Metodología de evaluación comparativa de modelos de vídeo de IA: qué medir antes de elegir

Un benchmark de modelos de video de IA debe comparar la latencia, la consistencia del movimiento, la adherencia a los prompts, los límites de formato y el costo por segundo de salida, utilizando tus propios prompts y tu propio patrón de carga, no un video de demostración del proveedor. Este artículo te proporciona las dimensiones a medir, líneas base de costo por segundo de 2026 de las principales API de video, código para medir la latencia y calcular el costo mediante programación, y una forma de escalar la revisión humana más allá de un puñado de clips.

Benchmark de modelos de video de IA: puntos clave

• El costo por segundo en niveles comparables (720p-1080p, configuración de audio similar) varía aproximadamente 9 veces entre el extremo inferior y el superior de la instantánea de fuentes a continuación: PixVerse V6 a $0.045/s (fal, 720p, sin audio) frente a Veo 3.1 Standard a $0.40/s (Google, 720p-1080p, con audio). Existen diferencias mayores si incluyes 4K o precios por token, pero no son directamente comparables; consulta las limitaciones.
• La latencia no está cubierta en ninguno de los documentos de precios de los proveedores citados en este artículo. Trata las afirmaciones sobre el tiempo de generación como no verificadas hasta que las midas tú mismo, y utiliza el patrón de marca de tiempo a continuación para hacerlo.
• La revisión humana no escala linealmente con el volumen de pruebas. Utiliza un sistema de dos niveles: las comprobaciones técnicas automatizadas detectan fallos de formato de forma gratuita, y luego una muestra estratificada pasa por ojos humanos.
• Los precios por segundo y por solicitud de video de TokenLab siguen aproximadamente la economía unitaria reportada por los proveedores en varios casos (Hailuo, Veo), lo cual es una verificación útil antes de comprometer el gasto, como se muestra en la tabla de verificación cruzada a continuación.

Instantánea de fuentes: precios de los proveedores para API de video (2026)

Proveedor	Modelo / Nivel	Métrica	Valor	Fuente	Observado
Google	Veo 3.1 Standard, 720p/1080p, con audio	$/s	$0.40	Precios de la API de Gemini	2026-07-09
Google	Veo 3.1 Standard, 4K, con audio	$/s	$0.60	Precios de la API de Gemini	2026-07-09
Google	Veo 3.1 Fast, 720p, con audio	$/s	$0.10	Precios de la API de Gemini	2026-07-09
Google	Veo 3.1 Lite, 720p, con audio	$/s	$0.05	Precios de la API de Gemini	2026-07-09
PixVerse	V6, 720p, sin audio	créditos/s	9	Documentación de la plataforma PixVerse	2026-07-09
PixVerse (vía fal)	V6, 720p, sin audio	$/s	$0.045	fal PixVerse V6	2026-07-09
PixVerse (vía fal)	V6, 1080p, con audio	$/s	$0.115	fal PixVerse V6	2026-07-09
MiniMax	Hailuo-2.3-Fast, 768p/6s	puntos	0.7	Precios de video de MiniMax	2026-07-09
MiniMax	Paquete estándar	$/3,760 pts	$1,000	Precios de video de MiniMax	2026-07-09
Runway	veo3, todas las resoluciones	créditos/s	40 ($0.40/s a $0.01/crédito)	Precios de la API de Runway	2026-07-09
Runway	seedance2, 480p/720p	créditos/s	36 ($0.36/s)	Precios de la API de Runway	2026-07-09
Kling	API de desarrollador	$/unidad	$0.14 (base de unidad no confirmada para costo por segundo)	Precios de Kling dev	2026-07-09

Google también declara que los modelos Veo 3.0 están obsoletos y programados para su cierre el 30 de junio de 2026, recomendando la migración a los modelos Veo 3.1 Preview o GA Agent Platform. Si todavía estás utilizando Veo 3.0 en producción, esa migración debería estar en tu hoja de ruta antes de esa fecha, según la fuente anterior.

Precios de modelos de video en vivo de TokenLab

Esta tabla incluye solo los modelos de video presentes en la instantánea de precios en vivo de TokenLab, observada el 2026-07-07.

