¿En qué medida siguen los distintos modelos de IA para vídeo la misma indicación? Esta comparación del cumplimiento de las instrucciones de vídeo por parte de la IA evalúa seis modelos a través de GLBGPT: Wan 3.0, Kling 3.0, Seedance 2.5, Grok Imagine, Happy Horse 1.0 y Veo 3.1. Cada modelo recibe la misma indicación, para que puedas comprobar cuál de ellos conserva los objetos solicitados, los movimientos de cámara, el orden de los eventos y los requisitos de audio.
Cada tarjeta principal utiliza una indicación fija en inglés y al menos cuatro resultados del modelo. La tarjeta cinematográfica utiliza los seis modelos; las demás tarjetas utilizan cuatro modelos seleccionados del mismo conjunto de seis. Utilizamos un encuadre de 16:9 y una resolución de 720p, y a continuación revisamos los vídeos obtenidos y las hojas de contacto para comprobar que la indicación quedara visible en su totalidad.
Respuesta rápida: No hay un ganador claro en las cinco propuestas. Wan 3.0 ofreció la imagen más nítida en las pruebas de movimiento, Kling 3.0 se mantuvo el diseño de la cerámica de la forma más literal posible, y Seedance 2,5 mantuvo el paseo, el giro y la llegada del tranvía en un orden muy claro. Imagina Grok tenía una sólida presencia en el sector de las cámaras comerciales, Happy Horse 1.0 consiguió que los personajes y los momentos clave de la historia resultaran fáciles de seguir, y Veo 3.1 se obtuvieron archivos utilizables para las propuestas de «cinemática», «movimiento» y «cerámica», aunque la duración de los archivos obtenidos fue menor en las dos últimas.
¿Qué es el cumplimiento de las indicaciones de vídeo con IA?
La fidelidad a la solicitud es el grado en que un vídeo generado conserva los detalles de tu solicitud. Hemos comprobado los objetos nombrados, los colores y los patrones, el movimiento de la cámara, el orden de los acontecimientos, la continuidad de los personajes y las restricciones de audio o diálogo.
Un vídeo puede tener un aspecto impecable y, aun así, no cumplir con las instrucciones. Puede mostrar una lluvia convincente, pero perder el tranvía; convertir una ola blanca y delgada en un patrón diferente; alterar el rostro del actor; o detenerse antes del momento culminante de la historia. Por lo tanto, cada ficha muestra el enfoque exacto de las instrucciones junto a los resultados del modelo y los errores observados.
Los seis modelos de esta comparativa
Los seis modelos utilizan la misma etiqueta de acceso en este artículo: GLBGPT. La tabla muestra la gama completa; no hay una sección separada dedicada a los modelos en la que solo se presenten dos proveedores.
| Modelo | Acceda a | Cobertura inmediata en esta comparativa | Qué evalúan las pruebas |
|---|---|---|---|
| Wan 3.0 | GLBGPT | Las cinco indicaciones | Movimientos de cámara, personajes, acción, sonido, orden de la historia |
| Kling 3.0 | GLBGPT | Las cinco indicaciones | Movimientos de cámara, personajes, acción, sonido, orden de la historia |
| Seedance 2,5 | GLBGPT | Aspectos cinematográficos, personajes, diálogos | Orden de los acontecimientos, detalles de los personajes, escenas de diálogo |
| Imagina Grok | GLBGPT | Cinemática, movimiento, diálogo | Recorrido de la cámara, cobertura de la acción, escena con dos interlocutores |
| Happy Horse 1.0 | GLBGPT | Cine, personajes, cerámica | Continuidad de los personajes y estructura narrativa en tres fases |
| Veo 3.1 | GLBGPT | Solicitud cinematográfica, movimiento, cerámica | Aceptación del recorrido, movimiento de la cámara, momentos clave de la historia |
Cómo hemos probado los seis modelos
Congelamos cinco prompts antes de comparar los resultados. El modelo variaba de una tarjeta a otra, mientras que el prompt, la relación de aspecto, la resolución, la duración y la configuración de audio se mantenían iguales dentro de cada tarjeta. Un ejemplo representativo de solicitud de GLBGPT era:
{
"superficie": "GLBGPT",
"modelo": "seedance-2.5",
"prompt": "la misma indicación de prueba",
"aspect_ratio": "16:9",
