Vidu vs Genmo

Vidu es una plataforma todo en uno para generar imágenes y videos a partir de texto, imágenes fijas o fotos de referencia. Está diseñada para creadores independientes y equipos de producción que quieren convertir ideas en clips terminados sin necesidad de un proceso de postproducción tradicional. Los modos principales son texto a video, imagen a video y referencia a video, con salida hasta 1080p.

La opción de referencia a video es donde Vidu destaca. Sube hasta siete imágenes para mantener la coherencia de personajes, objetos y escenas en todo el clip, o guarda activos en Mis Referencias para reutilizarlos en futuros proyectos. El modelo Vidu Q3 añade audio nativo en la misma pasada de generación, de modo que diálogo, narración, efectos de sonido y música se integran con la imagen en lugar de en un paso de edición separado.

Los creadores que trabajan en anime, publicidad, contenido social y cortometrajes usan Vidu para todo, desde clips virales basados en plantillas hasta tomas narrativas de 16 segundos con control de cámara a nivel de cuadro. Los estudios y equipos de marketing también utilizan imagen a video para animar tomas de producto o intercambiar fondos en anuncios mientras mantienen a los sujetos en el encuadre.

El Modo Off-Peak ofrece generación ilimitada de videos gratuita sin gastar créditos. Las cuentas nuevas reciben créditos iniciales, y hay más disponibles mediante inicios de sesión diarios, suscripciones y eventos en la plataforma.

Genmo es un laboratorio de investigación que desarrolla modelos abiertos de mundos de video, con Mochi como su línea insignia de generación de video a partir de texto. Puedes probar la generación en el playground del navegador, descargar pesos para ejecuciones locales, o integrarte con APIs de socios. El equipo enmarca el video como un camino hacia simuladores del mundo que comprenden física, movimiento y continuidad de escenas.

Mochi 1 es su primer gran lanzamiento público: un modelo de difusión de 10 mil millones de parámetros bajo Apache 2.0, entrenado desde cero en una arquitectura de Transformador de Difusión Asimétrica. La vista previa genera clips en 480p a 30fps de hasta 5.4 segundos, con énfasis en la fidelidad a la indicación y movimientos realistas, en lugar de la pulidez en fotogramas estáticos.

Investigadores y desarrolladores tienen acceso a pesos abiertos en Hugging Face, el código fuente en GitHub, y soporte para ComfyUI para pipelines personalizados. Creadores y marketeros usan el playground alojado para prototipar escenas sin necesidad de GPUs locales. El laboratorio también publica artículos técnicos y benchmarks comparando Mochi con generadores de video comerciales cerrados.