Crear vídeos con IA en 2026: Veo 3.1, Kling 3.0 y Sora

En pocos meses, el panorama de los modelos generativos de vídeo se ha reordenado. Google ha llevado Veo 3.1 al estado GA en Vertex AI, Kling ha ampliado su serie 3.0 con 4K nativo y OpenAI ha desconectado Sora junto con su API. Si todavía planificas tu stack según la situación de finales de 2025, trabajas con una lista en la que ya falta un proveedor.

El segundo movimiento es regulatorio. Desde el 2 de agosto de 2026 se aplican las obligaciones de transparencia del artículo 50 del Reglamento de IA, y las plataformas, con independencia de ello, llevan tiempo etiquetando de forma automatizada. Así, la elección del modelo se convierte en una cuestión de proceso: el generador que uses determina en parte qué metadatos lleva el archivo cuando llega a la subida. Cómo encaja el vídeo generativo en el resto de decisiones de formato se explica en la guía principal Creación de contenido para redes sociales y formatos.

Generador de vídeos con IA 2026: comparativa de los tres modelos

Veo 3.1 (Google). La documentación de Vertex AI recoge Veo 3.1 con fase de lanzamiento GA, publicación de las variantes actuales del modelo el 17 de noviembre de 2025 y 720p, 1080p y 4K como resoluciones de salida compatibles. Google describe en su blog de Cloud la generación de audio nativa en los tres niveles de Veo 3.1. La ventaja práctica está menos en el resultado que en el entorno: el control de accesos, el registro y la facturación pasan por la misma instancia de Vertex AI que el resto de tu nube. En las empresas grandes, el avance de este tipo de proyectos depende más a menudo de las aprobaciones de los departamentos de TI y legal que de la calidad de imagen del modelo.

Sora 2 (OpenAI). OpenAI presentó Sora 2 el 30 de septiembre de 2025 y con ello llevó por primera vez a gran escala el debate sobre el vídeo con IA al entorno de las redes sociales. Ese capítulo está cerrado: según el OpenAI Help Center, el producto Sora no está disponible desde el 26 de abril de 2026, y la API de Sora se desconectó el 24 de septiembre de 2026. El límite de 1080p que se citaba en todas partes solo aparecía en fuentes secundarias; en la documentación propia de OpenAI no figuraba. Si en tu stack de herramientas sigue habiendo un paso de renderizado en Sora, ya no lleva a ninguna parte y hay que sustituirlo.

Kling 3.0 (Kling AI). Según el fabricante, Kling 3.0 genera audio nativo con diálogo, sonido ambiente, efectos y sincronización labial. El 23 de abril de 2026, Kling AI activó el 4K nativo para la serie Kling 3.0. La facturación se hace en créditos, en 4K con 30 créditos por segundo. Por eso, los precios en dólares por clip que circulan no se pueden demostrar. Para un presupuesto necesitas tu propio perfil de clips, es decir, la duración media, la resolución objetivo y el número realista de descartes por toma aprovechable. Kling presentó su sucesor, Kling 4.0, el 30 de septiembre de 2026, primero en acceso anticipado; según el fabricante, el despliegue más amplio llega en octubre de 2026.

La verdadera lección de esta tabla no está en ninguna línea de especificaciones. Un proveedor puede retirar del mercado un producto con muchísima visibilidad en unos siete meses. Por eso, mantén el paso de renderizado intercambiable. En la práctica, eso significa guardar los prompts versionados, almacenar también las imágenes de referencia y los valores de seed, mantener el storyboard y el proyecto de edición en tu propio sistema y tratar siempre la salida del modelo como material en bruto. Así, cambiar de modelo cuesta una prueba en lugar de una reconstrucción.

Dónde siguen fallando todos los modelos en 2026

Los límites aparecen en los mismos puntos en todos los modelos, y afectan justo a lo que resulta delicado para las marcas. Cuatro patrones reaparecen en prácticamente todas las pruebas.

