He estado inmersa en las herramientas de video de GeminiOmni las últimas dos semanas, y quiero escribir lo que me sorprendió. Al empezar, asumí que Sora 2 seguiría siendo el modelo a superar. Para cuando publiqué /tools/text-to-video, ya había cambiado silenciosamente la opción predeterminada a Veo 3.1 Fast de Google — y no por la calidad. Sino por la contabilidad.
Esta es una nota de desarrollo, no un conjunto de pruebas comparativas. Explicaré cómo tomé la decisión, cómo se veían las cuentas y cuáles son las ventajas y desventajas si quieres seguir el mismo camino.
La versión de 90 segundos
Si estás escaneando:
- Veo 3.1 Fast cuesta $0.15 por segundo de video generado, facturado por segundo, publicado abiertamente en la página de precios de Google.
- Sora 2 solo está disponible a través de ChatGPT Pro ($200/mes) o como un complemento de ChatGPT Plus por $20/mes con límites de generación mensuales. No hay un número honesto por segundo que puedas poner en un modelo financiero.
- Para un negocio independiente, lo segundo importa más que lo primero. No puedo garantizar un precio por video para mis usuarios cuando mi propio costo de entrada es "lo que sea que salga de $200/mes dividido entre la cantidad de clips que generé este mes".
- En cuanto a calidad, Sora 2 sigue adelante en rostros fotorrealistas y movimientos de cámara complejos. Veo 3.1 Fast gana en audio nativo sincronizado y es suficientemente bueno en todo lo demás para trabajo de video independiente — demostraciones de productos, ganchos para redes sociales, metraje B-roll de estilo de vida.
Cómo realicé la comparación
Tenía una lista de 30 indicaciones que reflejan el tipo de cosas que los usuarios de GeminiOmni escribirán. Aproximadamente un tercio eran de estilo demostración de producto ("una mano vierte espresso en una taza de vidrio transparente, cámara lenta, iluminación de cocina"). Un tercio eran de estilo gancho para redes sociales ("un zoom de 3 segundos a una pantalla de teléfono mientras alguien da doble tap a una publicación de Instagram"). El último tercio era metraje B-roll de estilo de vida ("luz matutina a través de un balcón en Berlín, hiedra moviéndose con la brisa").
Generé cada indicación en:
- Veo 3.1 Fast a través de la API para desarrolladores de Gemini a $0.15/seg
- Veo 3.1 Standard a través de la misma API a $0.40/seg
- Sora 2 a través de mi cuenta de ChatGPT Pro, solo tiempo de generación — sin costo justo por clip disponible
Califiqué cada una en una escala privada del 1 al 5 en cuatro dimensiones: fidelidad del sujeto, plausibilidad del movimiento, calidad de audio (cuando correspondía) y adherencia a la indicación.
No publicaré las puntuaciones por indicación porque son ruidosas con n=30 y no quiero que nadie las trate como una prueba comparativa. Lo que compartiré es el patrón:
- Veo 3.1 Fast superó a Sora 2 rotundamente en audio, todas las veces. Pasos sincronizados, sonidos de agua, tono ambiental de la habitación — el audio nativo de Veo es la característica estrella, y Sora no lo incluye en absoluto.
- Sora 2 superó a Veo 3.1 Fast en rostros y movimientos de labios, especialmente en primeros planos cerrados. Si tu caso de uso implica a una persona hablando directamente a la cámara, la diferencia es real.
- Veo 3.1 Standard redujo aproximadamente la mitad de la diferencia en rostros/labios por 2.7 veces el costo. Lo dejaré como una opción en el plan Pro, no como predeterminado.
Dentro del bucle de la API, el panorama de costos fue:
- Clip de 8 segundos en Veo 3.1 Fast: $1.20
- Clip de 8 segundos en Veo 3.1 Standard: $3.20
- Clip de 8 segundos en Sora 2: sinceramente no puedo decírtelo. Generé 30 clips ese mes y pagué $200 fijos.
Por qué el precio por segundo importa más de lo que crees
Aquí está el argumento para negocios independientes a favor de precios transparentes por llamada, en dos párrafos.
Si quiero ofrecer un plan "Pro" a $19/mes con un límite de 100 clips de video, necesito conocer mis costos unitarios por cada clip. Con Veo 3.1 Fast a $0.15/seg y una salida promedio de 6 segundos, mi costo por clip es de aproximadamente $0.90. Un usuario Pro intensivo que alcance el límite me cuesta $90, dejándome $71 de margen para cubrir todo lo demás, lo cual es factible. Los números son aburridos y están justo ahí en la página de precios.
