Gemini Omni 1.2 frente a Seedance, Kling, Veo y Wan

👁 114 lecturas

Seis modelos, dos escenas y exactamente la misma instrucción al pie de la letra. En la primera, la cámara debía dar un giro de 360 grados alrededor de una vendedora de manzanas en un mercado de Cracovia. En la segunda, dos personas conversan junto a una barbacoa discutiendo en polaco sobre qué embutido comprar en el supermercado. Cada clip dura 6 segundos, a 720p, con audio incluido, generados la tarde del 5 de noviembre de 2026, el mismo día del lanzamiento de Gemini Omni 1.2 Flash.

Para esta comparativa probé Omni 1.2, su predecesor Omni 1.1, Veo 3.1 Lite de Google, Seedance 2.0 Fast de ByteDance, Wan 3.0 de Alibaba y Kling 3.0 Standard. Todos ellos a través de la misma API en OpenRouter, lo que permite contrastar los tiempos y las tarifas bajo condiciones equivalentes. Kling 4.0 y Seedance 2.5 no estaban disponibles allí o su coste se multiplicaba, algo que comento más adelante.

Nota de conversión: los precios en dólares estadounidenses (USD) se indican junto a su aproximación en euros según el tipo de cambio oficial del Banco Central Europeo del 05/11/2026 (1 EUR = 1,1224 USD; fuente: BCE). No representan tarifas locales de facturación final con impuestos incluidos.

Tabla comparativa de resultados

La precisión del habla no se evaluó a simple oído: pasé cada archivo por el modelo de transcripción Whisper large-v3 para cotejarlo directamente contra el texto solicitado en la prueba original.

Escena 1: giro completo alrededor del puesto

Instrucción solicitada (traducción de la prueba en polaco): un giro fluido y completo de 360 grados alrededor de una mujer mayor que vende manzanas, manteniendo la escala constante de la persona, sin ningún corte. Es un reto exigente para un modelo generativo: debe predecir cómo luce la mujer de espaldas y qué entorno hay detrás, para regresar después exactamente a la misma cara.

Omni 1.2 cumplió la orden con exactitud. La cámara se desplaza desde el frente, pasa por el lateral, muestra la espalda mientras ella se ajusta el pañuelo y vuelve al rostro sonriente. Tanto la cara como el estampado de flores se mantienen idénticos de principio a fin. Omni 1.1 también intenta la rotación y llega a filmar por detrás, pero con un desplazamiento brusco.

El resto de modelos no realizó el giro. Veo 3.1 Lite y Wan 3.0 dejaron la cámara totalmente fija sobre un trípode imaginario y la vendedora simplemente mueve las manos. Seedance aplicó un suave zoom hacia adelante. Kling descompuso la escena en varios cortes con distintos fondos, lo que rompe directamente la petición explícita de evitar cortes.

Escena 2: conversación junto a la barbacoa

Instrucción solicitada (traducción del material original probado en polaco): dos hombres de unos cincuenta años junto a una barbacoa. El primero, con boina: «Te dije que la salchicha tenía que ser de Biedronka, no de Lidl» («Mowilem ci, ze kielbasa ma byc z Biedronki, nie z Lidla!»). El segundo, con gafas: «Comerás y no protestarás» («Zjesz i nie bedziesz marudzil.»).

Omni 1.2 resolvió la toma en un único plano sin cortes. Ambos sujetos preservan sus rasgos y la sincronización labial encaja con la voz. No obstante, acortó la primera frase: en lugar de incluir «no de Lidl» («nie z Lidla»), terminó prematuramente en «de Biedronka» («z Biedronki»). Meter dos líneas de diálogo en apenas seis segundos deja poco margen, y la red prefirió podar el texto antes que acelerar el ritmo del habla. Al repetir esta misma escena utilizando una imagen de referencia, sí pronunció la frase al completo.

Omni 1.1 dijo todas las palabras, pero dividió la secuencia en tres cortes distintos, y en la toma central aparece un hombre completamente diferente sentado a la mesa con una camiseta verde. Veo 3.1 Lite y Wan 3.0 fueron los más sólidos en este apartado: texto completo, dicción correcta de los nombres y sin cortes de edición. Seedance 2.0 Fast sustituyó al segundo personaje por un hombre con cerveza en mano y deformó la pronunciación con términos distorsionados como «kielbana», «biedynki» y «z lita». Kling protagonizó el comportamiento más inesperado: reformuló por su cuenta las frases, diciendo «Powiedzialem ci, ze kielbasa powinna byc z Biedronki», mientras que la respuesta terminó convertida en una línea ininteligible: «Gdzies to i nie skargil sie».

Qué modelo sale mejor parado

No existe un ganador absoluto para todos los casos, tal como revelan ambas pruebas:

• Movimiento de cámara y consistencia en plano secuencia: Gemini Omni 1.2. Fue el único capaz de trazar una rotación auténtica de 360 grados sin meter transiciones ni alterar las facciones de los personajes.
• Opción más asequible con voz impecable: Veo 3.1 Lite. A razón de aprox. 0,04 EUR (0,05 USD) por segundo ofreció la pronunciación en polaco más fiel, aunque obliga a trabajar con cámara fija y limita las duraciones a 4, 6 u 8 segundos.
• Velocidad de respuesta: Omni 1.1 y Omni 1.2 completaron la tarea por debajo del minuto, mientras que Wan y Kling rozaron los tres minutos de espera.
• Modelos a evitar para fonética no inglesa compleja: Kling 3.0 Standard y Seedance 2.0 Fast en esta configuración concreta.

Conviene matizar lo que ha quedado fuera de este análisis. Seedance 2.5, la opción más potente de ByteDance en este momento, se tarifa en OpenRouter en torno a aprox. 0,20 EUR (0,23 USD) por segundo a 720p, lo que triplica con creces a Omni 1.2, por lo que no entró en este lote de pruebas. Por su parte, Kling 4.0 solo está integrado vía API a través de un único proveedor sin una tarifa pública transparente. Encontrarás el desglose detallado de costes por segundo en nuestro análisis sobre cuánto cuesta Gemini Omni 1.2 y otra comparativa en cinco escenas dentro de la arena de vídeo con IA.

Puedes consultar todas las pruebas realizadas en el lanzamiento dentro del centro de recursos de Gemini Omni Flash.

// sigue leyendoLip sync con IA: OmniHuman 2 frente a H3 Max, Kling y FabricBenchmarksFLUX 3 Max vs Kling, Seedance y Wan: Test en la ArenaBenchmarksComparativa de IA de video: Wan 3.0, Kling, Seedance y RunwayBenchmarks