• Texto legible en la imagen: la tipografía sigue siendo lo que antes delata a la IA. Precios, eslóganes, nombres de producto y subtítulos deben ir a postproducción.
• Secuencias lógicas largas: en nuestras pruebas, la causalidad se rompe más allá de tres o cuatro pasos de acción. Un clip con coger, abrir, verter y beber ya marca el límite superior.
• Coherencia de detalles: la ropa, los logotipos, las caras y los detalles del producto cambian de un plano a otro. Para los activos de marca, esto es descalificante.
• Personas realistas: cerca de la cara, cerca de la mano, cerca del producto: ahí es donde el resultado se desmorona más rápido.

En el caso de Sora 2 se documentaron además una alta tasa de errores de audio, duraciones de clip limitadas y restricciones de acceso. Estos hallazgos proceden de análisis de terceros, no de la documentación primaria de OpenAI, y deben ponderarse en consecuencia.

De ahí se deriva una regla estricta para la producción: todo lo que lleve la marca se queda en rodaje real o en postproducción. Se genera lo que es intercambiable, es decir, entornos, transiciones, superficies abstractas de imagen en movimiento y variantes de un concepto ya validado. Quien no traza este límite solo traslada el esfuerzo del rodaje a las correcciones. Y ahí sale más caro, porque surge sin que se pueda planificar.

El stack que rodea al modelo de vídeo soporta más volumen que el propio modelo

Como regla general, el conjunto de herramientas que rodea al generador de vídeo soporta la mayor parte del volumen de producción. Para imágenes fijas se usan Flux, Midjourney y Nano Banana o Gemini Image, y ComfyUI para encadenar varios pasos. La voz pasa por ElevenLabs y sistemas TTS clásicos, el troceado de contenido largo en clips por Opus Clip o Vizard, y la subtitulación está automatizada.

Esta cadena es la razón por la que la IA ahorra tiempo en la producción audiovisual. De la grabación de un podcast salen clips cortos, versiones localizadas y un juego completo de subtítulos sin que nadie toque una cámara. La parte de vídeo generativo aporta B-roll, nada más. Cómo descomponer sistemáticamente un contenido principal en piezas se explica en Reutilización de contenidos.

El orden dentro del stack importa más que la elección de cada herramienta. Quien genera primero y después piensa para qué sirve el clip produce aciertos casuales caros. Quien parte de un formato de salida fijo, es decir, plataforma, relación de aspecto, duración y estilo de subtítulos, puede dejar que la misma cadena funcione durante semanas sin discusiones. Ahí es donde se produce el ahorro de tiempo, mucho antes de escribir el primer prompt. Si quieres compararlo con las alternativas, hay que incluir la comparación con agencia, equipo interno y UGC: encontrarás las cifras en Costes de vídeo para redes sociales.

Flujo de trabajo híbrido: dónde encaja la IA en el proceso y dónde no

Los puntos fuertes están bien delimitados. La IA rinde en ideación, creación de variantes, localización entre alemán e inglés, reutilización de contenidos, subtítulos y metadatos. El ser humano sigue siendo insustituible en la autenticidad de fundadores y creadores y en la voz de marca, es decir, justo en las señales por las que el público se detiene.

Un proceso que lo refleje tiene este aspecto:

• Concepto y hook, humanos: los tres primeros segundos lo deciden todo. El hook sale del equipo.
• Variantes, generativas: sacar varias variantes de imagen de un concepto validado, en lugar de programar un día de rodaje para cada variante.
• Grabación real para marca y rostro: producto, personas, ubicación. Un día de rodaje por trimestre cubre más de lo que cree la mayoría de los equipos.
• Edición híbrida: auto-clipping como premontaje; el montaje final y el ritmo, a cargo del editor.
• Voz y subtítulos, automatizados: con una revisión humana para términos técnicos, nombres propios y grafías propias del alemán de Austria.
• Filtro de QA antes de la subida: una persona revisa errores de imagen, artefactos de texto, gestión de derechos y etiquetado. Sin este filtro, los descartes de la IA acaban en el feed.

