Vidu

Vidu es una plataforma de generación de video con IA desarrollada por Shengshu Technology, una empresa con sede en Pekín cofundada por investigadores afiliados a la Tsinghua University. Lanzada públicamente por primera vez en julio de 2024, Vidu ha presentado una rápida sucesión de versiones de modelos que culminan en Vidu Q3, su modelo insignia actual a partir de abril de 2026. Funciona en más de 200 países, ha generado más de 500 millones de clips hasta la fecha y cerró una ronda de financiación Serie B de aproximadamente RMB 2 billion (unos $275 million USD) liderada por Alibaba Cloud en abril de 2026. A diferencia de la mayoría de las herramientas de video con IA chinas que ganaron tracción principalmente dentro de China antes de intentar una expansión global, Vidu se ha dirigido constantemente a creadores y desarrolladores internacionales desde sus primeros lanzamientos.

Vidu Q3 genera hasta 16 segundos de video continuo a 1080p y 24fps con producción de audio nativo en una sola pasada de inferencia: los diálogos, el sonido ambiente, los efectos de sonido y la música de fondo se generan junto con los fotogramas de video, no se superponen después. La plataforma admite flujos de trabajo de texto a video, imagen a video y referencia a video; este último acepta hasta 7 imágenes de referencia para fijar personajes, accesorios, vestuario y entornos en todos los clips. En los prompts se pueden especificar seis tipos de efectos cinematográficos (sistemas de partículas, simulación de fluidos, movimiento dinámico, control de cámara, transiciones e iluminación) y comandos de dirección de cámara (acercamientos, paneos, travellings). Hay disponible un plan gratuito con 80 créditos mensuales y generación ilimitada en el modo Off-Peak Mode, con niveles de pago a partir de $10/month por 800 créditos.

Lo que Vidu produce en abril de 2026

El modelo Vidu Q3 produce clips de hasta 16 segundos de duración con una resolución de 1080p y 24fps, lo que supone la ventana de generación continua más larga entre los principales competidores en el momento de escribir este artículo. A diferencia de las generaciones anteriores que requerían añadir el audio por separado, Q3 genera de forma nativa audio sincronizado junto con el video en una sola pasada del modelo. Ese audio incluye: sonido ambiental, efectos de sonido impulsados por el movimiento (pasos, impactos, movimiento mecánico), capas atmosféricas, efectos de sala (foley) y pistas musicales impulsadas por la emoción. Admite la generación de diálogos multilingües con sincronización labial, aunque la precisión labial exacta a micronivel aún está mejorando.

El flujo de trabajo de referencia a video de Vidu acepta sujetos, entornos, vestuario, accesorios y estilos visuales como entradas de referencia, hasta 7 entidades simultáneamente. El lanzamiento de Reference-to-Video de Q3 el 13 de abril de 2026 amplió esto con "Smart Cuts", una función de composición multicámara que enlaza las transiciones de escena directamente en una sola generación en lugar de requerir un montaje manual. Vidu también opera a un precio por segundo más bajo que Kling: aproximadamente $0.07/second frente a los $0.126/second de Kling, una diferencia que importa significativamente para los flujos de trabajo de producción de alto volumen.

En pruebas de rendimiento independientes, Vidu Q3 ocupó el puesto número 1 en la clasificación Reference-to-Video de SuperCLUE y el número 2 a nivel mundial en el benchmark Artificial Analysis Video Arena en el momento de su lanzamiento, situándose por delante de Runway Gen-4.5 y solo por detrás de Sora 2 en las evaluaciones de calidad general.

"La generación de video con IA ha llegado a una etapa en la que los clips individuales pueden parecer impresionantes, pero producir contenido narrativo coherente a escala sigue siendo difícil". -- Yihang Luo, CEO de Shengshu Technology, SXSW 2026, 16 de marzo de 2026

Dónde se sitúa Vidu frente a Kling y Hailuo

Las tres plataformas chinas dominantes de generación de video adoptan enfoques estructuralmente diferentes, y esas diferencias son importantes para la selección del flujo de trabajo.

