El generador de video funciona en dos modos. "Foto a video" da vida a una imagen subida: una persona sonríe y gira la cabeza, las olas rompen en la orilla, la cámara se desliza por la escena. "Texto a video" construye un clip desde cero a partir de una descripción: personajes, escenario, movimiento de cámara y ambiente. La mayoría de los modelos generan el sonido junto con la imagen: voz, música y ruido ambiental.
Todos los modelos de video líderes de 2026 están disponibles en una sola interfaz. MiniMax H3 Turbo es el más rápido y económico, con un clip listo en aproximadamente un minuto. MiniMax H3 destaca especialmente al animar retratos. Kling 3 y Kling 3 Pro ofrecen movimientos de cámara e iluminación cinematográficos. Veo 3.1 de Google aporta física realista. Gemini Omni Flash es el nuevo modelo de Google, con una precisión notable al seguir las instrucciones y generar voz. Wan 3.0 de Alibaba sobresale en la construcción de escenas narrativas con cambios de plano. Grok Imagine 1.5 de xAI y Kling 4.0 pueden generar clips de hasta 15 segundos en una sola generación. Seedance 2.5 de ByteDance es un modelo premium para acción compleja y voz con sincronización labial.
La duración es de 5 o 10 segundos (Gemini Omni Flash también ofrece 8, Veo 3.1 ofrece 4, 6 u 8 segundos, y Grok Imagine y Kling 4.0 llegan hasta 15), la resolución es 720p o 1080p, con formatos 16:9, 9:16 y 1:1. La generación ocurre completamente en la nube: no necesitas tarjeta gráfica ni software. El archivo MP4 final se puede extender, editar según una descripción, mejorar a 4K o publicar de inmediato.