Un análisis detallado del rendimiento de Veo 3.1 y Wan 2.6 en movimiento cinematográfico: física de los sujetos, movimiento de cámara, coherencia temporal, manejo de la baja luz y cómo usar ambos modelos en PicassoIA para obtener resultados al instante.
Dos de los modelos de video con IA más comentados del momento se enfrentan en la métrica que más le importa a los creadores: el movimiento cinematográfico. Veo 3.1, el modelo insignia de texto a video de Google DeepMind, y Wan 2.6, la potencia de pesos abiertos del equipo Wan-Video, prometen imágenes fotorrealistas, pero abordan de forma muy distinta cómo se desarrolla el movimiento en pantalla. Si estás eligiendo entre ellos para tu próximo proyecto, las diferencias son más marcadas de lo que sugiere el marketing, y saber en qué destaca cada uno te ahorrará horas de renders fallidos y créditos desperdiciados.
Antes de comparar los resultados fotograma a fotograma, conviene entender para qué se creó cada modelo. Comparten objetivos superficiales, pero divergen de forma notable en arquitectura, datos de entrenamiento y filosofía de diseño.
Veo 3.1 es la última iteración de la serie Veo de Google DeepMind, diseñada para producir video en 1080p a partir de prompts de texto, con integración de audio nativa desde la generación. El modelo se apoya en la sólida coherencia de movimiento de Veo 3, y añade una mejor resolución temporal, un manejo más fino de escenas con varios sujetos y un control de dirección de cámara más receptivo. Funciona en varios niveles de velocidad según tu flujo de trabajo: el Veo 3.1 completo para la máxima calidad, el más rápido Veo 3.1 Fast para iterar con rapidez y el más ligero Veo 3.1 Lite para probar conceptos rápidos.
Lo que lo hace claramente cinematográfico es su entrenamiento con un enorme conjunto de datos seleccionado de contenido de cine y televisión. Las respuestas al prompt muestran una comprensión genuina de conceptos como tracking shots, rack focus, motivated lighting y lens breathing, términos que la mayoría de los modelos de texto a video tratan como palabras clave decorativas en lugar de instrucciones de producción reales con significado físico. La diferencia en la calidad del resultado al usar vocabulario cinematográfico es significativa y se ve de inmediato.
Wan 2.6 T2V es la última versión de Wan-Video, una evolución de la serie Wan 2.x que ha producido de forma constante resultados competitivos para un modelo de pesos abiertos. La versión 2.6 trae mejoras notables en la nitidez del movimiento y en la coherencia a lo largo de toda la duración del video, junto con una variante dedicada de imagen a video, Wan 2.6 I2V, que anima fotografías fijas con una precisión física impresionante y conserva bien la composición.
La gran fortaleza de Wan 2.6 es la física del movimiento en bruto. El modelo maneja la dinámica de fluidos, la simulación de telas y el movimiento del cabello de un modo que rara vez parece mecánico o generado por procedimientos. No tiene la integración de audio de Veo, pero lo compensa con flexibilidad: puedes anclar la generación a una imagen de referencia y obtener un clip cinematográfico coherente, construido en torno a tu composición exacta, tu paleta de colores y el encuadre del sujeto.
Aquí es donde aparecen las diferencias reales. La calidad del movimiento en el video con IA no depende solo de una interpolación de fotogramas suave, sino de si la física resulta creíble, de si el peso, la inercia y el ritmo del movimiento coinciden con lo que el cuerpo del espectador espera ver.
Veo 3.1 maneja a los sujetos humanos con una precisión notable en todo el abanico de movimientos. Las zancadas al caminar, el balanceo de los brazos y las expresiones faciales se mueven con el peso y el ritmo que cabría esperar de una producción cinematográfica de alto presupuesto. Aparecen micromovimientos sutiles sin que se pidan de forma explícita: el ligero rebote de los hombros al caminar, el balanceo natural de una figura en pie que responde a un prompt que describe quietud, el parpadeo involuntario y el movimiento de la respiración en un primer plano de retrato.
