Comparativa de IA de video: Wan 3.0, Kling, Seedance y Runway

👁 117 lecturas

Sometidos a cinco escenas exactamente iguales, el mejor resultado lo ha obtenido Wan 3.0 (nota media de 8,8/10), seguido muy de cerca por MiniMax H3 Max (8,4/10). Ambos han sido los únicos capaces de escribir de forma impecable en una pizarra el texto de prueba con caracteres especiales complejos (traducción del original polaco: «BARCO AMARILLO»), y Wan lo logró por unos 0,19 EUR (0,21 USD) por clip, la opción más económica de la comparativa. Las peores notas fueron para Veo 3.1 Lite (sin apenas movimiento de cámara y sustituyendo caracteres latinos por cirílico) y Runway Gen-4.5, cuya API ni siquiera genera audio. En lo más alto del ranking de imagen a vídeo se sitúa Vidu Q4 Preview, que entrara en la comparativa en cuanto prepare los fotogramas iniciales, ya que no ofrece modo de texto a video. El 11 de octubre probe con las mismas escenas HappyHorse 1.1 de Alibaba (media de 6,1/10 en cuatro escenas sin voz; puedes ver los clips y análisis en HappyHorse frente a Wan 3.0, Seedance y MiniMax). Ese mismo dia evalue bajo identicas condiciones FLUX 3 Video: obtuvo una media de 8,9/10, resolviendo la voz y los caracteres especiales sin fallos (precios calculados segun la tasa de referencia del BCE del 12/10/2026: 1 EUR = 1,1181 USD, fuente: https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml).

Tabla comparativa de resultados

Puntuaciones asignadas en una escala del 0 al 10. La media global tiene en cuenta las cinco escenas por igual, lo que significa que un modelo sin generación de audio recibe un 0 automático en la prueba de voz.

Costes estimados y especificaciones tecnicas de los clips generados en esta ronda:

Conclusiones clave:

• Texto en pantalla: marco la mayor brecha cualitativa. La primera linea («ARENA WIDEO 2026») la resolvieron todos los modelos, pero los diacriticos complejos de la segunda linea solo fueron representados correctamente por Wan 3.0 y H3 Max.
• Movimiento de camara: Kling, Wan y H3 Max lograron completar una orbita fluida de delante hacia atras de la moto. Veo 3.1 Lite mantuvo la camara casi inmovil.
• Fisica de fluidos: unicamente Wan reprodujo la secuencia completa en orden logico: llenado, desbordamiento y formacion del charco.
• Coste: el mejor rendimiento no requirio el mayor desembolso. Wan 3.0 en 480p costo unos 0,19 EUR (0,21 USD) por 5 segundos, mientras que Seedance 2.5 en la misma resolucion subio a unos 0,47 EUR (0,52 USD).

Escena 1: movimiento y giro de camara

Criterios analizados: fluidez en la orbita de 180 grados, estabilidad geometrica de la moto y del entorno, y fidelidad de los reflejos sobre el asfalto mojado.

A smooth 180-degree camera orbit around a vintage red motorcycle parked on a wet cobblestone street in an old European town at blue hour. The camera circles steadily from the front of the motorcycle to its back at a constant speed. Street lamps reflect in the puddles, light drizzle. The motorcycle keeps its exact shape and details. Realistic cinematic footage, real-time motion, no text, no logos.

Escena 2: personaje hablando (prueba de voz en polaco)

Criterios analizados: inteligibilidad de la frase original evaluada en polaco (faster-whisper large-v3, metrica WER), sincronizacion labial y naturalidad articulatoria.

Esta escena utiliza el mismo prompt probado en la ronda del 28/09/2026 (transcripcion faster-whisper large-v3, WER calculando numeros como palabras). Solo genere un clip nuevo para Veo 3.1 Lite. Las transcripciones completas y el desglose de otros modelos (como Veo 3.1, Gemini Omni Flash o Grok Imagine) se detallan en el ranking general de modelos de video. Nota: la prueba se realizo expresamente en polaco para medir la respuesta fonetica ante estructuras complejas; incluimos la traduccion de referencia.

Plano medio corto de una mujer de unos treinta anos sentada a la mesa de una cocina, mirando directamente a la camara. Dice de forma clara y tranquila en polaco (traduccion del original polaco: «En Szczebrzeszyn un escarabajo suena en la cana, y yo pago treinta y dos zlotys»). Luz natural de una ventana, camara estatica, realista, sin subtitulos, sin texto en pantalla, sin musica.

[Traduccion del texto evaluado: «En Szczebrzeszyn un escarabajo suena en la cana, y yo pago treinta y dos zlotys.»]

Escena 3: generación de texto legible

Criterios analizados: reproduccion literal y nitida de las palabras indicadas, prestando especial atencion a la precision ortografica y signos diacriticos complejos.

Primer plano de una pizarra escolar verde en un aula iluminada por el sol. Una mano termina de escribir con tiza blanca. La pizarra muestra claramente con precision dos lineas de texto en mayusculas (traduccion del original polaco: primera linea «ARENA DE VIDEO 2026», segunda linea «BARCO AMARILLO»). Camara estatica, realista, polvo de tiza en la luz, ningun otro texto.

[Traduccion del texto original solicitado en la pizarra: linea 1 «ARENA DE VIDEO 2026», linea 2 «BARCO AMARILLO»]

Escena 4: simulacion de fluidos y agua

Criterios analizados: trayectoria del chorro, salpicaduras realistas, ascenso progresivo del nivel, desbordamiento logico y ausencia de desaparicion espontanea del liquido.

