La inteligencia artificial continúa su avance en el ámbito de la creación de contenido multimedia. Recientemente, xAI ha lanzado una actualización sustancial para su modelo Grok Imagine Video 1.5, el cual ahora incluye la capacidad de integrar referencias de texto, imagen y voz, además de generar videos con una resolución nativa de 1080p. Esta evolución representa un paso adelante en la especificidad y coherencia del contenido generado por IA.

Nuevas funcionalidades y capacidades

La versión 1.5 de Grok Imagine Video, que ya había demostrado mejoras en movimiento, física y audio en su lanzamiento anterior, ahora se expande con características que permiten un control más granular sobre la salida del video. Entre las novedades más destacadas se encuentran:

  • Generación de video a partir de texto: Los usuarios pueden describir una escena o un plano específico, y el modelo generará el video sin necesidad de una imagen inicial. Esta funcionalidad combina la generación de imágenes con la conversión de imagen a video, ofreciendo una mayor flexibilidad creativa.
  • Resolución 1080p nativa: La capacidad de generar videos en alta definición (1080p) está ahora disponible tanto para la generación de texto a video como para la conversión de imagen a video, lo que eleva la calidad visual del contenido producido.
  • Coherencia de voz: Una de las innovaciones más relevantes es la posibilidad de mantener la consistencia de voz a lo largo de un video. Al proporcionar una imagen de personaje y una referencia de voz, el modelo asegura que tanto el rostro como la voz se mantengan uniformes en todas las escenas, un aspecto crucial para la narrativa y la inmersión.
  • Referencias múltiples: El modelo permite utilizar hasta siete referencias por generación. Esto significa que los usuarios pueden fijar elementos específicos como un personaje, un producto o una ubicación, y luego modificar otros aspectos como la acción o el entorno. Esta característica abre un abanico de posibilidades para la creación de narrativas complejas y personalizadas.

Disponibilidad y acceso

Las funcionalidades de referencia de imagen y voz se han implementado inicialmente en Estados Unidos para los usuarios de SuperGrok Heavy y SuperGrok Plus a través de la plataforma web grok.com/imagine y la aplicación para iOS, con una expansión progresiva a otros niveles en los próximos días. La generación de texto a video y la resolución 1080p nativa ya están disponibles de forma general en la web, iOS y Android.

Para los desarrolladores, las referencias de imagen, la generación de texto a video y la resolución 1080p están integradas en la API de xAI, utilizando el modelo grok-imagine-video-1.5. El soporte para referencias de voz se ofrece bajo solicitud, lo que sugiere una implementación más controlada para casos de uso específicos.

La integración de referencias múltiples y la capacidad de mantener la coherencia de voz son elementos diferenciadores que podrían impactar significativamente la producción de contenido audiovisual, permitiendo a los creadores de contenido generar material más específico y con mayor control sobre los detalles.

Estas mejoras no solo optimizan el proceso de creación de video, sino que también democratizan el acceso a herramientas de producción de alta calidad, permitiendo a un público más amplio experimentar con la generación de contenido audiovisual avanzado. La evolución de Grok Imagine Video 1.5 subraya la dirección hacia la que se mueve la inteligencia artificial en la creación de medios: mayor precisión, personalización y eficiencia.