Modelo TokenLab	Unidad	Tarifa	Notas
veo3.1	por_segundo	$0.200000	Precio fijo
veo3	por_segundo	$0.200000	Precio fijo
veo3.1-fast	por_segundo	$0.080000	Precio fijo
veo3-fast	por_segundo	$0.080000	Precio fijo
seedance-1.0-pro	por_token (salida)	$2.205882	No directamente comparable a $/s, ver limitaciones
seedance-1.0-pro-fast	por_token (salida)	$0.617647	No directamente comparable a $/s
seedance-1.5-pro	por_token (salida)	$1.176471	No directamente comparable a $/s
seedance-2.0	por_token (salida)	$6.764706	No directamente comparable a $/s
seedance-2.0-fast	por_token (salida)	$5.441176	No directamente comparable a $/s
seedance-2.0-mini	por_token (salida)	$3.382353	No directamente comparable a $/s
pixverse-c1	por_segundo	$0.026471	Precio fijo
pixverse-v5.6	por_segundo	$0.030882	Precio fijo
pixverse-v6	por_segundo	$0.022059	Precio fijo
hailuo-2.3	por_solicitud	$0.280000	Precio fijo
hailuo-2.3-fast	por_solicitud	$0.190000	Precio fijo
hailuo-2.3-pro	por_solicitud	$0.490000	Precio fijo
hailuo-2.3-standard	por_solicitud	$0.280000	Precio fijo

Fuente: evidencia de modelos/precios en vivo de TokenLab, observada el 2026-07-07.

Compáralos directamente en el directorio de modelos de TokenLab, que filtra por proveedor y tipo de unidad, o en la página de clasificaciones de modelos para comparaciones a nivel de especificaciones antes de ejecutar tu propio conjunto de pruebas.

Obtén una clave API y ejecuta la primera prueba hoy: crea una clave API de TokenLab y llama a pixverse-v6 o veo3.1-fast con la misma pequeña muestra de prompts para ver el costo y la tasa de éxito del trabajo lado a lado, antes de comprometerte con un lote de pruebas más grande.

Verificación cruzada de precios de TokenLab frente a datos de proveedores

Los precios fijos de TokenLab no se derivan directamente de las listas de precios de los proveedores, ya que el enrutamiento, el volumen y el margen influyen. Pero puedes verificar los precios de TokenLab frente a la economía unitaria de los proveedores utilizando la instantánea de fuentes anterior. Estas son estimaciones construidas a partir de datos públicos de los proveedores, no la base de costos interna de TokenLab.

Comparación	Estimación derivada del proveedor	Precio en vivo de TokenLab	Delta
Hailuo-2.3-Fast, 768p/6s	0.7 pts x ($1,000 / 3,760 pts) = ~$0.186	$0.190 (por_solicitud)	~$0.004, coincidencia cercana
Hailuo-2.3 standard, 768p/6s	1 pt x ($1,000 / 3,760 pts) = ~$0.266	$0.280 (por_solicitud)	~$0.014, coincidencia cercana
Veo 3.1, equivalente sin audio	Runway veo3.1 sin audio: 20 cr/s x $0.01 = $0.20/s	$0.200000 (por_segundo)	coincidencia exacta
Veo 3.1 Fast, 720p	Lista de Google, con audio: $0.10/s	$0.080000 (por_segundo)	TokenLab ~20% menor, inclusión de audio no confirmada
PixVerse V6, 360p sin audio	Revendedor fal: $0.025/s	$0.022059 (por_segundo, resolución no confirmada)	cercano, nivel de resolución no indicado en la evidencia de TokenLab

Trata cada fila como direccional. Las listas de precios de los proveedores, los precios de los revendedores (fal, Runway) y las tarifas por punto de los paquetes de MiniMax son tres estructuras de precios diferentes, y ninguna confirma exactamente a qué resolución, configuración de audio o nivel de SLA corresponde el precio fijo por segundo de TokenLab. Verifica las suposiciones exactas de resolución y audio en el directorio de modelos de TokenLab antes de construir un modelo de costos que asuma una coincidencia exacta.

Lo que debe medir un benchmark de modelos de video de IA

Los benchmarks de texto y código puntúan de forma determinista: ¿compila?, ¿coincide con una referencia? La generación de video no tiene una verdad fundamental equivalente. Dos ejecuciones del mismo prompt en el mismo modelo pueden diferir visiblemente en la calidad del movimiento, por lo que un benchmark de modelos de video de IA defendible debe combinar comprobaciones técnicas automatizadas con una revisión humana estructurada en cinco dimensiones.

1. Latencia y comportamiento de la cola

Ningún documento de precios de proveedores citado en este artículo indica la latencia de generación típica o en el peor de los casos. Eso no está incluido en este conjunto de evidencia, y no deberías tomar al pie de la letra las afirmaciones de velocidad de la página de demostración de un proveedor. Mídelo tú mismo:

async function timedGenerate(provider, generateFn, input) {
  const t0 = Date.now();
  let submittedAt = null;
  let completedAt = null;

  try {
    const job = await generateFn(input);
    submittedAt = Date.now();

    // sondear o suscribirse según el SDK del proveedor; registrar cada cambio de estado
    const result = await job.completed(); // verificar la API de finalización exacta según los documentos del proveedor
    completedAt = Date.now();

    return {
      provider,
      queueMs: submittedAt - t0,
      generationMs: completedAt - submittedAt,
      totalMs: completedAt - t0,
      status: "success",
    };
  } catch (err) {
    return {
      provider,
      totalMs: Date.now() - t0,
      status: "error",
      errorType: err?.status || "unknown",
      message: err?.message,
    };
  }
}

Ejecuta esto en 3-4 solicitudes simultáneas, no una a la vez, y almacena p50/p90/p99 por proveedor, no solo un promedio. El comportamiento de la cola bajo concurrencia es donde los proveedores divergen más y donde las páginas de marketing no dicen nada.