Kling AI (Kuaishou): Kling 3.0 utiliza una arquitectura Diffusion Transformer (DiT) con un proceso unificado de generación, edición y audio. Su mecanismo de coherencia de personajes es la extracción de video de referencia: procesa de 3 a 8 segundos de video de origen, extrae incrustaciones de características de los personajes y las traslada a llamadas de generación independientes. Esto le da a Kling una fuerte fidelidad de los personajes dentro del clip, mejor que la de Vidu en escenas complejas con múltiples sujetos en movimiento. Kling alcanza un máximo de 10 segundos por clip (frente a los 16 de Vidu) y cuesta aproximadamente un 45% más por segundo ($0.126/sec frente a $0.07/sec). Para la composición cinematográfica y el video comercial premium, Kling es el de mejor rendimiento general; en cuanto a duración, rentabilidad y flujos de trabajo multicámara, Vidu gana.

Hailuo (MiniMax): Hailuo 2.3 funciona con un marco de Noise-aware Compute Redistribution (NCR) que redistribuye los recursos computacionales de acuerdo con los niveles de ruido de difusión, ofreciendo mejoras de eficiencia de entrenamiento e inferencia de aproximadamente 2.5x. Esta arquitectura optimiza el rendimiento sobre la longitud de salida: Hailuo 2.3 tiene un límite de 6 segundos a 1080p nativo (10 segundos a 720p) frente a los 16 segundos de Vidu. El precio es comparable al de Vidu (~$0.08/sec). La calidad de audio en Hailuo 2.3 está calificada por debajo de Vidu Q3 en comparaciones de terceros, y la coherencia de los personajes en prompts complejos es más débil que en Kling o Vidu. Hailuo es la opción de eficiencia presupuestaria para clips de redes sociales que no requieren una larga duración o estabilidad multirreferencia.

El diferenciador arquitectónico de Vidu es su columna vertebral U-ViT (Universal Vision Transformer), que une los diseños U-Net y Vision Transformer. Este híbrido permite que el modelo maneje ventanas temporales más largas que la mayoría de las arquitecturas de la competencia sin degradar la coherencia espacial, razón por la cual Vidu logra una generación de 16 segundos con una calidad competitiva. La desventaja es que las escenas complejas con múltiples sujetos y movimiento activo aún muestran una desviación de los personajes al final de los clips más largos.

"La coherencia de los personajes es mucho mejor que antes, y la calidad general del video realmente me sorprendió". -- hazel.visuals, reseña en la App Store, junio de 2025

El costo real de generar video con Vidu

El sistema de créditos de Vidu está escalonado por duración y configuración de calidad. Un clip de 4 segundos en calidad Standard consume aproximadamente 4-5 créditos; un clip de 8 segundos en Standard cuesta alrededor de 10 créditos; un clip de 16 segundos en calidad Cinema puede consumir 30-40 créditos. Los 80 créditos mensuales del plan Free se traducen en aproximadamente 8-20 clips cortos dependiendo de la configuración, lo cual es suficiente para experimentar pero no para un trabajo de producción sostenido. Los videos del plan Free llevan una marca de agua y no se pueden utilizar comercialmente.

En el plan Standard ($10/month, 800 créditos), una suposición de producción razonable es de 40 a 80 clips terminados por mes, dependiendo del nivel de calidad. El plan Premium ($35/month, 4,000 créditos) desbloquea el nivel de calidad Cinema y la ventana de generación de 32 segundos, y es donde operan la mayoría de los usuarios comerciales serios. El plan Ultimate ($99/month, 8,000 créditos) está diseñado para agencias o desarrolladores que manejan altos volúmenes diarios.