Wan 2.6 está a la altura aquí, sobre todo en movimientos más amplios y dramáticos. Correr, saltar y las escenas con multitudes tienden a producir dinámicas entre sujetos más convincentes en Wan 2.6. Donde muestra cierta debilidad es en el nivel más sutil: un personaje que simplemente está de pie y respira, o un rostro en una conversación tranquila, puede generar de vez en cuando una leve deriva geométrica a lo largo de un clip de 6 segundos que rompe la ilusión de una fotografía real.
El movimiento de cámara es una de las ventajas más claras y constantes de Veo 3.1. Frases como "slow dolly push in", "pan left to reveal the background" o "handheld follow shot at shoulder height" producen un movimiento que coincide con la intención cinematográfica. El modelo entiende no solo la dirección mecánica del movimiento de cámara, sino también la sensación de distintos equipos y operadores. Un plano a mano tiene la micro vibración adecuada, con la frecuencia y la amplitud correctas. Un plano de grúa tiene una desaceleración suave y con peso al final del recorrido. Un zoom tiene la distorsión de respiración característica de un objetivo real.
Wan 2.6 puede generar movimiento de cámara, pero su respuesta a los movimientos compuestos complejos es menos fiable. Los paneos laterales simples, los acercamientos y los alejamientos son constantes. Pero cualquier cosa que requiera coordinar cambios de perspectiva con el seguimiento de un sujeto a la vez, como un seguimiento con zoom simultáneo o un plano de seguimiento que pasa a un plano general fijo, será más predecible y preciso en Veo 3.1.
La coherencia temporal significa que los objetos, las personas y los entornos no cambian de forma, color ni proporción a medida que avanza el video. Ambos modelos han mejorado mucho en este aspecto frente a versiones anteriores, pero siguen apareciendo casos límite, sobre todo en clips que se acercan o superan los 5 segundos de duración.
Veo 3.1 mantiene mejor la identidad del sujeto en secuencias largas. La textura de la ropa de un personaje, la geometría de su rostro y el contexto del entorno se mantienen coherentes incluso a través de los cortes de cámara que el modelo simula dentro de una misma generación. Los elementos del fondo, como árboles, arquitectura y multitudes, conservan su forma y posición básicas con una fiabilidad alta.
Wan 2.6 muestra ocasionalmente deriva temporal en el cabello, la tela y los detalles del fondo. En escenas muy controladas, con poca complejidad y un solo sujeto en primer plano, rinde igual que Veo 3.1. En composiciones con muchos elementos, Veo 3.1 mantiene la ventaja en coherencia.
💡 Para la máxima estabilidad temporal en ambos modelos: concentra la complejidad de la escena en uno o dos sujetos principales dentro de un entorno bien definido. Añade interés visual mediante el movimiento de cámara y la variación de la iluminación, en lugar de llenar la escena de elementos. Un lugar amplio y vacío con un solo sujeto casi siempre produce mejor coherencia que una escena abarrotada.
Tres áreas concretas en las que Veo 3.1 es claramente la mejor opción aparecen una y otra vez al probar ambos modelos frente a los requisitos de producción profesional.
Esta es la capacidad más singular de Veo 3.1 en el panorama actual del video con IA. El modelo genera audio sincronizado junto con el video, incluidos sonido ambiente, indicios de diálogo y efectos de sonido, todo derivado del mismo prompt de texto en una sola pasada de generación. La ola del océano que generes sonará como una ola del océano. La lluvia suena a lluvia. Una escena con gente incluye ruido de multitud. Un campo agitado por el viento tiene el susurro de la hierba. Esto no es un posprocesado sobre un clip mudo; surge de la misma ejecución del modelo que produce las imágenes.
Para el contenido de redes sociales, los videos de marca y el video de formato corto, donde el audio es esencial, esto cambia de forma notable el flujo de producción. No pasas tiempo en un editor de audio añadiendo efectos de sonido a material sin sonido. Recibes una salida audiovisual de primer borrador a partir de un único prompt bien elaborado, lista para revisar y refinar.
