¿Qué genera una IA de texto a video como Sora?

Una IA de texto a video como Sora genera clips de video cortos directamente a partir de una descripción escrita, prediciendo cómo deben cambiar y moverse las imágenes de un fotograma a otro para coincidir con lo que describe el mensaje. Esto permite escribir una simple frase y obtener una escena en movimiento, a menudo sorprendentemente realista, sin usar nunca una cámara, aunque el sistema en el fondo tiene que imaginar innumerables detalles visuales, como la iluminación y la física, que no se mencionan explícitamente en el texto.

Los álbumes de fotos impresos son productos físicos que requieren impresión y montaje, sin relación con generar video digital en movimiento a partir de texto. Una conexión a internet más rápida en casa es una mejora del servicio de internet que nada tiene que ver con que un modelo de IA produzca contenido de video.

Los primeros clips de texto a video suelen mostrar fallos extraños, como manos con un número incorrecto de dedos u objetos que atraviesan otros, lo que resalta que el realismo físico sigue siendo una de las cosas más difíciles de lograr para estos modelos.