Meta presenta Movie Gen, su modelo para crear vídeo y sonido

El 4 de octubre de 2024, Meta presentó Movie Gen, una familia de modelos de investigación para generar y editar vídeo, personalizarlo a partir de una imagen y crear audio sincronizado. El paper de Meta describe arquitectura, datos, evaluaciones y límites; no anunció un producto abierto al público. Esa diferencia decide qué puede probar el lector y qué sigue siendo una demostración del laboratorio.

El anuncio importa porque une en una misma familia de modelos dos capacidades que hasta ahora solían llegar separadas: la generación de imagen en movimiento y la de audio. En vez de producir un vídeo mudo al que después haya que añadir música, efectos o ambiente con otra herramienta, Movie Gen aspira a construir ambas capas de forma coordinada.

Vídeos de hasta 16 segundos en alta definición

La pieza principal de la familia es Movie Gen Video, un modelo de 30.000 millones de parámetros. Los parámetros son los valores internos que un modelo ajusta durante su entrenamiento para aprender patrones de imágenes, texto y sonido. Meta afirma que puede generar clips de hasta 16 segundos en resolución 1080p y con una cadencia de 16 fotogramas por segundo. Fuente

La empresa muestra escenas creadas desde texto con personas, animales y entornos complejos, además de secuencias en las que los personajes realizan acciones descritas en la instrucción. Como ocurre con otros generadores de vídeo, la dificultad no está solo en lograr una imagen atractiva: está en conservar la identidad de los sujetos, la coherencia de los objetos y una física razonable durante toda la secuencia.

Movie Gen entra así en una carrera en la que ya participan OpenAI con Sora, Runway con Gen-3 Alpha, Luma AI y compañías chinas como Kling. La generación de vídeo se ha convertido en uno de los frentes más visibles de la IA generativa porque exige combinar comprensión del lenguaje, composición visual, movimiento y continuidad temporal.

El sonido deja de ser un añadido externo

Meta ha desarrollado además Movie Gen Audio, un modelo de 13.000 millones de parámetros destinado a generar bandas sonoras, efectos y sonidos ambientales a partir de texto, vídeo o ambos. Puede, por ejemplo, asociar el ruido de un motor con un vehículo en movimiento, crear una base musical para una escena o añadir sonidos de ambiente coherentes con el lugar representado. Fuente

El detalle relevante es la sincronización. En un vídeo convencional, el sonido suele añadirse en posproducción y requiere decisiones humanas: cuándo entra una música, qué efecto acompaña una acción o cómo se mezcla con el ambiente. La propuesta de Meta intenta automatizar esa relación entre lo que ocurre en pantalla y lo que se escucha.

Aun así, generar sonido plausible no equivale a resolver por completo el doblaje o el diálogo de personajes. La voz humana exige sincronía labial, interpretación, continuidad entre planos y control sobre el idioma, cuestiones que siguen siendo especialmente delicadas en las herramientas generativas.

Editar un vídeo con una frase

Movie Gen no se limita a partir de una pantalla en blanco. Meta ha mostrado funciones para editar metraje existente mediante instrucciones escritas. El sistema puede añadir un objeto a una escena, sustituir el fondo, cambiar la apariencia de una persona o modificar determinados elementos sin reconstruir manualmente cada plano.

También incorpora una función de personalización de vídeo: a partir de una imagen de una persona, el modelo puede situarla en una escena generada y mantener sus rasgos. Es una capacidad atractiva para contenidos personalizados, publicidad y creatividad audiovisual, pero abre problemas conocidos de consentimiento y suplantación. Cuanto más fácil sea producir una secuencia realista con el aspecto de alguien, más importante será que las plataformas y los creadores indiquen con claridad cuándo una imagen ha sido generada o alterada por IA.

Un avance de investigación, no una aplicación disponible

Meta no ha puesto Movie Gen a disposición general del público. La compañía presenta Movie Gen como investigación y no ha anunciado su disponibilidad como producto público.