Veo 3.1 genera en 1080p por defecto en todos los tipos de escena. Esto importa en la práctica para cualquier entrega que no sea exclusivamente de formato corto para redes sociales: las presentaciones en plataformas de streaming, las especificaciones de publicidad digital, los estándares de entrega para televisión y los entregables para clientes comerciales tienen todos el 1080p como mínimo. A 1080p, la fidelidad del movimiento de Veo 3.1 resiste una inspección detallada. Las texturas finas, el detalle de la piel y el tejido de las telas siguen siendo legibles a tamaño completo, sin los artefactos de escalado que aparecen cuando estiras una salida de menor resolución.
Veo 3.1 tiene una adherencia al prompt en lenguaje cinematográfico claramente mejor. Describir una escena con terminología específica del cine produce resultados que reflejan esas instrucciones precisas en lugar de una aproximación genérica. Términos como anamorphic bokeh, split diopter focus, motivated key light from camera left, exposure latitude o film grain at 400 ISO producen diferencias medibles y visibles en la calidad del resultado y en la precisión estilística en comparación con el lenguaje descriptivo corriente.
Wan 2.6 no es un modelo menor. Para casos de uso concretos, es la mejor opción, a veces por un margen considerable.
Wan 2.6 I2V está entre los mejores modelos de animación de imágenes disponibles hoy en cualquier lugar. Aportas una fotografía fija junto con una descripción en texto del movimiento deseado, y el modelo genera un clip que se extiende de forma natural desde la composición, la gradación de color, la dirección de la luz y la posición del sujeto de tu imagen. La variante Wan 2.6 I2V Flash añade velocidad para iterar rápido sin comprometer la calidad física básica.
Este flujo de trabajo es muy valioso para fotógrafos, artistas visuales, ilustradores y cualquiera que ya tenga recursos visuales sólidos y quiera añadirles movimiento cinematográfico. Veo 3.1 no ofrece este tipo de generación anclada en la imagen con la misma fidelidad de composición y el mismo realismo de movimiento.
Wan 2.6 T2V termina la generación de forma constante más rápido que las ejecuciones completas de Veo 3.1 con ajustes de calidad comparables. En los flujos de trabajo iterativos, donde necesitas probar muchas variaciones de prompt de la misma escena antes de comprometerte con un render final, esta ventaja de velocidad tiene un impacto real en el impulso creativo. Puedes probar más experimentos en el mismo tiempo, lo que te da más oportunidades de descubrir la formulación del prompt que produce exactamente el comportamiento de movimiento que buscas.
Como Wan 2.6 es de pesos abiertos, la comunidad global de creadores ha construido una amplia infraestructura de ajuste fino a su alrededor: adaptadores LoRA, checkpoints de estilo, ajustes finos centrados en el movimiento y variantes entrenadas para la coherencia de personajes. Los estilos estéticos concretos, las firmas de movimiento propias de un género y los resultados con personajes muy coherentes son posibles con estas variantes ajustadas de Wan 2.6, de maneras que los modelos propietarios cerrados como Veo 3.1 simplemente todavía no admiten.
Así rinde cada modelo en las métricas que realmente importan para el trabajo de producción cinematográfica profesional:
| Característica | Veo 3.1 | Wan 2.6 |
|---|---|---|
| Resolución máxima | 1080p | De 720p a 1080p |
| Audio nativo | Sí | No |
| Imagen a video | Limitado | Completo (variante I2V) |
| Precisión del movimiento de cámara | Excelente | Buena |
| Coherencia temporal | Excelente | Buena |
| Física de sujetos humanos | Excelente | Muy buena |
| Dinámica de fluidos y telas | Muy buena | Excelente |
| Velocidad de generación | Moderada | Rápida |
| Soporte de ajuste fino | No | Sí |
| Adherencia al prompt | Muy alta | Alta |
| Pesos abiertos | No | Sí |
💡 Ambos modelos incluyen una variante rápida para prototipar: Veo 3.1 Fast y Wan 2.6 I2V Flash son tus mejores puntos de partida para probar ideas de prompt antes de lanzar generaciones de calidad completa.
