Comparativa
Comparativa horizontal de Vidu Q3 Mix reference-to-video: cómo elegir un modelo de video a partir de referencias
En esta página
Por qué el video a partir de referencias requiere una selección aparte
Considerar el reference-to-video como «texto a video más una imagen» es el error de apreciación más común. Los contratos de entrada de los tres son completamente distintos: el texto a video solo consume indicaciones de texto, el imagen a video consume «una imagen inicial + texto», mientras que el reference-to-video consume un conjunto de materiales de referencia: el modelo debe extraer de varias imágenes de referencia los elementos visuales reutilizables (apariencia de los personajes, combinación de colores del vestuario, tono estilístico) y luego transferir esos elementos al video recién generado. Al cambiar la forma de entrada, los criterios de evaluación deben cambiar con ella.
Reutilizar el método de evaluación de modelos antiguos lleva a dos trampas. Primera, la calidad de un solo fotograma deja de ser el indicador decisivo: por muy nítida que sea una imagen de referencia, no significa que el modelo pueda «recordarla» de forma estable y mantener la consistencia de la apariencia a lo largo de un video de varios segundos. Segunda, el denominador de la tasa de éxito cambia: los fallos del video a partir de referencias a menudo no son un deterioro de la calidad de imagen, sino que los elementos de referencia no se heredan correctamente (cambio de rostro, cambio de ropa, deriva de estilo), algo que no se aprecia en las puntuaciones tradicionales de calidad de imagen.
Por eso el video a partir de referencias debe seleccionarse por separado, y el orden de juicio central debería ser: primero confirmar si la forma de entrada de referencia que exige encaja con tu reserva de materiales, luego ver la consistencia y la controlabilidad, y por último la calidad de imagen y el coste. Si se invierte el orden, es fácil elegir un modelo que «funciona bien pero al que no puedes alimentar».
Primero alinear la entrada, luego hablar de resultados
En el trabajo real, conviene escribir con claridad, punto por punto, los requisitos de entrada de los modelos candidatos: cuántas imágenes de referencia necesita, si acepta múltiples sujetos, quién tiene prioridad cuando aparecen simultáneamente imágenes de referencia e indicaciones de texto, y si la composición de los materiales de referencia tiene restricciones. Estas respuestas determinan si tu canalización de materiales debe rehacerse, y el coste de reformar la canalización de materiales suele ser muy superior al coste de la propia llamada al modelo.

Los límites de capacidad y el modo de facturación de Vidu Q3 Mix
Vidu Q3 Mix lo ofrece Vidu, su tipo de salida es video y su capacidad principal es reference-to-video. Es decir, su posicionamiento no es el texto a video genérico, sino las necesidades del tipo «controlar el resultado generado con materiales de referencia». A la hora de seleccionar, debe compararse dentro del grupo de candidatos de video a partir de referencias, y no enfrentarse directamente a modelos puros de texto a video comparando calidad de imagen.
La facturación se rige por los segundos de salida; este modo tiene una implicación directa para la estimación del presupuesto: el coste guarda una relación aproximadamente lineal con la duración del video. La fórmula de estimación que puede escribirse es esta:
coste estimado ≈ segundos de salida × precio por segundo
Al llamar desde HiAPI.ai, los segundos reales producidos por solicitud están limitados por las especificaciones de salida y el límite máximo de duración, por lo que al presupuestar no debe estimarse por «un video», sino por «los segundos de un video». Si se regenera el mismo contenido con una duración mayor, el coste sube en la misma proporción.
Dos acciones que trae la facturación por segundos
Primera, trasladar el coste al video final y no a la llamada individual. Un video final suele requerir varias tomas de prueba hasta encontrar una utilizable, y el presupuesto real debe incluir las tomas descartadas. Segunda, validar primero con duraciones cortas y luego alargar las versiones que hayan pasado la validación, para evitar producir videos largos antes de confirmar si la herencia de los elementos de referencia es estable.
El precio unitario concreto y el criterio de facturación se ajustan al panel de precios del sitio; este artículo no entra en cifras.

Qué dimensiones mirar en la comparación horizontal
La siguiente lista puede usarse directamente como tabla de revisión: se rellena punto por punto para cada modelo candidato, y los puntos que no puedan rellenarse son puntos de riesgo.
1. Forma de entrada de referencia
Cuántas imágenes de referencia se necesitan, si admite referencias de múltiples sujetos, quién tiene prioridad cuando entran en conflicto las imágenes de referencia y las indicaciones de texto, y si hay requisitos obligatorios sobre la composición de las imágenes de referencia y la nitidez de los rostros. Esta es la columna más crítica del video a partir de referencias y también la más fácil de pasar por alto.
