xAI ha actualizado Imagine Video 1.5 con referencias de imagen y de voz, generación de vídeo desde texto y salida nativa a 1080p. El anuncio, publicado el 31 de julio, es la segunda entrega del modelo de vídeo que la compañía lanzó el mes pasado. Lo que resuelve es el problema que más molesta al usar estas herramientas en serio: que el personaje cambie de cara entre plano y plano.
Puntos clave
- Hasta siete imágenes de referencia por generación. Cada una fija un elemento concreto: una cara, un producto o una localización.
- La referencia de voz mantiene el mismo timbre del personaje escena tras escena.
- Texto a vídeo sin imagen de partida, y 1080p nativo, ya disponibles en grok.com/imagine, iOS y Android.
- Referencias de imagen y voz arrancan solo en Estados Unidos para SuperGrok Heavy y SuperGrok Plus, y bajan al resto de planes en los próximos días.
Qué resuelven las referencias múltiples
La mecánica es la interesante. Cada imagen de referencia bloquea una cosa. Si metes la foto de una persona, la cara aguanta. Si metes la foto de un producto, el producto aguanta. Si metes la de un sitio, el escenario aguanta.
Eso permite combinar: mantienes el personaje y cambias el escenario, mantienes el escenario y cambias el personaje, o dejas los dos fijos y solo cambias la acción. Con siete referencias por generación, hay margen para una escena con varios elementos que se repiten.
La consistencia entre planos es el cuello de botella real de la generación de vídeo con IA. Un clip suelto de cinco segundos se consigue desde hace un año. Una secuencia de seis clips donde la misma persona lleva la misma ropa en el mismo sitio es lo que separa una demo de una pieza usable.
La referencia de voz va en la misma dirección. Pasas una imagen del personaje y una muestra de voz, y ambos se mantienen. Es la parte que faltaba para que un vídeo generado con varios cortes no suene a tres actores distintos.
Dónde queda frente al resto
El movimiento llega en una semana cargada. ByteDance ha lanzado Seedance 2.5 el mismo 31 de julio, con 30 segundos de vídeo en una sola toma y hasta 50 referencias combinadas, aunque de momento solo en China y sin API pública.
La comparación honesta es que atacan cosas distintas. Seedance va a duración y a volumen de referencias. Grok Imagine va a accesibilidad y velocidad: está en la app, funciona ya en tres plataformas y genera audio sincronizado en la misma pasada.
xAI viene de una racha de anuncios grandes en vídeo. Elon Musk llegó a prometer un largometraje entero hecho con Grok Imagine para final de año. Con las referencias múltiples, esa promesa deja de ser puro humo: la consistencia de personaje entre escenas era el requisito técnico mínimo para intentarlo.
El detalle del despliegue
Las referencias arrancan solo en Estados Unidos y solo en los dos planes de pago altos. xAI dice que llega al resto de planes en unos días, sin fecha. Texto a vídeo y 1080p sí están abiertos ya en todas partes.
Ese escalonado es habitual y suele responder a coste de cómputo. Las referencias múltiples obligan al modelo a mantener condicionamiento sobre siete imágenes a la vez, y eso no sale gratis.
Por qué importa
Si produces contenido de marca, esto cambia el cálculo de una tarea concreta: las variaciones.
Hasta ahora, hacer diez versiones de un mismo anuncio con el mismo portavoz y distintos escenarios significaba rodar diez veces o aceptar que el resultado cantara. Con referencias que fijan cara, producto y sitio, el coste marginal de la versión número once se acerca a cero.
El sitio donde esto entra primero en una empresa española no es la pieza principal. Es todo lo de alrededor: variantes para test de creatividades, adaptaciones por mercado, versiones cortas para redes. Ahí la consistencia importa lo justo y el volumen importa mucho.
Y una advertencia de la casa. Que el personaje se mantenga entre planos no significa que el resultado pase el filtro de un cliente. Sigue habiendo que revisar plano a plano, y sigue sin haber control fino de tiempos. Lo que ha bajado no es la calidad exigida, es el número de intentos hasta llegar a algo utilizable.
Relacionado
