Vidu vs Genmo

Vidu convierte indicaciones de texto, imágenes fijas y fotos de referencia en clips de video terminados de hasta 1080p. Creadores independientes y equipos de producción lo usan para saltarse una cadena de postproducción tradicional y pasar de la idea a la exportación en el navegador. Los modos principales son texto a video, imagen a video y referencia a video.

Referencia a video es donde Vidu destaca. Sube hasta siete imágenes para mantener personajes, objetos y escenas consistentes a lo largo de un clip, o guarda recursos en Mis Referencias para reutilizarlos en proyectos posteriores. El modelo Vidu Q3 añade audio nativo en la misma generación, por lo que diálogos, locuciones, efectos de sonido y música se sincronizan con la imagen en lugar de en un paso de edición separado.

Creadores que trabajan en anime, publicidad, contenido social y cine de formato corto usan Vidu para todo, desde clips virales basados en plantillas hasta tomas narrativas de 16 segundos con control de cámara a nivel de cuadro. Estudios y mercadólogos también usan imagen a video para animar tomas de productos o cambiar fondos de anuncios manteniendo a los sujetos en modelo.

Las cuentas nuevas reciben créditos iniciales, con más disponibles mediante inicios de sesión diarios, suscripciones y eventos de 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.