Veo 3 hace clips de 8 segundos, Sora de 15, Kling de 10. Tu video de 12 minutos necesita hasta 90

Veo 3, Sora 2 y Kling están entre los mejores modelos de video que se han lanzado. La luz está bien, la cámara se mueve como una cámara, el agua se comporta como agua, y Veo incluso genera el sonido de la escena. Lo que está en duda es la unidad que producen: escribes un prompt y recibes una toma. A la fecha de este texto, septiembre de 2026, las páginas de los proveedores y las guías más usadas dan estos números. Veo 3 y Veo 3.1, de Google, hacen 8 segundos por generación, y la función Extend encadena saltos de unos 7 segundos hasta unos 148 segundos en total, cerca de dos minutos y medio. Sora 2, de OpenAI, hace 15 segundos por generación en el uso estándar y 25 segundos con Sora 2 Pro, que viene con ChatGPT Pro a US$ 200 al mes. Kling 2.5, de Kuaishou, hace 5 o 10 segundos por generación, y su Extend llega a unos 3 minutos en los planes de pago.

Ninguna de esas duraciones es un defecto. Un generador de clips está hecho para responder a un pedido: muéstrame esta toma. Un generador de videos para YouTube tiene que responder a otro: hazme el video. Qué tema, cuál es el argumento, quién narra, dónde caen los cortes, qué promete la miniatura y qué día sale. Nuestra comparación lado a lado de generadores de video ordena las herramientas por lo que entregan. Esta guía trata de la distancia entre la unidad que entregan y la unidad por la que YouTube paga.

La unidad por la que YouTube paga es el tiempo de visualización. Un video de 12 minutos son 720 segundos, y la cadena extendida más larga de la lista, los unos 3 minutos de Kling, cubre una cuarta parte. Los 148 segundos de Veo cubren una quinta parte. Y la extensión continúa desde el último cuadro del salto anterior, lo que es perfecto para una toma continua e inútil para un video documental o de historia que cambia de escena cada 5 a 8 segundos, que es como se editan los canales que retienen.

Así que quien se suscribe termina en el mismo lugar, sea cual sea la herramienta: una carpeta de clips hermosos y una línea de tiempo vacía. Un generador de videos para YouTube hecho para canales empieza por el otro extremo, por el video en lugar de la toma. El guion va primero, las escenas siguen al guion, y el clip se vuelve un ingrediente colocado justo donde la narración lo necesita.

Un video de 12 minutos son 720 segundos. Con las generaciones de 8 segundos de Veo son 90 clips. Con Kling a 10 segundos, 72. Con Sora 2 a 15 segundos, unos 48, y a 25 segundos en el nivel Pro, unos 29. Cada clip pide un prompt propio: el sujeto, la acción, la cámara, el lente, la luz, el ambiente y la descripción de todo lo que tiene que seguir igual que en el clip anterior.

Después vienen las tomas descartadas. Quien ya generó clips sabe que la primera toma casi nunca es la que se queda: una mano con seis dedos, un movimiento de cámara que se desliza de lado, un letrero con las letras derretidas, un personaje que mira hacia el lado equivocado, una puerta que se abre a otra habitación. Si te quedas con una toma de cada tres, los 90 clips se vuelven 270 generaciones. Cada toma descartada consume la misma cuota que la que se quedó, porque la suscripción se mide en generaciones, no en segundos que sobreviven a la edición.

Después viene el tiempo. Supón cinco minutos por clip para escribir el prompt, esperar el render, verlo y decidir. Noventa clips son siete horas y media. Con las tomas descartadas, 270 generaciones a dos minutos de revisión cada una son nueve horas más. Y la edición todavía no empezó. Ese es el techo manual: una persona buena, haciendo todo con cuidado, entrega un video largo por semana, y el canal que necesita tres por semana nunca los recibe.

La versión automatizada invierte el orden. El guion se escribe primero y decide cuántas escenas tiene el video, cuánto dura cada una y cuáles merecen un clip generado. En FalconVid el especialista de edición corta las escenas sobre la narración y genera o elige cada una, y el video entero de 12 minutos queda listo en hasta 30 minutos, sin que nadie escriba noventa prompts ni vea doscientas tomas.

Incluso noventa clips perfectos, con consistencia perfecta, no son un video. Son la pista de imagen. El audio nativo de Veo 3 es un avance real: sonido ambiente, pasos, una línea de diálogo dentro del clip. Pero es audio para 8 segundos, no un narrador para 12 minutos, y un video en el que cada clip trae su propio paisaje sonoro sin relación con el anterior suena a una lista de tráileres. La lista honesta de lo que un modelo de video todavía no hace, y de lo que ningún modelo hará por ti, está en lo que la IA de video no hace.

Hecha a mano, cada una de las siete piezas es una herramienta y una habilidad: un documento para el guion, un micrófono o un servicio de voz, un editor, una biblioteca de música, una herramienta de subtítulos, un editor de imagen para la miniatura y YouTube Studio para la subida. Son de cinco a siete aplicaciones, y de ocho a doce horas encima de las horas de clips, para un solo video. Aquí se atasca la mayoría de los proyectos de canal faceless armados sobre una suscripción de clips.

