OpenAI presenta Sora, un modelo que crea vídeos de hasta un minuto

OpenAI ha presentado Sora, un sistema de inteligencia artificial capaz de crear vídeos de hasta un minuto a partir de una descripción escrita. El anuncio eleva de forma visible el nivel de los generadores de vídeo: las muestras difundidas muestran escenas largas, movimientos de cámara y varios elementos que conservan una coherencia apreciable.

Por ahora, Sora no está disponible para el público. OpenAI lo ha puesto en manos de expertos externos encargados de buscar usos dañinos y fallos del sistema, además de artistas visuales, cineastas y diseñadores que aportarán sus impresiones sobre su utilidad creativa.

Del texto a escenas con movimiento

Sora recibe una instrucción en lenguaje natural —por ejemplo, una escena, unos personajes, un estilo visual y un movimiento de cámara— y produce una secuencia de vídeo. También puede partir de una imagen fija para animarla, ampliar vídeos ya existentes o generar fotogramas que completen una secuencia.

La compañía asegura que el modelo puede representar escenas complejas con varios personajes, tipos concretos de movimiento y detalles del entorno. En los ejemplos publicados aparecen animales, ciudades futuristas, paisajes naturales y escenas con estética cinematográfica. La duración de hasta 60 segundos es relevante porque muchos modelos anteriores se concentraban en clips mucho más breves, donde resulta más fácil ocultar errores de continuidad.

El avance no significa que el sistema comprenda el mundo como lo hace una persona. OpenAI reconoce límites importantes: Sora puede equivocarse al simular fenómenos físicos complejos, confundir relaciones espaciales —como izquierda y derecha— o no reflejar correctamente la causa y el efecto de una acción. Una persona puede aparecer mordiendo una galleta y esta no mostrar la marca correspondiente, por ejemplo.

Un modelo de difusión con arquitectura de transformador

Técnicamente, Sora combina dos ideas ya conocidas en la IA generativa. Es un modelo de difusión, es decir, aprende a convertir ruido visual en una imagen o secuencia reconocible paso a paso. Y emplea una arquitectura de transformador, el tipo de red neuronal que ha impulsado modelos de lenguaje como GPT-4.

OpenAI divide los vídeos en pequeñas unidades de datos visuales, llamadas patches, de forma parecida a como un modelo de texto procesa fragmentos de una frase. Este enfoque permite trabajar con vídeos de distintas duraciones, resoluciones y formatos verticales u horizontales sin tener que construir un sistema diferente para cada caso.

La empresa también utiliza descripciones detalladas de los vídeos durante el entrenamiento. Esa técnica busca que el modelo siga mejor las instrucciones del usuario y ayuda a explicar por qué las demostraciones de Sora responden a indicaciones extensas sobre iluminación, encuadre, personajes o estilo.

El problema no es solo técnico

La mejora de la generación audiovisual tiene aplicaciones evidentes en publicidad, previsualización cinematográfica, educación, videojuegos y creación de contenidos. Una agencia podría convertir un guion en un borrador visual sin organizar un rodaje; un diseñador podría probar varias ideas de una escena antes de producirla. Pero el mismo salto reduce la barrera para fabricar vídeos falsos convincentes.

OpenAI ha comenzado las pruebas con especialistas en desinformación, contenido de odio y sesgos, entre otros riesgos. La compañía indica que está desarrollando herramientas para detectar material engañoso y que, si despliega Sora en productos de OpenAI, prevé incorporar metadatos C2PA. Este estándar técnico permite adjuntar información sobre el origen y las ediciones de un archivo, aunque no impide por sí solo que un vídeo sea copiado, recortado o difundido fuera de plataformas que lean esos datos.

El acceso restringido refleja que la calidad visual no basta para lanzar una herramienta de este tipo. Antes de llegar a usuarios y empresas, OpenAI tendrá que demostrar que sus filtros, sus mecanismos de procedencia y sus normas de uso pueden responder a un problema que ya afecta a las imágenes generadas: distinguir con rapidez una creación sintética de una grabación real cuando circula fuera de contexto.