Static close-up on a wooden kitchen table in daylight. Water is poured from a glass pitcher into an empty clear drinking glass. The stream splashes, bubbles rise, the water level rises steadily until the glass overflows and water spills onto the table and spreads into a puddle. Real-time speed, no slow motion, realistic physics, no text.

Escena 5: consistencia del personaje tras un corte

Criterios analizados: mantenimiento de rasgos faciales, peinado, gafas, abrigo y mochila tras el corte de plano directo.

Two shots separated by one hard cut. Shot 1: wide shot of a young woman with short red hair, round black glasses, a yellow raincoat and a black backpack walking along a rainy city street at night with neon reflections on the wet pavement. Hard cut. Shot 2: close-up of the same woman with the same short red hair, the same round black glasses and the same yellow raincoat as she stops under a shop awning and looks up at the rain. Realistic, cinematic, no text.

Metodologia de las pruebas

• Cada generador recibio exactamente el mismo prompt en ingles (las unicas partes en polaco fueron el texto de la pizarra y el dialogo de voz para evaluar fonetica compleja), con relacion de aspecto 16:9, sin imagen de partida y a un unico intento (sin generar variantes ni elegir la mas favorable).
• Duracion fijada en 5 segundos. Las excepciones obedecen a las restricciones tecnicas de cada API: Veo 3.1 Lite solo admite 4, 6 u 8 s (se seleccionaron 6 s), y Runway Gen-4.5 se limito a 4 s para ajustarse al presupuesto.
• Resolucion de salida: Seedance 2.5, Wan 3.0 y H3 Max a 480p; Kling, Veo y Runway a 720p (el minimo disponible). En cualquier caso, Kling 3.0 Standard entrega el archivo codificado en 1080p.
• Evaluación: análisis completo de cada clip y cotejo simultáneo de 4 fotogramas clave (al 8, 35, 62 y 92% de la duración). El texto en la pizarra se verifica sobre el fotograma final a resolución nativa.
• Análisis de voz: transcripción automatizada mediante faster-whisper large-v3 con ponderación WER (tasa de error de palabras) tras convertir numerales a texto.
• Facturacion: importe obtenido directamente del campo usage.cost en la respuesta devuelta por la API de OpenRouter, en dolares (USD) sin impuestos directos.
• Los archivos multimedia integrados en este artículo han sido recomprimidos a H.264 (máximo 1280 px) y solo inician la carga al reproducirlos.

Modelos no incluidos en la comparativa

• Kling 4.0 y 4.0 Flash: Kling anuncio su disponibilidad para octubre, pero a fecha 08/10/2026 no contaba con endpoint publico en API ni tarifas cerradas. Se integrara cuando llegue a las API. Detalles del modelo: Kling 4.0.
• Sora 2: su API fue descontinuada el 24/09/2026 (y la aplicacion original cerrada en abril).
• Veo 3.1 (completo) y Gemini Omni Flash: la versión completa de Veo supone unos 0,36 EUR (0,40 USD) por segundo con sonido, y Omni Flash no se halla integrado en OpenRouter. Ambos pueden consultarse en la prueba del 28/09 del ranking de video.
• Kling 3.0 Pro: descartado por presupuesto (unos 0,50 EUR o 0,56 USD por 5 s sin audio). La prueba especifica de imagen a video con Kling 3.0 Pro esta recogida en la guia de Kling AI.

Preguntas frecuentes

¿Que generador de video con IA procesa mejor el texto complejo en imagen?

En esta serie de pruebas, solo Wan 3.0 y MiniMax H3 Max transcribieron el rotulo con diacriticos complejos (traduccion del original polaco: «BARCO AMARILLO») de forma perfecta. Kling, Seedance, Veo 3.1 Lite y Runway introdujeron grafias checas, alemanas o texto en cirilico.

¿Cual es el modelo de video con IA mas barato del mercado?

Por precio absoluto, la opción más económica analizada fue Veo 3.1 Lite (unos 0,16 EUR / 0,18 USD por 6 s sin sonido), pero su rendimiento cualitativo resultó ser el más bajo. La relación calidad-precio más competitiva la ofrece Wan 3.0: unos 0,19 EUR (0,21 USD) por 5 s a 480p.

¿Se puede acceder ya a Kling 4.0 por API?

A fecha de 8 de octubre de 2026, todavia no. Solo esta operativa la variante 4.0 Flash a traves de la interfaz de Kling para un grupo selecto de suscriptores Ultra. Las plataformas que prometen una «API de Kling 4» estan enrutando el trafico a versiones anteriores de Kling.

¿Es posible seguir utilizando Sora de OpenAI?

No. La interfaz web de Sora ceso su actividad el 26 de abril de 2026 y la API de Sora 2 fue dada de baja definitiva el 24 de septiembre de 2026 sin un relevo oficial anunciado.

¿Con que frecuencia se actualizan estas comparativas?

El benchmark se reevalua con cada modelo de video relevante que se incorpora a las API publicas. La proxima incorporacion prevista sera Kling 4.0.

Fuentes consultadas

• Precios tecnicos y parametros de los modelos: OpenRouter, catalogo de modelos de video (08/10/2026).
• Kling 4.0: notas de actualizacion de Kling.
• Cierre de la API de Sora 2: OpenAI, registro de funciones obsoletas.

// sigue leyendoFLUX 3 Video vs Wan 3.0 vs Seedance 2.5: comparativaBenchmarksLip sync con IA: OmniHuman 2 frente a H3 Max, Kling y FabricBenchmarksSeedance 2.5: podio en vídeo IA y el más caro del top 10Benchmarks