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

OpenAI presentó Sora el 15 de febrero de 2024 como un modelo capaz de generar vídeos de hasta un minuto a partir de instrucciones de texto. Las demostraciones mostraban movimientos de cámara, varios personajes y estilos visuales detallados, pero el sistema no se abrió al público: la empresa dio acceso a especialistas que debían buscar riesgos y a profesionales creativos que aportarían sus impresiones.

El salto de duración importa porque un vídeo obliga a mantener objetos, acciones y escenarios a lo largo del tiempo. También vuelve más frágil una costumbre popular: decidir si una grabación es auténtica buscando manos extrañas, parpadeos o movimientos imposibles. Esos defectos pueden desaparecer, mientras una grabación real puede contener compresión, desenfoque o montaje. La capacidad duradera consiste en verificar una pieza audiovisual como una cadena de evidencia.

Qué demostró Sora y qué no

En su presentación original de Sora, OpenAI afirmó que el modelo podía producir vídeo de hasta un minuto conservando calidad visual y adhesión a la instrucción. También podía animar una imagen, ampliar un vídeo hacia delante o atrás y completar fotogramas. «Hasta» marca una capacidad máxima anunciada; no significa que todas las peticiones alcancen 60 segundos ni que cada segundo sea coherente.

La propia página enumeraba fallos. Sora podía representar mal la física, confundir izquierda y derecha, hacer aparecer personas u objetos, deformar elementos rígidos y perder la relación entre una acción y su consecuencia. El ejemplo de una persona que muerde una galleta sin dejar marca ilustra el problema: el modelo produce una secuencia visual plausible sin conservar necesariamente el estado causal del mundo.

OpenAI publicó muestras elegidas y una evaluación cualitativa, no una tasa de éxito sobre un conjunto completo de instrucciones. Su informe técnico sobre modelos de vídeo declaraba además que no incluía detalles del modelo ni de la implementación. Las escenas permiten observar capacidades y límites, pero no calcular con qué frecuencia aparecen. Una demostración es evidencia de posibilidad, no una distribución de fiabilidad.

Cómo convierte datos visuales en secuencias

Sora es un transformador de difusión. Durante la generación parte de una representación ruidosa y aprende a predecir unidades visuales más limpias. Antes, una red comprime imágenes y vídeos en un espacio latente de menor dimensión. Esa representación se divide en parches espacio-temporales que funcionan de forma análoga a los tokens de un modelo de lenguaje.

Trabajar con parches permite entrenar sobre vídeos e imágenes de duraciones, resoluciones y proporciones diferentes. El informe indicaba que el sistema podía generar formatos panorámicos, verticales y otros tamaños desde el mismo modelo. OpenAI también utilizaba descripciones ampliadas de los vídeos de entrenamiento para mejorar la correspondencia entre la instrucción y la salida.

Esta arquitectura ayuda a explicar la continuidad, pero no equivale a un motor físico. Aprender regularidades de muchos vídeos puede producir sombras, trayectorias y perspectivas convincentes. No garantiza que el sistema represente masa, rigidez, causa o identidad como variables estables. «Simulador del mundo» era la interpretación de OpenAI sobre una dirección de investigación, no una certificación de exactitud física.

Procedencia no significa verdad

OpenAI dijo que probaría un clasificador para detectar vídeo generado por Sora y que planeaba incluir metadatos C2PA si el modelo llegaba a un producto. C2PA ofrece un mecanismo distinto de un detector: adjunta afirmaciones sobre creación y ediciones, las vincula al archivo y las firma digitalmente. Un verificador puede comprobar que la declaración procede de un firmante y que no fue alterada sin dejar rastro.

La especificación C2PA 2.0, publicada en enero de 2024, es explícita sobre su alcance: valida que las afirmaciones estén asociadas al activo, bien formadas y sin manipulación; no juzga si la procedencia declarada es «buena» o «mala». Una credencial válida podría indicar que una herramienta generó el archivo. No demuestra que la escena representada ocurriera.