2. Especificaciones de salida
Resolución, relación de aspecto, tasa de fotogramas y formato de contenedor. Las especificaciones determinan si el material puede entrar directamente en el flujo de montaje y también si se necesita un paso adicional de transcodificación.
3. Duración y concurrencia
La duración máxima de una generación, si admite continuación o concatenación, el límite de concurrencia a nivel de cuenta y la política de colas. El límite de duración determina directamente el límite de coste por video, y la concurrencia determina si las tareas por lotes pueden completarse a tiempo.
4. Unidad de facturación y facturación de fallos
Si se factura por segundos o por veces, si las solicitudes fallidas se facturan y cómo se gestionan los tiempos de espera y las interrupciones. En los modelos facturados por segundos, el coste de las tomas descartadas es naturalmente superior al de la facturación por veces; esto debe indicarse explícitamente en la tabla comparativa.
5. Consistencia y controlabilidad
Si la apariencia del sujeto se mantiene estable en videos de varios segundos y si se puede controlar el movimiento de cámara y el cambio de escena mediante indicaciones de texto. Este punto solo puede evaluarse con tomas de prueba, no puede juzgarse con una tabla de parámetros.
Los campos ausentes en la tabla de parámetros deben confirmarse con la plataforma, no suponerse por experiencia; en particular el límite de duración y el límite de concurrencia, ya que una suposición errónea desajusta directamente la planificación.

Selección por escenario: cuándo usarlo
Asignar la necesidad a la forma del modelo es mucho más rápido que probar modelo por modelo.
Escenarios en los que priorizar el video a partir de referencias
- Alta exigencia de consistencia de personajes: el mismo personaje debe mantener una apariencia uniforme en varios videos, y la imagen de referencia es el medio de control más directo.
- Ya se dispone de un conjunto completo de materiales visuales: se tienen imágenes de producto, hojas de diseño de personajes y referencias de estilo, y se desea que el resultado generado se ajuste al sistema visual existente.
- Producción por lotes de materiales con el mismo estilo: exhibición de comercio electrónico, microdramas de personajes y contenido seriado; reutilizar un conjunto fijo de referencias es más estable que reescribir las indicaciones cada vez.
Escenarios en los que otras formas siguen siendo más rentables
- Exploración puramente conceptual: cuando aún no se ha definido la dirección visual, el texto a video itera más rápido y el ensayo y error es más barato.
- Convertir una sola toma en movimiento: solo se tiene una imagen y solo se quiere que se mueva; la restricción de entrada del imagen a video es más simple y no hace falta pasar por el flujo del conjunto de referencias.
- Largometrajes muy sensibles a la duración: con facturación por segundos, el coste de los videos largos crece linealmente; si el video final requiere una duración larga, conviene evaluar si la generación por segmentos y su concatenación son más controlables.
El criterio puede resumirse en una frase: si puedes explicar con claridad «qué elementos de los materiales de referencia quieres conservar», usa video a partir de referencias; si no puedes, prueba primero la dirección con texto a video.
Modo de integración y flujo de cálculo de costes
Se recomienda avanzar en el siguiente orden, con un punto claro de detención en cada paso.
Paso uno: confirmar la interfaz y la superficie de parámetros
Al usar este modelo en HiAPI.ai, dentro del contexto de interfaz unificada, confirma primero los parámetros disponibles: cómo se introducen los materiales de referencia, el campo de indicaciones, las especificaciones de salida y los parámetros de duración. Confirma los campos ausentes con la plataforma; no los supongas.
Paso dos: ejecutar un lote pequeño de tomas de prueba cortas
Usa de 3 a 5 conjuntos de materiales de referencia reales, generando para cada uno una toma de prueba de duración corta. El objetivo es validar si la herencia de los elementos de referencia es estable, no perseguir la calidad del video final. La clave de este paso es usar tus propios materiales; las imágenes de ejemplo públicas no pueden revelar los problemas de tu canalización de materiales.
Paso tres: calcular el coste por video final
Incluye la tasa de tomas descartadas de la fase de prueba:
coste por video final ≈ segundos de salida por video × precio por segundo × (1 + tasa de tomas descartadas)
La tasa de tomas descartadas debe medirse con pruebas reales, no decidirse a ojo. La tasa de las tomas de prueba cortas suele ser inferior a la de los videos largos, por lo que al estimar el presupuesto debe dejarse un margen al alza.
Paso cuatro: alargar y escalar progresivamente
Alarga la duración de las combinaciones de materiales que hayan pasado la validación y, tras confirmar que la consistencia en videos largos no se degrada de forma notable, escala. En la fase de escalado hay que vigilar el límite de concurrencia y el tiempo de cola, ya que ambos afectan directamente al ritmo de entrega.
El principio de todo el flujo es: validar el efecto con muestras pequeñas, validar el coste con duraciones cortas y dejar la validación de escala para el final.