"resolution": "720p",
"duration": 5,
"audio": false
}| Pregunte a | Modelos comparados en la misma ficha | Configuración fija |
|---|---|---|
| Conversión de texto a vídeo con estilo cinematográfico | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Grok Imagine · Happy Horse 1.0 · Veo 3.1 | 5 segundos · 720p · 16:9 · sin audio |
| Coherencia de caracteres | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Happy Horse 1.0 | 5 segundos · 720p · 16:9 · sin audio |
| Movimientos complejos y control de la cámara | Wan 3.0 · Kling 3.0 · Grok Imagine · Veo 3.1 | 5 segundos · 720p · 16:9 · sin audio |
| Diálogos y audio en lengua original | Wan 3.0 · Kling 3.0 · Seedance 2.5 · Grok Imagine | 5 segundos · 720p · 16:9 · se solicita audio original |
| La historia de la cerámica en tres tiempos | Wan 3.0 · Kling 3.0 · Happy Horse 1.0 · Veo 3.1 | 15 segundos · 720p · 16:9 · se solicita audio original |
Tarjetas de prueba de adherencia con seis modelos
PRUEBAS FINALIZADAS Las cinco indicaciones que figuran a continuación agrupan cada comparación. Cada indicación cuenta con al menos cuatro modelos; la primera indicación cinematográfica cuenta con los seis. La duración devuelta se mide a partir de cada archivo MP4 local, por lo que una ruta que finaliza antes de tiempo se describe como «devuelta», en lugar de tratarse como una puntuación de calidad oculta.
Indicación 1 · seis modelos · 5 s · 720p · 16:9
Texto a vídeo cinematográfico
Prompt: Un travelling cinematográfico sigue a una mujer con un abrigo rojo largo que camina por una calle iluminada con luces de neón y empapada por la lluvia en plena noche. Se gira hacia la cámara mientras un tranvía pasa por detrás de ella, y los reflejos se desplazan con naturalidad por el pavimento mojado. Movimiento humano realista, rostros y ropa coherentes, poca profundidad de campo, cámara en mano controlada, sin cortes.
Wan 3.0 GLBGPT
Kling 3.0 GLBGPT
Seedance 2,5 GLBGPT
Imagina Grok GLBGPT
Happy Horse 1.0 GLBGPT
Veo 3.1 GLBGPT · 5,04 s
- Wan: sigue a la mujer, muestra el giro y lleva el tranvía por el fondo.
- Kling: mantiene una iluminación atractiva propia de un día lluvioso, pero el motivo resulta relativamente estático.
- Seedance 2,5: mantiene el paseo visto desde atrás, el giro visible y la llegada del tranvía en el orden solicitado.
- Grok: conserva el abrigo rojo, la lluvia, la calle con luces de neón y el tranvía, que se ve claramente pasando por detrás del sujeto.
- Happy Horse: Empieza detrás de la mujer y, a continuación, muestra el giro y el tranvía con un primer plano más cercano.
- Veo: Conserva el abrigo rojo y el abono de tranvía, pero la cámara es más estática que en las versiones «Wan» y «Seedance».
Observación de la prueba: el modelo Seedance 2.5 es el que mejor respeta el orden de los eventos; Wan ofrece la mejor cobertura de cámara y acción en esta tarjeta de seis modelos.
Indicación 2 · cuatro modelos · 5 s · 720p · 16:9
Coherencia de los personajes sin una imagen de referencia
Prompt: Un plano secuencia del mismo relojero anciano, con gafas redondas de plata, un chaleco verde y una pequeña cicatriz sobre la ceja izquierda. Coge un reloj de bolsillo, se aleja de su banco de trabajo hacia la ventana, se gira de perfil y luego vuelve a mirar a la cámara. Mantén inalterados su rostro, sus gafas, su ropa, su edad y su cicatriz durante todo el plano.
Wan 3.0 GLBGPT
Kling 3.0 GLBGPT
Seedance 2,5 GLBGPT
Happy Horse 1.0 GLBGPT
- Wan y Kling: permiten reconocer al relojero, pero ninguna de las dos conserva claramente la cicatriz de la ceja.
- Seedance 2,5: Conserva al relojero anciano, las gafas, el chaleco y el movimiento desde el banco de trabajo hasta la ventana; la cicatriz no se ve con claridad.
- Happy Horse: mantiene las gafas y el chaleco durante el movimiento de perfil a frente; la cicatriz característica tampoco se aprecia con claridad.
Observación de la tarea: los cuatro conservan mejor la identidad principal que el detalle facial más pequeño; no se ha designado ningún ganador a nivel de modelo.
