VideoGen promete vídeos de diez minutos con un solo prompt. Nadie lo ha medido

VideoGen anunció Model 1 el 20 de octubre con una afirmación que o es un cambio de categoría o es una línea de marketing, y la diferencia importa: un prompt se convierte en un vídeo terminado de varios planos de hasta diez minutos, con diálogo, sonido y música.

Diez minutos es más o menos veinte veces la generación de una sola pasada más larga de los líderes actuales. Kling 4.0, Seedance 2.5 y Wan 3.0 anuncian hasta 30 segundos por generación, con funciones de extensión que llegan como mucho a un par de minutos. Si sigues este mercado, diez minutos suenan a otro producto.

Lo es, y no lo es. La nota de prensa dice explícitamente que los vídeos largos «se montan a partir de varios planos generados». Model 1 no renderiza diez minutos de una pasada. Planifica una película, la genera plano a plano, revisa los planos y los corta. El modelo es un componente de un pipeline que casualmente se vende como un solo producto.

Qué ha entregado la empresa en realidad

VideoGen es una empresa de San Francisco, Y Combinator verano de 2024, fundada en 2023. Hasta ahora su producto convertía un prompt, un guion o un artículo en un vídeo usando modelos de otras compañías. Model 1 es suyo.

Las capacidades publicadas: texto a vídeo e imagen a vídeo, hasta 16 imágenes como referencias visuales, una duración objetivo y una proporción que puedes especificar, y generación conjunta de audio y vídeo para que diálogo, efectos de sonido y música salgan a la vez. El acceso empezó el 20 de octubre como despliegue para socios, con disponibilidad general prometida tras más pruebas de seguridad. La empresa abrió también solicitudes para un fondo de un millón de dólares en créditos gratuitos, dirigido a cineastas, estudios, estudiantes y, llamativamente, periodistas que cubren el lanzamiento.

El encuadre honesto de la propuesta es que la parte difícil no es el modelo de vídeo. Es la planificación. Un vídeo de diez minutos necesita un guion, personajes consistentes entre escenas, diálogo que no se repita y una lista de planos que sume la duración pedida. Eso es un problema de modelo de lenguaje, y VideoGen construyó un arnés de modelos de lenguaje para resolverlo.

Dentro de la sala de guionistas

Una lectura externa del whitepaper técnico de VideoGen describe un pipeline con roles diferenciados. Una capa de planificación propone conceptos, un crítico los puntúa contra una rúbrica por categoría (cine, marketing, social, explicativo, videoclip, microdrama), los dos mejores se convierten en guiones con duración, y un reescritor transforma cada escena al formato de prompt estructurado que el modelo de vídeo espera, con campos separados para planos, diálogo, paisaje sonoro y música de fondo.

Ese mismo análisis informa de tres «lectores» de modelo distintos que revisan solo las líneas habladas y el texto en pantalla, señalan diálogo confuso, y recoge la propia advertencia del whitepaper de que son «aproximaciones automatizadas, no participantes humanos». También hay código corriente haciendo comprobaciones corrientes: si las duraciones de escena suman, si cada hablante tiene descripción de voz.

Esta es la parte del anuncio que decidirá si el producto funciona. Un clip de veinte o treinta segundos sobrevive a un prompt vago. Diez minutos no. Los errores se acumulan, los personajes se desvían y la quinta escena empieza a contradecir la primera. Una capa de planificación que detecte esos problemas antes de renderizar vale más que un renderizador mejor, porque renderizar es la parte cara.

También es la parte que los competidores pueden copiar más rápido. Un arnés de planificación con varios modelos es software, no un avance de investigación.

Los números que todavía no son números

VideoGen dice que espera que Model 1 cueste más de un 50% menos que modelos comparables, según validación interna. También dice que el precio final, los benchmarks oficiales y la validación de terceros están en marcha. Las dos frases están en la misma nota de prensa, y la segunda debería gobernar cómo lees la primera.

La única cifra medida que comparte la empresa es un experimento de renderizado: un adaptador de ocho pasos redujo el tiempo medio de renderizado por clip un 58,2% frente a la línea base de 28 pasos del mismo sistema. VideoGen tiene cuidado en llamarlo configuración experimental y no aceleración garantizada, que es la advertencia correcta y también la admisión de que el número no es una especificación de producto.

Así que el estado actual es: una promesa de capacidad con un reel de demo, una promesa de coste sin lista de precios y una promesa de calidad sin benchmark. El reel es una selección de la propia empresa, lo que lo convierte en el mejor caso y no en una prueba.

Por qué la duración es el marcador equivocado

Aquí está el contexto incómodo. La prensa especializada china informó este mes de que el 98,7% de los microdramas con IA no recuperan sus costes en los seis meses siguientes al estreno. Se informó de que el negocio de microdramas de ByteDance quemaba decenas de millones de yuanes al día en tokens. El cuello de botella de ese mercado no es la capacidad de generar metraje. Es la distribución y los guiones.

Eso no hace inútil un modelo de diez minutos. Reencuadra para qué sirve. Si la restricción es narrar, una herramienta que planifica un arco y mantiene a los personajes consistentes apunta a la restricción real. Si la restricción es la atención, diez minutos son un lastre, porque nadie ve diez minutos de nada sin un motivo.

Los casos de uso realistas son los poco glamurosos. Previsualización para un rodaje, donde un director necesita ver la escena antes de pagar un equipo. Vídeos explicativos de productos para los que nadie hará un anuncio. Contenido de formación interna. Un vídeo generado de diez minutos que está al 70% y cuesta una tarde vale muchísimo cuando la alternativa es dos semanas de montaje.

Para cualquier cosa que un público elija ver, la duración no es el argumento de venta. La planificación sí.

Cómo evaluarlo cuando tengas acceso

Pide los casos de fallo, no el reel. En concreto: qué pasa en el minuto siete, cuando el modelo tiene que recordar la chaqueta de un personaje del minuto dos. Si el diálogo repite una frase que ya usó. Si el audio se mantiene sincronizado en un corte montado, que es donde suelen romperse los pipelines que generan planos por separado.

Luego haz la prueba aburrida: dale un brief con un producto concreto y una afirmación concreta, y mira si el planificador se inventa un dato. Se informa de que la rúbrica del whitepaper incluye comprobaciones que rechazan afirmaciones inventadas en las categorías de marketing y explicativo, lo que sugiere que la empresa sabe que ese es el modo de fallo que lleva a los clientes a los tribunales.

Y revisa las marcas de agua. VideoGen dice que las salidas llevan marcas invisibles que identifican su origen sintético. En un año en que la procedencia se está volviendo requisito de compras, eso es una función, no una nota al pie, y vale la pena confirmar que sobrevive a tu pipeline de edición.

Diez minutos con un solo prompt es una expansión real de lo que una persona puede intentar. No sustituye a un director, y la nota de la empresa tampoco llega a afirmarlo. La pregunta interesante es qué pasa cuando la capa de planificación mejora lo suficiente para que el factor limitante sea si tenías algo que decir.