Hace apenas un año, generar un vídeo con inteligencia artificial que no pareciera una pesadilla febril era casi un milagro tecnológico. Hoy, la carrera se ha vuelto tan salvaje que las reglas cambian cada semana en la industria. Black Forest Labs acaba de soltar una auténtica bomba en el sector al abrir el acceso anticipado a FLUX 3 Video, un modelo fundacional multimodal que hace algo que el resto todavía suda para conseguir. Y es que saca el vídeo y el audio nativo de una sola tacada, sin plugins externos ni apaños de postproducción.
Básicamente, estamos hablando de un sistema capaz de escupir vídeos de hasta 20 segundos a partir de un simple texto, una imagen de referencia o unos pocos fotogramas clave. Pero la gracia no está solo en el movimiento de los píxeles. Tienen sonido incorporado desde el milisegundo uno, reaccionando a lo que ocurre en pantalla.
Un cerebro único para imagen, movimiento y sonido
Hasta ahora, el mercado nos tenía acostumbrados a pipelines bastante fragmentados. Primero generabas el clip visual, luego te ibas a otra herramienta para meterle los efectos de sonido, y rezabas fuerte para que todo cuadrara mínimamente al juntarlo. El gran salto técnico de FLUX 3 Video es que utiliza una única arquitectura para aprender de forma conjunta la apariencia, el movimiento físico y el sonido. El modelo no ve tres cosas distintas, sino que las asimila como partes inseparables de un mismo evento temporal.
En concreto, todo este entramado se apoya en un método propio que la start-up ha bautizado como Self-Flow. Este sistema se encarga de alinear la generación pura y la comprensión multimodal mediante un entrenamiento masivo que escala simultáneamente en los tres formatos. Aquí, el lenguaje natural actúa como el pegamento maestro. Traduce las instrucciones de tu prompt y conecta lo que el modelo «ve» con lo que «escucha«. Es decir, entiende el contexto completo de la escena antes de renderizar el primer frame. Así de simple.
Los desarrolladores ya han conseguido generar resultados impresionantes. Han sacado clips de texto a vídeo de 10 segundos en resolución 720p con un audio perfectamente sincronizado. Además, el sistema soluciona uno de los mayores quebraderos de cabeza de los creadores: permite mantener la consistencia de los personajes en nuevas escenas, encadenar varias tomas seguidas y hasta producir diálogos multilingües con fluidez.
Los benchmarks: Dando un repaso a la competencia
Si miramos los números fríos, las cifras de las evaluaciones internas invitan a tomarse este modelo muy en serio. Según las métricas de Black Forest Labs, su nuevo juguete ha sido preferido frente a Grok Imagine Video en un 69% de las comparaciones directas. Un porcentaje que escuece a la competencia, pero la sangría de datos no acaba ahí.
Evidentemente, han querido medirse contra todos los pesos pesados del sector audiovisual generativo. Los reportes indican que FLUX 3 gana a Kling v3 Pro en un 60% de los casos, supera a pesos como Seedance 2.0 y Gemini Omni Flash en un 52%, y arrasa literalmente a Runway Gen-4.5 con un abrumador 77% de preferencia. Contra Luma Ray 3.2, la tasa de victoria se dispara hasta un aplastante 93%. Un golpe sobre la mesa en toda regla.
Pero claro, siempre hay que leer la letra pequeña. La propia compañía reconoce abiertamente que estos resultados son todavía muy preliminares. El motivo es simple: tanto el propio modelo como el ecosistema de evaluación de IA en vídeo siguen en una fase de desarrollo temprano. No conviene vender la piel del oso antes de cazarlo, aunque los cimientos pinten espectaculares.
El salto al mundo físico y la promesa del código abierto
La hoja de ruta de los creadores no se limita a que tú y yo hagamos cortos virales para redes sociales. Su visión es que estos modelos lleguen a percibir, predecir y actuar tanto en entornos digitales como en el mundo real. A ello se le suma un primer proyecto asociado fascinante llamado FLUX-mimic, que combina esta potente base de generación de vídeo con el aprendizaje robótico avanzado. De hecho, esta integración ya se está probando en tareas de producción industrial reales dentro de las plantas automovilísticas de Audi.
Por si fuera poco, tampoco se olvidan de la comunidad de desarrolladores y artistas estáticos. En las próximas semanas, tienen previsto abrir el acceso anticipado a FLUX 3 Image para fotografías, presumiendo de una mejor gestión de prompts complejos frente a versiones anteriores. Y lo más interesante: planean ofrecer acceso mediante APIs y lanzar próximamente FLUX 3 Dev, una versión abierta de su modelo para democratizar esta tecnología.
Veremos cómo responde el mercado en los próximos meses, porque el listón acaba de subir unos cuantos palmos de golpe. Integrar percepción visual, acción fluida y sonido nativo en un solo cerebro digital era la gran barrera que todos querían romper este año. La pelota está ahora en el tejado de gigantes como OpenAI o Google, que van a tener que espabilar si no quieren quedarse comiendo el polvo en la carrera multimodal.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
