H3 Max, Wan 3.0 y GPT Image 2.5: un charco, cinco modelos de video

Comparar modelos de video por sus publicaciones de lanzamiento no sirve de mucho: todos son "los más realistas" y "los mejores de su categoría". Así que hicimos algo más simple. Tomamos un prompt, lo enviamos a los cinco modelos de video de ChatPlus y medimos cuánto tardaba cada uno y qué resultado entregaba.

El prompt: "An autumn street after the rain, golden hour. A young woman in a yellow raincoat jumps into a puddle, water splashes, maple leaves swirl around her. She laughs and says: 'Autumn is here!' Handheld camera, natural street sound."

Dos de los cinco modelos son nuevos en ChatPlus: H3 Max y Wan 3.0. También actualizamos el modelo de imagen predeterminado, así que GPT Image 2.5 ahora ocupa el lugar que antes tenía GPT Image 2. Vamos uno por uno y, al final, vemos cuál conviene elegir según el caso.

H3 Max: un clip antes de que se enfríe tu café

Empecemos por el número que hace que valga la pena probar este modelo. Once segundos. Eso fue lo que tardó desde que presionamos el botón hasta tener listo un clip de cinco segundos con sonido, incluyendo la cola y la descarga del archivo. La generación en sí toma apenas unos segundos en la GPU. Los demás modelos necesitaron desde poco menos de un minuto hasta casi cuatro minutos para el mismo prompt.

De dónde sale esa velocidad: la base es MiniMax H3, un modelo de video de pesos abiertos de la empresa china MiniMax. El equipo de fal, una de las plataformas más grandes para ejecutar modelos generativos, lo sometió a posentrenamiento y lo reconstruyó para sus propios servidores. Lanzaron el resultado como H3 Max a finales de agosto. Según sus mediciones, el rendimiento subió aproximadamente 35 veces frente al H3 original y, en comparaciones a ciegas, donde las personas eligen el mejor de dos clips sin saber qué modelo hizo cuál, H3 Max superó a una docena de competidores.

La velocidad no es su única ventaja. H3 Max siempre genera sonido: ruido de la calle, pasos, risas, frases cortas de diálogo. En nuestra prueba, la mujer saltó al charco, las hojas giraron a su alrededor y la frase del prompt se escuchó con claridad. No hay interruptor de sonido, y tampoco hace falta, porque el audio no cuesta extra.

H3 Max, 11 segundos desde la solicitud hasta el archivo. Activa el sonido para escuchar la frase del final.

Ahora, los límites con honestidad. La resolución es 768p, por debajo de Full HD. Alcanza de sobra para stories, reels y borradores, no para una pantalla grande. Y en escenas complejas con movimiento rápido, H3 Max es más simple que los modelos caros: los detalles se ven un poco más suaves y la física del agua es más modesta.

El precio lo compensa: 40 créditos multimedia por segundo, así que un clip de cinco segundos cuesta 200 créditos. Es el video más barato de ChatPlus. Nuestra forma de usarlo: probar cinco o diez versiones de un prompt, encontrar la idea que funciona y después, si quieres, enviar la versión final a un modelo más caro.

Wan 3.0: video que parece grabado con un teléfono

Wan es la familia de modelos de video de Alibaba. La tercera generación entró en beta a principios de agosto de 2026 y quedó disponible para todos el 24 de agosto. Alibaba se enfocó en las personas: rostros verosímiles de todo tipo, expresiones naturales y movimiento sin ese aspecto plástico que tienen muchos modelos de IA.

El modelo puede hacer más de lo que usamos hoy. De forma nativa genera clips de hasta 30 segundos y acepta texto, imágenes, audio e incluso video como entrada. En ChatPlus puedes hacer clips de 5, 10 o 15 segundos en 720p, a partir de una descripción o de tu propia foto.

En nuestra prueba, Wan hizo el clip más cotidiano de los cinco. Nada de brillo publicitario: una calle común, botas de lluvia, hojas volando directo hacia la lente. Se parece más que ninguno a un video que una amiga grabó con su teléfono, exactamente lo que pedía "handheld camera". El sonido y la frase hablada también están ahí.

Wan 3.0, 2 minutos 37 segundos. El material que más parece grabado con teléfono de los cinco.

Esperamos más de dos minutos y medio. Es normal para modelos de video de este nivel, pero después de H3 Max se siente eterno.

En precio, Wan 3.0 queda en la gama media: 50 créditos multimedia por segundo, y el sonido no cambia el costo. Un clip de cinco segundos cuesta 250 créditos. Kling 3 Pro con sonido cuesta 420 y Seedance Pro, 760. Si necesitas una persona creíble en pantalla sin pagar de más, empieza con Wan.

Un prompt, cinco modelos

Así les fue a los cinco. El tiempo va desde la solicitud hasta el archivo terminado; el precio es para un clip de esa duración con sonido.

Veo 3.1 de Google entregó la toma más cinematográfica: el sol directo a la lente, una alfombra de hojas rojas junto al cordón, una gran salpicadura, todo como salido de un comercial. El sonido de Veo es el mejor del grupo, una banda sonora mezclada y no ruido puesto encima. También es el segundo más caro de ChatPlus. Para borradores está Veo 3.1 Fast: más rápido y mucho más barato.