La ausencia de credenciales tampoco prueba que el vídeo sea real. Los metadatos pueden no haberse creado, una plataforma puede eliminarlos durante la conversión o alguien puede capturar la pantalla y producir otro archivo. Hay al menos cuatro estados: credencial válida, credencial inválida o rota, credencial que declara generación o edición y ausencia de credencial. Solo el primero confirma una cadena firmada; ninguno convierte por sí mismo el contenido en verdad.

El protocolo de las cuatro capas

La primera capa es procedencia. Se obtiene el archivo más cercano al original, se consulta su credencial con una herramienta compatible y se registra firmante, fecha, acciones declaradas y estado de validación. Una captura de una red social sirve menos que el fichero proporcionado por quien dice haber grabado. El análisis debe conservar una copia intacta y trabajar sobre duplicados.

La segunda es fuente. Se localiza quién publicó primero, no solo quién lo compartió. Se comprueba si esa cuenta, dominio o persona tiene relación verificable con el lugar y si ofrece material adicional. Se pide el archivo original, otros ángulos o la secuencia anterior y posterior. Una fuente identificada puede mentir, pero permite contrastar responsabilidad, historial y acceso.

La tercera es contexto. Se divide la afirmación en lugar, fecha, protagonistas y acción. Cada elemento se compara con fuentes independientes: comunicados oficiales, horarios, mapas, meteorología archivada o grabaciones de otras personas, según el caso. Una imagen auténtica puede estar fechada mal o describirse como otro acontecimiento; descubrir el vídeo original no valida el texto que lo acompaña.

La cuarta es contenido. Se observan sombras, reflejos, continuidad, anatomía, audio y física, pero como pistas que originan nuevas comprobaciones. Se extraen fotogramas clave y se buscan versiones anteriores. Un error visual puede revelar generación o edición; su ausencia no acredita autenticidad. El análisis forense tiene más fuerza cuando converge con procedencia, fuente y contexto.

Una escala para decidir antes de compartir

La conclusión debe expresar incertidumbre. «Verificado» requiere una cadena de captura o publicación coherente y corroboración del hecho. «Probablemente auténtico» o «probablemente sintético» señala evidencia fuerte pero incompleta. «No verificado» es el estado correcto cuando falta el original o no hay corroboración. No hace falta identificar la herramienta exacta para decidir que una afirmación no está suficientemente probada.

El esfuerzo depende del daño. Un clip fantástico usado como entretenimiento puede bastar con una etiqueta clara. Un vídeo que acusa a una persona, altera una elección o muestra una emergencia exige detener la difusión, conservar evidencias y buscar confirmación independiente. La velocidad de compartir no reduce el estándar; aumenta el coste de equivocarse.

Sora mostró que la duración y coherencia del vídeo sintético podían avanzar juntas, aunque sus propios ejemplos revelaban límites causales. Ese equilibrio cambiará con los modelos. El método útil no depende de que conserven un defecto reconocible: comprobar credencial, origen, contexto y contenido seguirá funcionando cuando los píxeles sean perfectos. Ante un vídeo sorprendente, la pregunta más sólida no es «¿parece IA?», sino «¿qué cadena de evidencia sostiene que esto ocurrió?».

La ficha que hace reproducible la comprobación

Una verificación útil deja un registro que otra persona puede revisar. La ficha incluye la afirmación exacta asociada al vídeo, URL y hora de hallazgo, cuenta que lo publicó, copia del archivo y su huella digital, resultado de la credencial, fotogramas clave, fuentes de corroboración y búsquedas que no dieron resultado. También distingue observación de inferencia: «la sombra cambia de dirección» es observable; «por eso lo generó Sora» es una hipótesis.

Al final se anota qué evidencia falta y qué hallazgo cambiaría la conclusión. Si solo existe una versión recomprimida, se declara esa limitación. Si dos cuentas copiaron el mismo origen, no cuentan como dos corroboraciones. La independencia importa más que el número: una segunda grabación desde otro ángulo o un documento del lugar aporta más que cien republicaciones. Publicar esa ficha junto a la conclusión permite corregirla si aparece el original y evita que «no verificado» se transforme, por repetición, en «falso».