2. Consistencia del movimiento y coherencia temporal

No existe una puntuación numérica estándar de la industria entre los proveedores en la evidencia utilizada para este artículo. Una solución práctica: genera el mismo prompt en 3-4 modelos, elimina las etiquetas y haz que 2-3 revisores clasifiquen de forma independiente la permanencia de los objetos, la deriva del fondo y la plausibilidad física.

3. Adherencia a los prompts

Puntúa aprobado/suspendido por elemento de instrucción (sujeto, cantidad, dirección de cámara, composición) en lugar de un solo número de calidad. Prueba prompts cortos (menos de 15 palabras), prompts medianos con una instrucción de cámara y prompts largos con múltiples restricciones compositivas. Esto te da un desglose sobre el que puedes actuar, por ejemplo, un modelo que maneja bien los prompts simples pero pierde la dirección de la cámara en los largos.

4. Resolución, duración y límites de formato

Comprueba lo que cada API admite realmente en tu nivel de precios, no la especificación principal:

• Resolución máxima en nivel predeterminado vs. premium
• Duración máxima del clip por llamada única, y si la extensión requiere una llamada de unión separada
• Si la generación de audio es un interruptor separado que cambia el precio, como ocurre tanto para Veo 3.1 (Google) como para PixVerse V6 (documentos de PixVerse, fal)

5. Costo por segundo, normalizado

Las estructuras de precios difieren entre proveedores: MiniMax cobra deducciones de paquetes por puntos, PixVerse y fal cobran por segundo según la resolución y la configuración de audio, Runway vende créditos planos por segundo, Google publica tarifas directas por segundo según el nivel. Normaliza todo a $/s a una resolución y configuración de audio fijas antes de comparar, utilizando la tabla de instantáneas de fuentes anterior como tus puntos de referencia iniciales.

Cálculo del costo por segundo a partir de un trabajo de generación

Una vez que tengas los metadatos del trabajo (duración, resolución, proveedor), calcula el costo directamente en lugar de estimarlo a partir de una lista de tarifas:

function computeCost(job, rateTable) {
  const rate = rateTable[job.provider]?.[job.resolution]?.[job.audio ? "audio" : "noAudio"];
  if (!rate) {
    throw new Error(`No hay entrada de tarifa para ${job.provider} en ${job.resolution}, audio=${job.audio}. Verifica el documento de precios antes de facturar.`);
  }
  return {
    provider: job.provider,
    durationSeconds: job.durationSeconds,
    costUsd: Number((rate * job.durationSeconds).toFixed(4)),
  };
}

Completa rateTable a partir de la tabla de instantáneas de fuentes anterior, no de memoria o de una captura de pantalla de la página de inicio de un proveedor, y vuelve a verificarla cada vez que vuelvas a ejecutar el benchmark, ya que las tarifas cambian.

Solicitud de una generación de video: qué verificar antes de enviar

La página del modelo fal PixVerse V6 documenta una llamada subscribe de JavaScript para fal-ai/pixverse/v6/text-to-video que acepta prompt, resolution, duration y generate_audio_switch. Ese es el alcance de la evidencia de carga útil disponible aquí. Un envoltorio de cliente mínimo que utiliza solo esos campos documentados, con reintento y manejo de errores:

import { fal } from "@fal-ai/client";

async function generatePixVerseVideo(prompt, resolution, durationSeconds, withAudio) {
  const maxRetries = 3;

  for (let attempt = 1; attempt <= maxRetries; attempt++) {
    try {
      return await fal.subscribe("fal-ai/pixverse/v6/text-to-video", {
        input: {
          prompt,
          resolution,
          duration: durationSeconds,
          generate_audio_switch: withAudio,
        },
        logs: true,
      });
    } catch (err) {
      const status = err?.status || err?.response?.status;

      if (status === 429 || status === 503) {
        // límite de tasa alcanzado o proveedor sobrecargado, retroceder y reintentar
        await new Promise((r) => setTimeout(r, 2000 * attempt));
        continue;
      }
      if (status >= 400 && status < 500) {
        // error del cliente, no reintentar a ciegas
        throw new Error(`Solicitud de PixVerse rechazada: ${status} ${err.message}`);
      }
      if (attempt === maxRetries) {
        throw new Error(`La generación de PixVerse falló después de ${maxRetries} intentos: ${err.message}`);
      }
    }
  }
}