Veo 3.1, 54 segundos. Contraluz y color como de comercial.

Kling 3 Pro tomó su propio camino. Durante todo el clip, la cámara se quedó en sus pies y las salpicaduras; escuchamos la frase, pero nunca vimos su cara. El modelo no se equivocó, simplemente leyó "jumps into a puddle" de forma literal. La verdadera fortaleza de Kling está en otro lado: dar vida a fotos. Más sobre eso abajo.

Kling 3 Pro, 1 minuto 46 segundos. Botas, salpicaduras y reflejos, pero sin rostro.

Seedance Pro de ByteDance fue el que más tardó y el que mostró el manejo más cuidadoso del movimiento. Láminas limpias de agua saliendo del charco, hojas suspendidas en el aire y una cámara que pasa de un plano abierto a un primer plano de su cara riéndose, como si un camarógrafo corriera a su lado.

Seedance Pro, 3 minutos 54 segundos. De un plano abierto a un primer plano en una sola toma.

La conclusión: no hay un único modelo "mejor". Cada uno tiene su propio carácter, y el correcto depende del trabajo.

GPT Image 2.5 reemplaza a GPT Image 2

Ahora, imágenes. El 8 de septiembre, OpenAI lanzó GPT Image 2.5 en dos versiones. Sunburst es la precisa: sigue mejor el prompt y edita mejor imágenes existentes. Flare es la más rápida y simple. ChatPlus usa Sunburst.

GPT Image 2 ya era nuestro modelo predeterminado porque es muy bueno con texto dentro de imágenes. La versión 2.5 es todavía más prolija con las letras y mantiene mejor prompts largos llenos de detalles. Lo probamos con el mismo tema otoñal: la mujer con impermeable amarillo en una mesa de cafetería con una taza de cocoa, más texto escrito a mano en la ventana. Poco más de medio minuto después teníamos la imagen, con un titular manuscrito sobre el vidrio y una pequeña línea de precio debajo, sin una sola letra rota. Incluso agregó por su cuenta un tablero de menú al fondo, y también salió limpio.

GPT Image 2.5, 36 segundos. Las dos líneas del vidrio salieron bien al primer intento.

Las ediciones también son más confiables. Sube una foto y di qué quieres cambiar: el modelo cambia lo que pediste y es menos probable que redibuje cualquier otra cosa.

Los precios no cambian: 10 créditos multimedia por imagen en calidad estándar y 50 en alta. Si tenías seleccionado GPT Image 2, no tienes que hacer nada: el generador cambió a 2.5 automáticamente. Prueba GPT Image 2.5.

Primero imagen, después video

El resultado más interesante de la prueba ocurrió por accidente. Tomamos esa imagen de la cafetería hecha con GPT Image 2.5 y se la dimos a Kling 3 Pro para animarla. Salió vapor de la cocoa, gotas corrieron por el vidrio, la mujer sonrió. Y las letras de la ventana no se deformaron ni en un solo fotograma, aunque el texto suele ser lo primero que rompen los modelos de video.

Imagen de GPT Image 2.5, movimiento de Kling 3 Pro.

Esto te da una receta confiable para portadas, tarjetas y clips para redes. Primero dibuja el encuadre perfecto en GPT Image 2.5: barato y con el texto correcto. Luego dale vida en Kling 3 Pro o Wan 3.0. Es mucho más predecible que describir toda la escena con palabras y esperar que el modelo de video acomode todo bien.

Una advertencia. Seedance Pro no anima fotos de personas reales, porque ByteDance las bloquea. Para retratos y fotos familiares, usa Kling 3 Pro: mantiene el rostro reconocible desde el primer segundo hasta el último.

Qué modelo elegir

En resumen, depende del trabajo.

Rápido y barato — probar una idea, hacer una story, ensayar variaciones de prompt — H3 Max. Alrededor de diez segundos y 200 créditos por intento.

Una persona realista en una toma cotidiana, sin estilo publicitario — Wan 3.0. Sonido incluido, precio de gama media.

Dar vida a tu propia foto — Kling 3 Pro. Rostros, ropa y letras se mantienen como estaban en la imagen.

Un clip cinematográfico con sonido de calidad de película — Veo 3.1, y Veo 3.1 Fast para borradores.

Movimiento complejo — baile, deporte, agua, cambios de plano — Seedance Pro, si no te molesta esperar y pagar más.

Puedes cambiar de modelo directamente en el generador de video, por ejemplo empezando con H3 Max. Video e imágenes usan los mismos créditos multimedia, y el precio de un clip se muestra antes de empezar.

En resumen

ChatPlus tiene dos nuevos modelos de video. H3 Max es la versión acelerada de MiniMax H3 creada por fal: un clip con sonido en unos diez segundos, 200 créditos multimedia por cinco segundos, 768p. Wan 3.0 de Alibaba aporta personas verosímiles y movimiento natural, con sonido incluido en el precio, 250 créditos por cinco segundos. El modelo de imagen predeterminado ahora es GPT Image 2.5 de OpenAI: más prolijo con texto y ediciones, con los mismos precios de 10 y 50 créditos. En nuestra prueba con un solo prompt, H3 Max fue el más rápido, Veo 3.1 el más cinematográfico y Seedance Pro el más cuidadoso con el movimiento.