Si intentara ejecutar el mismo negocio en Sora, el costo de entrada sería una función escalonada que depende de si estaba por encima o por debajo de lo que sea que sea la cuota oculta de OpenAI este mes. Estaría a un cambio de cuota de distancia de una inversión en la economía unitaria. No puedo garantizar eso. Ningún independiente puede.
Esto no es una crítica a la calidad de Sora. Es una crítica al modelo de negocio. OpenAI vende Sora a consumidores a través de una suscripción plana de ChatGPT. Google vende Veo a desarrolladores a través de una API medida. El primer modelo es excelente para usuarios de ChatGPT e inutilizable para constructores downstream. El segundo es lo contrario.
El asunto del audio es real
Quiero dedicar una sección al audio sincronizado de Veo 3.1 porque lo subestimé.
Cuando generas "una persona camina por un piso de madera, luz matutina, vista lateral" en Veo 3.1, obtienes la imagen y los pasos en una sola pasada del modelo. Con fase alineada. En estéreo. Con la reverberación de la habitación correcta para el espacio visible. Asumí que esto sería un truco — "efectos de sonido de IA" — y que estaría obviamente mal la mitad del tiempo.
No está obviamente mal. Está tan cerca de ser correcto que sigo olvidando que es generado. Los pasos coinciden con los mismos fotogramas que los impactos visibles de los pies. La reverberación de la habitación escala con el tamaño aparente de la habitación. El sonido ambiental coincide con la escena (murmullo de cafetería para escenas de cafetería, viento para escenas exteriores).
Para video independiente de redes sociales, esto elimina por completo el paso de postproducción de audio. No estás buscando una biblioteca de audio de archivo. No estás pagando a un diseñador de sonido para metraje B-roll. No estás ejecutando una pasada de sincronización separada. El modelo lo hizo, y es suficientemente bueno para publicar.
Toda herramienta de "video con IA" que no tenga audio sincronizado ahora compite con una que sí lo tiene, por el mismo precio. Las que no lo tienen tienen un problema.
Lo que construí encima
La ruta predeterminada en /tools/text-to-video ahora es Veo 3.1 Fast. El plan Pro tiene una opción para Veo 3.1 Standard si un usuario necesita la fidelidad adicional en rostros de primeros planos. Agregué un límite pequeño del lado del servidor para las generaciones del nivel Gratuito (5 por mes, 720p, con marca de agua) porque a $0.15/seg las cuentas solo funcionan si los usuarios Gratuitos se convierten a una tasa razonable.
Algunas decisiones de implementación con opiniones, por si estás construyendo algo similar:
- Mantengo la indicación del usuario y la respuesta escalada con el nombre del modelo en el servidor durante 30 días en cuentas Pro y las descarto inmediatamente en Gratuito. Almacenar indicaciones es problemático para la privacidad y no vale la pena el ahorro.
- Muestro el nombre del modelo debajo de cada clip generado — literalmente una pequeña insignia "Veo 3.1 Fast". La gente merece saber por lo que pagó.
- No auto-renuevo créditos. Si compraste un paquete de 400 créditos y no lo usaste en 12 meses, caduca. Prefiero perder una venta de $29 que ser la empresa que vacía silenciosamente tu billetera.
Qué observar en I/O
Dos cosas a tener en cuenta en Google I/O 2026 la próxima semana, ambas podrían cambiar mis opciones predeterminadas:
Gemini Omni. Un nuevo modelo de video se ha filtrado a través de la interfaz de usuario de la aplicación Gemini — cadenas como "Crear con Gemini Omni: conoce nuestro nuevo modelo de video, remezcla tus videos, edita directamente en el chat" aparecieron el 5 de mayo. Si Google lanza un modelo de video de clase Omni con la misma economía de API que Veo, las opciones predeterminadas para independientes cambian de nuevo. Escribiré sobre eso el día que llegue.
API de Sora 2. OpenAI ha insinuado una API medida de Sora. Si se lanza a un precio transparente por segundo por debajo de $0.30, la brecha de calidad en rostros probablemente gana. Si se lanza detrás de ventas empresariales o misterios de cuotas, los constructores independientes deberían ignorarla. Creeré en la API medida cuando vea la página de precios.
Lee a continuación
- Imagen a video en Veo 3.1 — fotogramas de referencia para consistencia de personajes
- Texto a video con IA — opción predeterminada actual + opción Pro
- Precios de GeminiOmni — cómo elegí $19 / $79
— Lena