Indicación 3 · cuatro modelos · 5 s · 720p · 16:9
Movimientos complejos y control de la cámara
Prompt: Un ciclista baja a toda velocidad por un concurrido mercado mediterráneo, mientras la cámara comienza con un travelling frontal en ángulo bajo, se desplaza suavemente hacia su lado izquierdo y se eleva hasta ofrecer una amplia vista aérea. Los vendedores se apartan, los toldos de tela se mueven con el viento, las naranjas ruedan de una cesta volcada y cada suceso se produce en ese orden con una física realista.
Wan 3.0 GLBGPT
Kling 3.0 GLBGPT
Imagina Grok GLBGPT
Veo 3.1 GLBGPT
- Wan: muestra el movimiento de seguimiento frontal más nítido y pasa a una vista aérea.
- Kling: muestra la cesta volcada y las naranjas rodando de forma más clara.
- Grok: realiza un movimiento fluido de delante hacia un lado y luego hacia arriba, y mantiene las naranjas a la vista.
- Veo: mantiene al ciclista y al mercado, pero deja que los toldos dominen los últimos fotogramas; el orden completo de los acontecimientos resulta menos claro.
Observación de la tarea: Wan y Grok son los que ofrecen una mayor cobertura del recorrido de la cámara; Kling destaca por el nivel de detalle de los elementos de color naranja.
Indicación 4 · cuatro modelos · 5 s · 720p · se solicita audio original
Diálogos y audio en lengua original
Prompt: En el interior de un tranquilo compartimento de tren, una mujer dice: “Nos hemos pasado de la última parada”. Un hombre sentado frente a ella responde: “Pues seguiremos hasta el final”. Mantén las dos voces diferenciadas, sincroniza cada frase con el interlocutor correspondiente, incluye un sutil ambiente de tren y el sonido de las ruedas, y no añadas música.
Wan 3.0 GLBGPT
Kling 3.0 GLBGPT
Seedance 2,5 GLBGPT
Imagina Grok GLBGPT
- Las cuatro escenas en el compartimento del tren mostraban a dos interlocutores visibles.
- Wan y Kling proporcionaron pistas AAC estéreo de 5,04 segundos en los registros guardados; se revisaron los nuevos archivos Seedance y Grok para comprobar la cobertura de las escenas, pero la asignación exacta de las palabras pronunciadas y de los interlocutores aún requiere una sesión de escucha controlada.
- En Seedance se muestra a la mujer y al hombre en planos separados; en Grok, ambos interlocutores aparecen en el mismo vagón durante la mayor parte de los fotogramas.
Observación de la tarea: no se designará ningún ganador hasta que se hayan transcrito las cuatro pistas de audio y se hayan escuchado siguiendo el mismo protocolo de revisión.
Indicación 5 · cuatro modelos · 15 s · 720p · se solicita audio original
Historia de la cerámica de tres ritmos a juego
Prompt: Crea una historia cinematográfica coherente de 15 segundos dividida en tres secuencias relacionadas: en un acogedor taller de alfarería, un artesano adulto que lleva un delantal de color óxido da forma a un jarrón azul alto en un torno; el mismo artesano pinta con cuidado un fino motivo ondulado blanco alrededor de ese mismo jarrón; el jarrón terminado descansa sobre una mesa de madera junto a una pequeña planta verde, mientras el artesano sonríe al fondo. Mantén el mismo artesano adulto, el delantal de color óxido, el jarrón azul, el taller y la iluminación cálida durante todo el vídeo. Utiliza transiciones naturales entre escenas, movimientos realistas de las manos, suaves sonidos del torno de alfarero y del pincel, y evita la narración y la música.
Wan 3.0 GLBGPT
Kling 3.0 GLBGPT
Happy Horse 1.0 GLBGPT
Veo 3.1 GLBGPT
- Wan: completa el modelado, la pintura y la presentación, pero amplía la onda fina solicitada para convertirla en un motivo decorativo más amplio.
- Kling: mantiene de forma más fiel la característica ola blanca y el delantal de color óxido.
- Happy Horse: mantiene el jarrón azul, la ola blanca y la composición final con plantas; el encuadre artesanal cambia entre cada compás.
- Veo: Completa el proceso de creación del jarrón y su presentación final con una ola visible y una planta; la continuidad de la identidad es menos estable que la continuidad del objeto.
Observación de las tareas: Kling destaca por el detalle literal de la «onda blanca»; Happy Horse y Veo recogen claramente los tres momentos clave de la historia.
