma de este mercado.

Por ahora, la conclusión útil es más simple que el titular de la recaudación. Sand.ai está construyendo modelos base de video como la comunidad abierta espera que los laboratorios los construyan: publicar los checkpoints, publicar los detalles de la arquitectura, competir en precio y vender la versión alojada para financiar la siguiente.

Artículos relacionados