Esa cautela tiene una razón práctica. El vídeo generado puede servir para previsualizar campañas, crear material educativo, prototipar escenas o producir contenidos para redes sociales con menos recursos. Pero las mismas técnicas reducen el coste de fabricar vídeos engañosos, de imitar a personas reales o de reutilizar obras y estilos sin autorización.

La comparación decisiva no será solo la calidad de los clips de demostración. Movie Gen tendrá que demostrar que ofrece control suficiente para una producción real: consistencia entre escenas, edición precisa, derechos sobre los materiales utilizados y mecanismos eficaces para identificar contenido sintético. Meta ha enseñado una tecnología ambiciosa; falta saber bajo qué condiciones decide convertirla en una herramienta accesible.

Un vídeo generado es una secuencia, no una imagen larga

La calidad temporal exige conservar identidad, geometría, iluminación y causalidad entre fotogramas. Una captura bonita puede ocultar manos que cambian, objetos que aparecen o movimientos sin continuidad. La prueba selecciona acciones con inicio y final, sigue elementos pequeños y registra en qué momento se rompe la coherencia.

El audio añade otra sincronización. Se separan habla, efectos, ambiente y música; después se comprueba si el sonido corresponde al evento visible y mantiene perspectiva. “Genera sonido” no indica si el sistema entiende una acción o solo asocia patrones frecuentes. Casos improbables y silencios deliberados revelan mejor esa diferencia.

Edición, generación y personalización son tareas distintas

En edición, el criterio central es cambiar lo pedido sin alterar el resto. Se conserva el vídeo original, una máscara de la región objetivo y una lista de elementos que deben permanecer. La puntuación combina obediencia a la instrucción con preservación. Una transformación vistosa que reescribe toda la escena no es edición precisa.

La personalización necesita consentimiento, procedencia y control de borrado además de semejanza. Se pregunta quién puede subir la imagen, cómo se almacena, si el resultado queda marcado y qué recurso tiene la persona representada. La fidelidad de identidad mejora una capacidad creativa y al mismo tiempo eleva el riesgo de suplantación.

El benchmark del fabricante es una hipótesis

Comparaciones humanas dependen de selección de ejemplos, interfaz, orden y pregunta. Para repetirlas se publican todos los intentos, modelos exactos y criterio. También se evalúan fallos, no solo pares elegidos. Si el modelo no está disponible, el lector solo puede auditar el método y el material publicado, no verificar la superioridad general.

Procedencia técnica y etiqueta visible cumplen funciones distintas. Una credencial puede registrar origen y edición; una etiqueta informa en la plataforma. Ambas pueden perderse al recortar, recomprimir o republicar. La auditoría sigue el archivo por ese recorrido y evita presentar una señal como garantía absoluta.

La capacidad transferible es evaluar vídeo generativo por ejes separados: fidelidad al encargo, coherencia temporal, sincronización, preservación al editar, consentimiento y procedencia. Esa ficha permite comparar el siguiente modelo aunque cambien la marca y la demostración.

La ficha mínima acompaña a cada ejemplo

Guarda instrucción, semilla si existe, duración, resolución, relación de aspecto, versión y todos los intentos. Un montaje con el mejor resultado de muchas ejecuciones no comparte condiciones con una muestra aleatoria. El tiempo de generación y el coste también determinan si una capacidad sirve para explorar ideas o para producir material a escala.

La evaluación humana necesita preguntas separadas. “¿Cuál prefieres?” mezcla nitidez, movimiento, estética y obediencia. Pedir una decisión por eje y permitir empate produce un diagnóstico que guía mejoras. Revisores deben ver el orden alternado para reducir el efecto de posición.

Por último, documenta datos y derechos hasta donde el paper permite. Si el conjunto no puede inspeccionarse, no se inventa su composición. Se declara el límite y se evita deducir de la salida que toda fuente de entrenamiento estaba autorizada.