En FalconVid las siete piezas son el pipeline. El investigador reúne los datos antes del guion, el guionista escribe a la duración que fijas, el narrador lee en uno de 63 idiomas con voces premium ultrarrealistas o con tu voz clonada, el editor corta las escenas sobre las palabras, el sound design agrega música y efectos, los subtítulos salen en estilo karaoke con más de 15 estilos, y el publicador genera la miniatura, escribe el SEO del video y programa la subida a YouTube, Instagram, TikTok, Rumble y Facebook, con Shorts 9:16 cortados del video largo. Tú apruebas el calendario; las piezas llegan armadas.

Un video de canal se construye con siete piezas más, y ninguna sale de un generador de clips. En el orden en que el video las necesita:

• Guion con investigación: el tema, los datos verificados, el argumento, el gancho en los primeros 30 segundos y la estructura que retiene a alguien 12 minutos.
• Narración: la voz que sostiene la historia, en el idioma del canal, con el mismo timbre video tras video.
• Ritmo de corte y edición: dónde cae cada clip sobre la narración, cuánto dura, transiciones, zooms, el ritmo que evita la caída en el minuto dos.
• Música y mezcla: una base que encaja con el tono, que baja bajo la voz, efectos de sonido, masterización al volumen que YouTube espera.
• Subtítulos: sincronizados, legibles y con estilo, porque mucha gente mira en el celular sin sonido.
• Miniatura: la imagen que decide el clic, un problema de diseño aparte del video.
• SEO, publicación y calendario: título, descripción, etiquetas, la subida a la hora correcta y un ritmo para que el canal publique en su fecha y no cuando los clips estén listos.

Cada generación es independiente. El modelo no recuerda cómo era el viejo marinero dos prompts atrás. Las imágenes de referencia, la imagen a video desde un cuadro fijo y los elementos guardados ayudan mucho más que hace un año, pero a lo largo de noventa clips las pequeñas diferencias se acumulan: la barba se acorta, el abrigo cambia de color, la habitación gana una ventana. El público nota una cara cambiada más rápido que cualquier otro error.

La extensión ayuda a la continuidad dentro de una toma y la empeora al final de la cadena. Cada salto continúa desde el último cuadro del anterior, así que una pequeña desviación en el tercer salto se vuelve el punto de partida del cuarto, y hacia el vigésimo la escena ya es otra. El arreglo manual es una biblia de estilo, una ficha de personaje, las mismas imágenes de referencia en cada prompt y una persona comparando cada clip con el anterior, lo que suma otra capa de horas a la cuenta de los noventa clips.

Los canales que crecen lo resuelven de otra manera: la identidad del canal no vive en un personaje generado que tiene que salir idéntico en noventa clips. Vive en lo que se repite en cada video: la voz, el estilo de narración, la paleta, la estructura, el aspecto de la miniatura y, si el canal tiene cara, un presentador cuya cara y cuya voz nunca cambian. Eso es lo que guarda el ADN de canal de FalconVid. Se configura una vez, y a partir de ahí cada video sale con la misma voz, el mismo estilo visual y la misma estructura, más, cuando quieras, un presentador con avatar de IA con lip sync, cara y voz fijas del video 1 al video 300. Las escenas generadas ilustran las palabras sin necesitar al mismo actor en todas.

No todo segundo merece un clip generado. El gancho, la revelación, la escena que el guion describe y que ningún banco del mundo filmó ahí es donde un clip cinematográfico generado paga lo que cuesta. Una lista, un mapa, una estadística, el horizonte de una ciudad de noche, una oficina, un laboratorio: una escena de banco con movimiento de cámara retiene igual y cuesta una fracción. El desglose por tipo de escena, con dónde gana cada una, está en banco de imágenes o escena generada.

Justamente por eso FalconVid tiene tres modos de calidad y no uno. Para el video de referencia de 12 minutos: el modo económico, escenas de banco con movimiento y los modelos más rápidos, cuesta 1.731 créditos; el modo balanceado, mezcla con escenas generadas, cuesta 4.597; el modo premium, escenas cinematográficas generadas con motores como Veo 3 con audio y Seedance Pro, cuesta 16.131. El premium sale unas 9 veces el económico, y el balanceado unas 2,7 veces.

Ese 9x es la misma lección de los noventa clips: el video generado es el ingrediente caro, lo pague quien lo pague. La pregunta para cada canal es si el espectador de ese nicho nota la diferencia. La comparación completa de lo que cambia en pantalla en cada modo, y de cuándo cada uno se paga en retención, está en la guía de modo económico o premium.

En la práctica, un canal de historia o de narrativa cuyas escenas no tiene ningún banco tiende a usar premium o balanceado en sus videos insignia. Un canal de noticias, rankings, finanzas o explicaciones corre en económico a diario. No eliges un modo para el mes; lo eliges por video, y la estimación en créditos aparece antes de que se genere nada.