Aspectos a tener en cuenta al migrar y reemplazar
Migrar de un modelo de video existente al video a partir de referencias no se resuelve cambiando el endpoint: hay tres bloques que rehacer.
Hay que reescribir las indicaciones
Las indicaciones que en el modelo anterior servían para «describir la apariencia» deben sustituirse por imágenes de referencia en el video a partir de referencias. Seguir acumulando descripciones de apariencia en las indicaciones puede, al contrario, entrar en conflicto con los materiales de referencia. La dirección de reescritura es: las indicaciones se encargan de la acción, la cámara, la escena y el ritmo, y la apariencia se deja a los materiales de referencia.
Hay que reorganizar los materiales de referencia
La lógica de selección del conjunto de referencias es distinta de la de una sola imagen inicial. Hay que definir qué imagen porta la apariencia del sujeto, cuál porta el estilo y cómo distinguir cuando hay múltiples sujetos. Conviene también normalizar la nomenclatura y el control de versiones de los materiales; de lo contrario, en la generación por lotes resulta difícil rastrear qué conjunto de referencias causó el problema.
Mantener la comparación A/B
Durante la migración, haz que el modelo nuevo y el antiguo ejecuten en paralelo el mismo lote de necesidades y compáralos con el mismo criterio de evaluación: tasa de herencia de elementos de referencia, tasa de tomas descartadas, coste por video final y tiempo de extremo a extremo. Solo cuantificando el beneficio del reemplazo hay base para un cambio gradual. Se recomienda cambiar primero una línea de negocio de bajo riesgo y ampliar cuando se estabilice.
En cuanto a la estrategia gradual, puede cambiarse por lotes según el tipo de contenido, empezando por el escenario con mayor exigencia de consistencia: ese tipo de escenario es el que mejor refleja el valor del video a partir de referencias y también el que más fácilmente expone los problemas de la migración.
Preguntas frecuentes y lista de decisiones
Preguntas frecuentes
P: ¿Cuantas más imágenes de referencia, mejor es el resultado? No. El conjunto de referencias debe cubrir los elementos que realmente quieres conservar; las imágenes de referencia redundantes o contradictorias introducen ruido. El criterio es «elementos completos y coherentes entre sí», no la cantidad.
P: ¿La facturación por segundos es siempre más cara que la facturación por veces? Depende de la distribución de duraciones. En escenarios de video corto el coste por video puede ser menor, y en escenarios de video largo el crecimiento lineal es más evidente. Solo hay un método de juicio: calcular con tu propia distribución de duraciones.
P: ¿Una puntuación alta de calidad de imagen indica que el modelo es mejor? En el video a partir de referencias, no. La consistencia, la controlabilidad y la tasa de tomas descartadas son los indicadores dominantes; la calidad de imagen es un requisito de umbral, no un criterio diferenciador.
P: ¿Qué hago con los campos que no aparecen en la tabla de parámetros? Confírmalos con la plataforma. Campos como el límite de duración, el límite de concurrencia y la política de facturación de fallos, si se suponen mal, rompen directamente el presupuesto y la planificación.
Lista final de decisiones
- ¿Mis materiales pueden cumplir los requisitos de entrada de referencia de este modelo?
- ¿La duración que necesito está dentro del límite y, si es muy larga, hace falta segmentar?
- Tras el cálculo por segundos, ¿el coste por video final (incluidas las tomas descartadas) está dentro del presupuesto?
- ¿El límite de concurrencia puede sostener mi planificación por lotes?
- ¿Se ha confirmado el criterio de facturación de las solicitudes fallidas?
- ¿Se han ejecutado tomas de prueba cortas con materiales propios y cuantificado la tasa de tomas descartadas?
- ¿El plan de migración incluye la reescritura de indicaciones y la comparación A/B?
Cuando los siete puntos tengan respuesta clara, pasa a la fase de escalado. Si necesitas comparar en la práctica, puedes usar directamente en HiAPI.ai la capacidad reference-to-video de Vidu Q3 Mix para ejecutar un lote de tomas de prueba con materiales propios y completar con datos el último paso de la decisión.
Artículos relacionados
Ver todos los artículos →-
Comparativa
gpt-6.2-sol frente a modelos similares: cómo elegir y migrar como desarrollador
Tomar una decisión horizontal desde tres dimensiones: límites de capacidad, estructura de precios y coste de migración
-
Comparativa
gpt-6.2-astra frente a alternativas y guía de selección: cómo decidir si merece la pena integrarlo
-
Comparativa
Comparativa horizontal y guía de selección de Tripo H3.1: cómo elegir y ahorrar entre tres rutas de generación 3D
Un análisis de precios y capacidades para desarrolladores, partiendo de la forma de entrada, el refinado geométrico y los interruptores de PBR/textura