Veo es una familia de modelos de generación de texto a video desarrollados por Google DeepMind, anunciados por primera vez en mayo de 2024. Se basa en investigaciones internas anteriores de Google sobre generación de video, incluidos los sistemas de investigación Imagen Video y Lumiere, y se posicionó como el competidor directo de Google frente a OpenAI y su Sora en el emergente mercado de generación de video de alta fidelidad con IA.
Capacidades y lanzamientos
El modelo inicial de Veo podía generar clips de video en resolución 1080p a partir de indicaciones de texto, con control sobre estilos cinematográficos como tomas aéreas, lapso de tiempo y movimientos de cámara específicos, y admitía clips que se extendían más allá de un minuto de duración. Veo también admitía la generación de imagen a video, utilizando una imagen fija como fotograma inicial para el movimiento generado. Una capacidad significativa introducida con Veo 3 en 2025 fue la generación de audio sincronizado, que producía diálogos, efectos de sonido y ruido ambiental acordes con los visuales generados, una característica que lo distinguía de la mayoría de los modelos de video competidores, que en ese momento generaban video silencioso que requería pistas de audio producidas por separado.
Integración
Google integró Veo en varios de sus propios productos, incluidas herramientas experimentales de creación cinematográfica y creativas y, notablemente, funciones que permitían a los creadores de YouTube generar contenido de video, incluidos Shorts, directamente desde la plataforma mediante Veo. Esta estrecha integración con YouTube le dio a Veo una ventaja de distribución en comparación con los productos independientes de generación de video, integrando la generación de video con IA directamente en una de las plataformas de video más grandes del mundo en lugar de requerir una aplicación o flujo de trabajo separado. Veo también estuvo disponible a través de la aplicación Gemini de Google y la plataforma empresarial Vertex AI, lo que refleja la estrategia de distribución más amplia que Google aplicó a la familia de modelos de lenguaje Gemini.
Panorama competitivo
Veo entró en un campo en rápida evolución junto con Sora, Kling de Kuaishou, Seedance de ByteDance y laboratorios independientes como Runway, con cada competidor iterando en resolución, duración de clips, coherencia física y adherencia a las indicaciones a lo largo de 2024 y 2025. Los rankings comparativos en puntos de referencia de generación de video y arenas comunitarias cambiaron repetidamente a medida que cada laboratorio lanzaba versiones actualizadas, con diferentes modelos liderando en diferentes ejes, como realismo de movimiento, sincronización de audio o fidelidad de indicaciones, en varios momentos. La capacidad de audio de Veo 3, en particular, fue ampliamente citada por los revisores como un diferenciador significativo en su lanzamiento, ya que el sonido sincronizado realista había quedado rezagado respecto de la calidad visual en todo el campo de la generación de video.
Recepción y preocupaciones
Al igual que otros sistemas avanzados de generación de video, Veo atrajo un escrutinio por su potencial de uso indebido en la creación de deepfakes convincentes y representaciones no autorizadas de personas reales, y Google implementó salvaguardas que incluyen marcas de agua visibles e invisibles del contenido generado, parte de los esfuerzos más amplios de la empresa en marcado de agua con IA bajo su sistema SynthID. El desarrollo de Veo también se discutió en el contexto del interés de investigación de Google en modelos de mundo, con algunos investigadores y las comunicaciones propias de Google DeepMind enmarcando la generación de video de alta fidelidad como un paso hacia sistemas que modelan la dinámica física en lugar de simplemente producir imágenes visualmente plausibles, un enfoque que reflejaba las afirmaciones hechas sobre Sora y que seguía siendo un tema de debate sobre cuánta comprensión física genuina codifican realmente estos sistemas.