¿Qué modelo deberías elegir?
Elige Wan 3.0 para:
- Movimiento de cámara ambicioso
- Amplia cobertura de la noticia
- Un buen punto de partida para indicaciones con mucho movimiento
Elige el modelo Kling 3.0 para:
- Detalles visuales y motivos literales
- Flujos de trabajo para los diálogos de los personajes y la sincronización labial
- Escenas compactas con múltiples tomas
Elige Seedance 2,5 para:
- Sucesos cinematográficos ordenados
- Un giro argumental evidente y una trama secundaria en un solo resumen
- Preguntas en las que el orden de los acontecimientos es más importante que una puntuación global
Prueba el modelo Grok, Happy Horse o Veo cuando:
- ¿Quieres ver la repetición de la segunda cámara?
- Te interesan los giros narrativos que faciliten la lectura y la cobertura de los temas
- Puedes probar el mensaje exacto antes de la puesta en marcha.
Para esta comparación, se ha accedido a los seis modelos a través de GLBGPT. Ejecuta tu propia instrucción en el mismo espacio de trabajo, compara las tarjetas obtenidas y elige la opción que conserve los detalles que tu proyecto realmente necesita.
Veredicto final sobre el cumplimiento de las instrucciones
No hay un modelo universal que sea el ganador. Esta prueba con seis modelos arroja los siguientes resultados a nivel de tarea: Wan 3.0 para la cobertura de la cámara, Kling 3.0 para el patrón literal de cerámica y Seedance 2,5 para el orden de los eventos en el briefing cinematográfico. Grok Imagine gestionó bien la trayectoria de la cámara en el mercado, Happy Horse 1.0 mantuvo legibles los momentos clave de los personajes y la cerámica, y Veo 3.1 produjo resultados de ejecución dispares en las distintas instrucciones. Estos resultados describen estas instrucciones y ejecuciones concretas, no todos los guiones de vídeo posibles.
Preguntas frecuentes
¿Qué seis modelos de vídeo basados en IA has probado?
Hemos probado Wan 3.0, Kling 3.0, Seedance 2.5, Grok Imagine, Happy Horse 1.0 y Veo 3.1 a través de GLBGPT.
¿Se utilizó más de un modelo en cada solicitud?
Sí. Cada tarjeta de indicaciones principal contiene al menos cuatro modelos, y la tarjeta cinematográfica contiene los seis. De este modo, cada indicación se mantiene como unidad de comparación, en lugar de asignar una indicación independiente a cada modelo.
¿Qué modelo se ajustaba mejor al orden de los acontecimientos cinematográficos?
Seedance 2.5 mantuvo el paso de los soldados de casaca roja, el giro hacia la cámara y la llegada del tranvía en el orden más claro solicitado en esta toma. Wan 3.0 mostró una cobertura más completa de la cámara y la acción en el resultado cinematográfico combinado.
¿Qué modelo conservó mejor los detalles visuales más sutiles?
Kling 3.0 ha representado de la forma más literal posible la delgada onda blanca de la historia de la cerámica. El resultado es una observación a nivel de tarea, por lo que cualquier indicación relacionada con un logotipo, un traje o un dibujo lineal debería seguir probándose directamente.
¿Qué resultados obtuvo el modelo Veo 3.1 en esta matriz?
Veo 3.1 generó un archivo cinematográfico utilizable y completó las secuencias de movimiento visible y de alfarería, pero el archivo de movimiento duraba unos cuatro segundos y el de alfarería, unos ocho segundos, a pesar de que se habían solicitado duraciones más largas. Esos resultados más cortos se registran como detalles de ejecución, sin convertirse en una puntuación de calidad universal.
¿Se pueden utilizar estos vídeos con fines comerciales?
Los derechos de uso comercial dependen del plan actual y de las condiciones asociadas a la vía de acceso. Consulta las condiciones vigentes antes de publicar trabajos realizados para clientes de pago o materiales publicitarios.
Fuentes y pruebas periciales
- Comparación de la adherencia al tratamiento según Higgsfield — Referencia sobre la idea de comparar dos indicaciones idénticas.
- Registros de tareas GLBGPT y resultados locales en formato MP4: matriz de cinco prompts, 720p, 16:9, con los ajustes indicados en cada tarjeta.
- Hojas de contacto locales: se utilizan para comprobar el orden de los eventos, la continuidad de los objetos, el movimiento de la cámara y los detalles visibles en todos los clips entregados.
