¿Qué modelo de video usar?

Cuatro modelos de video generativo, la misma foto de partida y el mismo prompt: una persona con brackets riéndose a carcajadas. El detalle que casi todos rompen — y el test que muestra cuál lo aguanta.

01El problema: el detalle fino en movimiento

Los generadores de video a partir de imagen mejoraron muchísimo — hasta que les pedís algo con detalle fino sobre una zona que se mueve rápido. La boca es el peor caso: al reír, los dientes aparecen y desaparecen, y el modelo tiene que "inventar" el interior de la boca en cada frame. Con brackets es todavía más difícil: una estructura metálica precisa, con geometría propia, sobre cada diente. El resultado típico: brackets que se funden en una mancha gris, dientes que cambian de forma entre frames, sonrisas que "flotan". En una pieza donde la sonrisa es el producto, un solo frame roto mata el clip.

Esto salió de un caso real: una campaña para una marca de ortodoncia donde cada plano hero es una persona con brackets riéndose. No había benchmark público que midiera esto — así que lo medimos.

02La prueba

Una sola variable: el modelo. La misma foto de partida (generada con Nano Banana Pro / Gemini, dirigida para que la carcajada con brackets sea la protagonista), el mismo prompt de movimiento, la misma resolución (720p, 9:16), los cuatro modelos corridos por API en paralelo.

Los cuatro clips de arriba son el resultado crudo, sin edición ni cherry-picking: primera generación de cada modelo. Costo total del test: menos de USD 2,50.

03El prompt

Dos decisiones importan acá: cámara clavada (si no la declarás, los modelos meten un push-in que arruina el plano) y los brackets declarados como inmutables — decirle al modelo qué NO puede cambiar funciona mejor que esperar que lo infiera.

Completely static camera, locked off — no zoom, no pan, no push-in. All the movement comes
from the people, never from the camera. The woman at the center keeps laughing naturally:
her laugh peaks, softens into a wide genuine smile, then bursts into laughter again. She
wears tidy METAL BRACES; the braces must stay clearly visible, stable and unchanged on her
teeth throughout — no morphing teeth, no extra teeth, the mouth keeps its exact real anatomy
in every frame. Her friends keep chatting and laughing subtly beside her. Warm indoor party
light stays constant, realistic smartphone-video look, no slow motion.

04El proceso: mirar la boca frame a frame

Un video puede "verse bien" reproducido y esconder frames rotos. El QA real es objetivo: se extraen los frames con ffmpeg (6 por segundo), se recorta la zona de la boca y se arma una grilla — y ahí no hay dónde esconderse. Esto es lo que vio el ojo en cada modelo:

05Las conclusiones

• Cuanto más cerca la boca, más modelo. El premium va donde el ojo mira fijo; el barato, a los planos de contexto. Elegir bien por plano triplica el volumen al mismo presupuesto.
• Si el plano es una transformación, usá modelos con frame inicial + frame final. El end-frame ancla el resultado en una imagen donde el detalle ya está perfecto — el modelo interpola hacia algo bueno en vez de alucinar.
• Declarale al modelo lo que no puede cambiar. «The braces must stay clearly visible, stable and unchanged» hizo diferencia medible.
• El QA se hace con frames, no reproduciendo. ffmpeg + crop + grilla: dos minutos que salvan un anuncio.