La plataforma ofrece generación ilimitada a través del modo Off-Peak Mode, que exime de los costos de créditos durante los períodos de menor demanda. Esto es realmente útil para la generación de borradores antes de comprometer créditos en los resultados finales. Sin embargo, el problema del desperdicio de créditos es real: las generaciones fallidas o que no se ajustan al prompt consumen créditos sin protección de reintento ni reembolso de créditos. Varios usuarios han informado haber gastado 700 créditos para obtener 24 videos satisfactorios cuando se esperaban cerca de 200.

Dónde falla Vidu constantemente

El cumplimiento de los prompts es la debilidad más documentada. Los usuarios en las reseñas de la App Store, los tutoriales de terceros y los agregadores de reseñas informan constantemente que los prompts complejos o detallados producen resultados que solo coinciden parcialmente con la intención. Un revisor de la App Store estimó una tasa de satisfacción del 60%, lo que significa que aproximadamente 2 de cada 5 generaciones requieren un reintento. Las imágenes de referencia se distorsionan de formas específicas: los logotipos pierden su forma, los detalles del peinado cambian y los diseños de las escenas no siempre se reproducen fielmente. Los objetos ocasionalmente violan la coherencia física (atravesar muebles, extremidades desprendidas en secuencias de acción).

El audio a nivel micro es el segundo punto de fallo constante. Si bien el audio macro de Vidu Q3 (paisajes sonoros ambientales, música de fondo, tono de voz general) es sólido, la precisión exacta de la sincronización labial y la sincronización exacta de los efectos de sala (foley) necesitan mejorar. La reseña de WaveSpeed Q3 menciona específicamente la "precisión de la sincronización labial de los diálogos" como una limitación continua a pesar de que el proceso audiovisual general es genuinamente impresionante.

La coherencia de los personajes se rompe en escenas concurridas con múltiples sujetos. La función multirreferencia funciona bien para 1 a 3 personajes en composiciones controladas; en escenas de multitudes o secuencias de acción con muchos sujetos en movimiento, la desviación de los personajes aparece hacia el final de los clips más largos. El límite de 16 segundos también obliga a realizar un montaje editorial para cualquier contenido más largo que una escena corta, lo cual es manejable pero no carece de fricciones.

La atención al cliente es la debilidad operativa más clara de la plataforma. En Trustpilot, la App Store y los foros de reseñas, el soporte lento o ausente es la queja de mayor volumen. Algunos usuarios informan haber esperado días sin respuesta; un pequeño número informa dificultades para cancelar la suscripción. Esto es más importante para los usuarios comerciales que necesitan una resolución sobre fallos de generación o preguntas de facturación.

Mejores casos de uso frente a escenarios a evitar

Usa Vidu para: Contenido de redes sociales donde 16 segundos son suficientes y el audio nativo ahorra pasos de posproducción. Flujos de trabajo de producción de anuncios donde se requiere coherencia de personajes y productos en múltiples clips. Previsualización de animación o películas independientes donde el flujo de trabajo de series animadas anunciado en SXSW (biblioteca de sujetos estructurada, control de estructura espacial, continuidad de episodios) coincida con tu modelo de producción. Integraciones basadas en API donde el costo por segundo importa y la tarifa de $0.07/sec de Vidu es competitiva.

El anuncio de SXSW 2026 convirtió a Vidu en la primera plataforma china de video con IA en demostrar herramientas creadas específicamente para series animadas en una conferencia creativa occidental, una señal de que la empresa está invirtiendo específicamente en casos de uso narrativos de formato largo, no solo en la generación a nivel de clip.

Evita Vidu cuando: Tus proyectos requieran clips de más de 16 segundos sin montaje. Dependas de que se sigan con precisión prompts complejos y detallados; la tasa de éxito del 60% en prompts intrincados la convierte en una herramienta costosa para el trabajo de precisión. Tu equipo dependa de una atención al cliente receptiva para los plazos de producción comercial. Necesites una sincronización labial exacta para contenido con muchos diálogos donde la desalineación sea visible. Estés en el plan Free pero necesites licencias comerciales; la marca de agua y la restricción comercial hacen que el plan Free sea inutilizable para los entregables de los clientes.