FalconVid, la plataforma que lleva canales en piloto automático, trata el clip como un ingrediente del video, no como el producto. Para cada video los especialistas de IA trabajan en paralelo: el investigador reúne los datos, el guionista escribe a la duración elegida, el narrador graba, el editor arma cada escena, banco con movimiento, imagen generada o clip cinematográfico generado según el modo, el sound design pone la música y los efectos, y el publicador escribe el título, la descripción y las etiquetas, genera la miniatura y programa la subida. Un video de 12 minutos queda listo en hasta 30 minutos.

Los motores premium viven dentro del modo premium. Los clips vienen de motores como Veo 3 con audio y Seedance Pro, pero tú no administras sus suscripciones, sus prompts ni sus tomas. La escena se pide a partir del guion, en el estilo del canal. Los noventa prompts del flujo manual simplemente dejan de existir.

Cuando un clip no quedó bien, se ajusta en el Studio. Ves la primera versión y, si la escena del minuto siete muestra lo que no es, cambias solo ese clip sin rehacer el video. Esa es la parte que una suscripción de clips no te da: corregir un segundo sin volver a pagar los otros 719.

Alrededor del video está el resto del canal: Shorts 9:16 cortados del video largo, respuesta automática a comentarios, proyecto duplicado a otro idioma pagando solo la diferencia, upscale a 4K y el Spy, que modela lo que ya funciona en el nicho, porque no empiezas de cero, empiezas de lo que ya monetiza. Todas las funciones de creación están en todos los planes; lo que cambia entre ellos es volumen, canales y generaciones simultáneas.

Contado en el video de referencia de 12 minutos, esto es lo que cada plan aguanta por mes. El Starter incluye 15.000 créditos: 8 videos en económico o 3 en balanceado, 1 canal y 2 generaciones simultáneas. El Pro incluye 30.000 créditos: 17 en económico, 6 en balanceado o 1 en premium, 5 canales y 5 a la vez, más el servidor dedicado y el Analista Sénior de IA, una persona fija con nombre, cara y voz que lee tu cuenta y te escribe cada dos días. El Business incluye 95.000 créditos: 54 en económico, 20 en balanceado o 5 en premium, 10 canales y 10 a la vez. El Agency incluye 190.000 créditos: 109 en económico, 41 en balanceado u 11 en premium, 25 canales y 25 a la vez. El Scale incluye 320.000 créditos: 184 en económico, 69 en balanceado o 19 en premium, 50 canales y 50 a la vez.

Nadie corre un mes en un solo modo, se mezcla. En el Starter, 2 videos en balanceado más 3 en económico usan 14.387 de los 15.000 créditos: cinco videos largos al mes, dos de ellos con escenas generadas. En el Business, un canal que publica a diario en económico y abre cada semana con un video premium cabe con espacio de sobra para un segundo canal en otro idioma.

Las generaciones simultáneas son lo que convierte volumen en calendario. Con 10 a la vez en el Business, una semana entera de videos de dos canales se genera junta en lugar de en fila, y con 50 en el Scale una red de canales llena su mes en una tarde. Tú apruebas el calendario, cada canal con su propia identidad, idioma y ritmo, y los videos salen en sus fechas.

Compáralo con el techo manual de la cuenta de clips: una persona cuidadosa con suscripción a Veo, Sora o Kling entrega más o menos un video largo por semana, unos cuatro al mes, para un canal. El límite nunca fue el modelo. Fueron los noventa prompts, las tomas y las siete piezas alrededor, y esa es la parte que el pipeline quita del camino.

El primero es saltarse la etiqueta. YouTube pide declarar el contenido alterado o sintético cuando una escena realista puede confundirse con imagen real: un lugar real, un hecho real, una persona realista haciendo algo que no ocurrió. Un clip cinematográfico de Veo, Sora o Kling es exactamente el tipo de imagen para el que se escribió la regla. Declarar es marcar una casilla; no declarar en una escena realista es un problema de políticas.

El segundo es el canal de plantilla. La política de contenido inauténtico de YouTube, que reemplazó el antiguo texto sobre contenido repetitivo, apunta a videos producidos en masa con la misma plantilla y poca variación. Un canal de montajes de clips idénticos todos los días es el caso de manual. Un canal con guion investigado, argumento real y narración en cada video no lo es, porque cada video dice algo distinto.

El tercero es el montaje sin narración. Clips bonitos con música funcionan treinta segundos y después la retención se desploma, porque nada le dice al espectador por qué seguir mirando. La voz es el hilo; sin ella un video de 12 minutos es un protector de pantalla. El cuarto es pagar premium en cada segundo, incluida la lista y el mapa que una escena de banco sostendría. El quinto es publicar cuando los clips estén listos y no en un calendario, lo que no entrena ni al público ni al algoritmo.

Las decisiones, nicho, modo e idioma, se quedan contigo. Las tareas, investigación, guion, voz, escenas, subtítulos, miniatura, SEO y subida, son el pipeline, dentro de un calendario que apruebas una vez por semana.