En el filtro de QA es donde más les gusta ahorrar a los equipos, y es ahí donde más caro sale después. Bastan cuatro miradas: manos y caras en el fotograma congelado, cada texto sobreimpreso letra por letra, la situación de derechos de la música y la voz, y el campo de etiquetado de cada plataforma. Unos pocos minutos por clip son suficientes, siempre que estén planificados de forma fija y no se dejen a quien tenga tiempo en ese momento.

Lo que muestra si el cambio merece la pena son el hook rate, la tasa de retención y el watch time. El número de clips producidos no dice nada al respecto. Cómo leer estos valores sin engañarte se explica en Hook rate, retención y watch time.

Etiquetado: C2PA, etiquetas de plataforma y artículo 50

Las plataformas desplegaron sus sistemas antes de la regulación, y por eso son tan dispares.

Según su propia versión, TikTok fue en mayo de 2024 la primera plataforma de vídeo en poner en marcha las C2PA Content Credentials, y ahora afirma haber etiquetado más de 1,3 mil millones de vídeos (datos de noviembre de 2025).

Pero no te fíes solo de los metadatos. La propia C2PA advierte de que los manifiestos pueden separarse del archivo y de que los metadatos pueden eliminarse por accidente o a propósito; como remedio, la organización propone Content Credentials duraderas mediante marcas de agua y huellas digitales. Google DeepMind describe SynthID como una marca de agua pensada para resistir recortes, filtros, cambios de frame rate y compresión con pérdida. Por eso, que falten las Content Credentials no prueba que no se haya usado IA. Para ti, esto significa etiquetar activamente en el texto o en el campo de la plataforma, en lugar de confiar en que el archivo ya lo lleve.

En el plano jurídico, desde el 2 de agosto de 2026 rige el artículo 50 del Reglamento de IA, que reparte las obligaciones entre dos roles. El marcado legible por máquina del apartado 2 deben implantarlo los proveedores de los generadores, por ejemplo Google o Kling. Según las preguntas frecuentes de la Comisión Europea, los sistemas introducidos en el mercado antes del 2 de agosto de 2026 solo tienen que aplicar este marcado a partir del 2 de diciembre de 2026, y las infracciones pueden sancionarse con hasta 15 millones de euros o el 3 % del volumen de negocios anual mundial.

Si publicas vídeos con IA, debes revelar los deepfakes según el apartado 4, es decir, representaciones de apariencia realista de personas, lugares, objetos o acontecimientos reales, y además a más tardar en el primer contacto con el público. En obras manifiestamente artísticas, satíricas o de ficción basta con un aviso que no perjudique el disfrute de la obra. Un entorno generado que haga parecer auténtico un lugar real puede entrar en este supuesto; las superficies abstractas y las transiciones, por lo general, no. La Comisión no exige etiquetar retroactivamente los contenidos creados antes del 2 de agosto de 2026, pero lo recomienda. Además, es previsible que las especificaciones sobre la técnica de marcado se endurezcan. Qué abarca la obligación en detalle se explica en Artículo 50 del Reglamento de IA: resumen de las obligaciones de transparencia, y la aplicación operativa en el proceso de contenidos, en Etiquetar contenido generado con IA.

No está demostrado públicamente que una etiqueta de IA visible reduzca el alcance. Lo que sí está demostrado es lo contrario: según la ayuda de YouTube, no etiquetar de forma reiterada puede acarrear una etiqueta puesta manualmente, la retirada del vídeo o la exclusión del Programa de Socios de YouTube.

Qué significa esto para la planificación

El cuello de botella se desplaza. Mientras los buenos clips escaseaban, la capacidad de producción decidía cuánto podía publicar un equipo. Ahora decide la aprobación: quién revisa los errores de imagen, la situación de derechos y el etiquetado, y con qué rapidez. Un equipo que genera cuarenta variantes en una tarde pero solo llega a aprobar dos veces por semana no ha resuelto su problema, lo ha desplazado. Por eso, planifica primero la capacidad de revisión y después la elección del modelo.