Ambos modelos manejan bien las secuencias en cámara lenta, pero la física del agua es donde la diferencia entre ellos se vuelve más visible. Wan 2.6 produce una dinámica de fluidos más convincente: salpicaduras, propagación de ondas sobre la superficie del agua, patrones de rompiente en la orilla y el comportamiento de la tensión superficial en gotas pequeñas se ven físicamente precisos y coherentes fotograma a fotograma. El render de agua de Veo 3.1 es sólido, pero en una inspección de cerca muestra ocasionalmente artefactos periódicos sutiles en grandes superficies de agua.
Veo 3.1 maneja las escenas con poca luz con mejor estructura del ruido y coherencia de las fuentes de luz. Las farolas proyectan charcos de iluminación convincentes con curvas de caída precisas. Los reflejos de neón en los charcos de lluvia siguen una lógica óptica física: el color, la forma y la distorsión de los reflejos se corresponden con las fuentes de luz reales de la escena. El entrenamiento del modelo con metraje de cine real produce una estructura de grano y una caída de las altas luces que se lee como baja luz fotográfica genuina, y no como oscuridad generada por IA.
Wan 2.6 en poca luz ofrece resultados excelentes en composiciones controladas, pero a veces genera fuentes de luz que parpadean ligeramente entre fotogramas, o produce direcciones de sombra irregulares en escenas con varias fuentes de luz competidoras. Las escenas nocturnas con una sola fuente de luz funcionan mucho mejor que los entornos complejos con varias luces.
Las composiciones aéreas exponen rápidamente las debilidades de coherencia temporal, porque cada fotograma contiene enormes cantidades de información visual: textura del terreno, movimiento de las nubes, variaciones de la superficie del agua, profundidad de la neblina atmosférica y detalle de la vegetación, todo lo cual debe mantenerse coherente durante toda la duración. Veo 3.1 maneja los planos aéreos de paisaje con una coherencia sólida: el movimiento de las nubes sigue una física creíble, las texturas del terreno mantienen su detalle y su color sin deriva, y las condiciones atmosféricas, como la neblina y el ángulo del sol, se mantienen estables. Wan 2.6 rinde mejor en composiciones aéreas más sencillas, con un sujeto focal claro y un entorno de fondo menos complejo.
Tanto Veo 3.1 como Wan 2.6 T2V están disponibles directamente en PicassoIA, sin configuración local, sin requisitos de GPU y sin instalar software.
Técnicas de prompt que mejor funcionan con Veo 3.1:
Técnicas de prompt que mejor funcionan con Wan 2.6:
La elección entre Veo 3.1 y Wan 2.6 no consiste en decidir cuál es objetivamente superior. Depende de lo que tu proyecto concreto necesita de su flujo de generación de video.
Elige Veo 3.1 cuando:
Elige Wan 2.6 cuando:
Ambos modelos forman parte de un amplio ecosistema de herramientas de texto a video en PicassoIA, entre ellas Kling v3 Video para el control de movimiento cinematográfico, Seedance 2.0 para la generación de audio integrada y Veo 3 como predecesor probado, con una comunidad sólida de prompts ya comprobados detrás. La plataforma te permite ejecutar la misma descripción de escena en varios modelos y comparar los resultados lado a lado, lo que sigue siendo la forma más rápida y fiable de identificar qué herramienta produce la calidad de movimiento que necesita un plano concreto.
Si todavía no has probado un prompt cinematográfico exigente en Veo 3.1 y en Wan 2.6, ya es hora de comprobar cuál de los dos tiene una física que te parece real. Genera la misma escena en ambos, observa cómo se mueve la tela, cómo se sostienen los rostros y cómo la cámara simula el peso y el recorrido. Esa primera impresión, si el movimiento convence o delata que es sintético, es el único benchmark que de verdad cuenta cuando tu público está mirando.
Elige tu idioma
