Sora
Por qué importa
En profundidad
Sora está construido sobre un Diffusion Transformer: el video en bruto se comprime en un espacio latente de menor dimensionalidad, se corta en parches espaciotemporales y un transformer elimina su ruido tratando esos parches de manera muy similar a como un modelo de lenguaje trata los tokens. Cuando OpenAI mostró los primeros clips en febrero de 2024 — una mujer caminando por una calle de Tokio iluminada con neón, golden retrievers jugando en la nieve —, el salto en duración y coherencia respecto de sistemas anteriores de Generación de Video como Runway y Pika era evidente, con generaciones individuales de hasta un minuto. El acceso público llegó en diciembre de 2024 con Sora Turbo, una variante más rápida y barata incluida en las suscripciones de ChatGPT, y en 2025 OpenAI lanzó una aplicación independiente articulada en torno a una función de cameo para insertar la imagen autorizada de personas reales, junto con Sora 2, que incorporó diálogos y efectos de sonido sincronizados.
Parches en lugar de píxeles
Bajo el capó, Sora adapta a la dimensión temporal la receta del Modelo de difusión que impulsó los generadores de imágenes. Primero, una red de compresión reduce el video en bruto a una representación latente, y un encoder corta ese volumen latente en parches espaciotemporales — pequeños cubos de espacio y tiempo que desempeñan el papel de tokens. Luego, el transformer aprende a revertir un proceso de adición de ruido sobre esos parches, comenzando con estática y terminando con un clip coherente condicionado por el prompt de texto.
Dos trucos de entrenamiento importan tanto como la arquitectura. Primero, Sora se entrena con videos en sus duraciones, resoluciones y relaciones de aspecto originales en lugar de recortarlo todo a cuadrados, lo cual permite que un solo modelo atienda tanto clips verticales para teléfonos como tomas panorámicas. Segundo, OpenAI reutilizó la idea de volver a redactar los pies de contenido de DALL-E 3: un modelo de descripción escribe texto denso y descriptivo para los videos de entrenamiento, de modo que el generador aprende de una supervisión mucho más rica que el breve texto alternativo incluido en la mayoría de los datasets de video. Ninguno de los dos trucos es exótico, pero a escala explican buena parte de por qué el seguimiento de prompts se ve mucho mejor que en sistemas anteriores.
De vista previa de investigación a aplicación
La presentación de febrero de 2024 fue únicamente una vista previa de investigación — un conjunto curado de demostraciones, además de acceso para equipos de red teaming y un pequeño grupo de artistas —, y así se mantuvo durante la mayor parte del año. El lanzamiento de Sora Turbo en sora.com en diciembre de 2024 abrió las herramientas de texto a video, imagen a video y remix a los suscriptores de ChatGPT Plus y Pro, con clips limitados a duraciones muy inferiores a las demostraciones de un minuto. OpenAI nunca ha publicado la cantidad de parámetros ni detalles específicos de los datos de entrenamiento, por lo que la mayor parte de la comprensión externa del sistema proviene de su informe técnico y del uso directo.
La aplicación de 2025 marcó el paso de herramienta a plataforma. Su función de cameo permite que un usuario grabe un breve video de verificación y luego autorice su imagen a sus amigos, quienes pueden insertar a esa persona en escenas generadas con su permiso. Sora 2, lanzado a finales de 2025, añadió audio sincronizado — diálogos, efectos de sonido y ambiente generados junto con el video —, cerrando una de las mayores brechas respecto de Veo 3 de Google. La aplicación se lanzó solo por invitación y ascendió rápidamente en las listas de descargas, lo que también significó que sus decisiones de moderación de contenido fueron puestas a prueba en público en cuestión de días.
Dónde brilla y dónde falla
Las fortalezas de Sora son cinematográficas: movimientos de cámara fluidos, iluminación plausible, composiciones de varias tomas dentro de una sola generación y una amplia gama estilística que va del fotorrealismo a la animación. Imagen a video suele ser el modo más práctico — proporcionar un fotograma fijo como ancla ofrece mucho más control que un prompt de texto por sí solo, y los equipos que crean maquetas de producto o storyboards suelen empezar allí. Extender un clip existente hacia adelante o hacia atrás en el tiempo también funciona sorprendentemente bien para construir secuencias más largas.
Los modos de fallo son igual de constantes. La física sigue rompiéndose en lugares predecibles: aparecen objetos de la nada, las manos y el texto se deforman con el movimiento, y las secuencias de causa y efecto (verter un líquido, romper un vidrio) suelen verse bien fotograma a fotograma pero mal como sucesos. En la práctica, los prompts largos o complejos se truncan silenciosamente y se ignoran las cláusulas posteriores, lo que convierte la Ingeniería de prompts para video en un proceso de iteración sobre descripciones de escena cortas y concretas, en lugar de escritura de guiones. La generación también es lenta y consume mucho cómputo frente a los modelos de imágenes, por lo que los ciclos de iteración se parecen más al renderizado que a una conversación.
No es un simulador del mundo
El informe técnico de OpenAI presentó los modelos de video escalados como un paso hacia simuladores de propósito general del mundo físico, y vale la pena cuestionar esa afirmación. Sora aprende las estadísticas de cómo evolucionan los píxeles, no un modelo causal explícito de objetos, fuerzas o agentes. Por eso puede producir una ola oceánica convincente y aun así fallar al mostrar a una persona mordiendo una galleta y dejando una marca en ella — la plausibilidad superficial no equivale al seguimiento de estados. Tratarlo como un renderizador aprendido en vez de como un motor de física emergente ajusta correctamente las expectativas y explica tanto la magia como los fallos. La misma salvedad se aplica a las afirmaciones de que los modelos de video están cerca de un verdadero Modelo del mundo en el sentido del aprendizaje por refuerzo: las representaciones son impresionantes, pero nadie ha demostrado que permitan predicción y planificación fiables.
Consentimiento, procedencia y la cuestión de los deepfakes
Un modelo tan bueno para fabricar secuencias hereda todo el problema de los Deepfakes, y las respuestas de OpenAI han sido por capas, no absolutas. Los videos generados llevan una marca de agua móvil visible y metadatos de procedencia integrados, cameo exige el consentimiento grabado de la persona representada y los filtros de políticas bloquean a figuras públicas y ciertas categorías de contenido — aunque usuarios decididos han puesto a prueba cada una de estas medidas. Las marcas de agua pueden recortarse o degradarse, y los metadatos de procedencia solo sobreviven mientras las plataformas cooperen, por lo que la Marca de agua debe tratarse como una señal entre muchas y no como una garantía.
La cuestión de los derechos está igual de abierta. Los titulares de derechos han presionado a OpenAI por la aparición de personajes protegidos por derechos de autor en las generaciones, empujando a la empresa hacia acuerdos de exclusión voluntaria y reparto de ingresos, y el modelo de cameo se ha convertido en un caso de prueba para saber cómo podría funcionar a escala la concesión de licencias de imagen. Para cualquiera que construya sobre video generativo, la lectura práctica es que los Derechos de autor en IA sobre las salidas y los datos de entrenamiento siguen siendo un blanco móvil, y las herramientas de procedencia deberían diseñarse desde el principio en vez de añadirse después de un incidente viral.