Esto no se prueba contra un esquema de respuesta en vivo en este conjunto de evidencia. Antes del uso en producción, verifica la configuración de autenticación, la forma exacta del objeto de respuesta, el comportamiento de tiempo de espera y los encabezados de límite de tasa en los documentos actuales de fal y PixVerse. La generación de video es inherentemente una salida multimodal (fotogramas más pista de audio opcional); las cargas útiles de solicitud y respuesta multimodales exactas deben confirmarse en los documentos oficiales antes de construir la facturación o la automatización de revisión sobre ellas.

Automatización de la revisión humana a escala

Revisar cientos de clips generados a mano no escala. Un enfoque de dos niveles mantiene el tiempo humano en los clips que realmente lo necesitan:

Nivel 1: validación técnica automatizada (gratuita, determinista)

• Trabajo completado vs. fallido vs. tiempo de espera agotado
• La duración de la salida coincide con la duración solicitada
• La resolución de la salida coincide con la resolución solicitada
• El archivo no está corrupto o tiene longitud cero
• Sin salida de fotograma negro o de un solo color (comprobación básica de muestreo de fotogramas)

Nivel 2: revisión humana estratificada (muestreada)

• Revisar el 100% de los fallos del Nivel 1 para confirmar que son fallos reales, no falsos positivos
• Revisar una muestra aleatoria del 10-15% de los pases del Nivel 1 para verificar la consistencia del movimiento y la adherencia a los prompts
• Utilizar el mismo método de clasificación a ciegas de 2-3 revisores descrito anteriormente, puntuado por elemento de rúbrica

Un prefiltro opcional es un LLM con capacidad de visión que puntúa los fotogramas extraídos en busca de fallos graves (sujeto distorsionado, falta del objeto solicitado) antes de la revisión humana. Modelos como Gemini 3.5 Flash o Claude Sonnet 5 admiten entrada multimodal en el catálogo actual de TokenLab, pero no hay un benchmark de precisión para este caso de uso de triaje específico en la evidencia utilizada para este artículo. Trata cualquier puntuación de triaje automatizada como un prefiltro para reducir el volumen de revisión humana, no como un juicio de calidad final, hasta que hayas medido su tasa de falsos negativos frente a tu propia muestra revisada por humanos.

Lista de verificación de un benchmark práctico

• Define tu caso de uso (clips sociales, demostraciones de productos, activos de juegos) y elige prompts que coincidan con él
• Crea un conjunto de prompts fijos en complejidad corta, media y larga. Este artículo utiliza 20 prompts como ejemplo de trabajo, no un conteo óptimo investigado; ningún proveedor o fuente académica en este conjunto de evidencia especifica un tamaño de muestra ideal, así que ajusta el tuyo a tu presupuesto de revisión
• Ejecuta cada prompt en cada modelo candidato con la misma resolución y configuración de audio
• Registra la latencia (p50/p90/p99), el costo por segundo calculado a partir de la duración real del trabajo y la tasa de éxito del trabajo
• Ejecuta la validación automatizada de Nivel 1 en el 100% de las salidas, luego la revisión humana de Nivel 2 en los fallos más una muestra del 10-15%
• Vuelve a verificar los precios antes de cada ciclo de prueba. La instantánea SSOT del modelo de este artículo caduca siete días después de la observación (observada el 2026-07-07, caduca el 2026-07-14). Esa cadencia es específica de la ventana de caducidad de esta instantánea, no un estándar de la industria publicado, pero es un suelo razonable para la frecuencia con la que se deben volver a verificar los precios de video y la disponibilidad de modelos
• Verifica las especificaciones frente al directorio de modelos de TokenLab en lugar de confiar en la página de marketing de un solo proveedor

Comparación entre proveedores y capas de enrutamiento

Si enrutas entre múltiples proveedores de video en lugar de comprometerte con una sola API, se aplica la misma disciplina a la capa de enrutamiento. La comparación de OpenRouter cubre cómo la sobrecarga de enrutamiento y la selección de proveedores pueden afectar la consistencia de la latencia y el costo, lo cual importa más para los trabajos de video dado el tiempo que se ejecutan en comparación con una finalización de texto.

Para una comparación previa a la ejecución entre los proveedores de video actuales utilizando esta misma metodología, consulta mejores API de modelos de video de IA 2026. Si también estás evaluando modelos de imagen en la misma tubería, mejores API de modelos de imagen de IA 2026 utiliza un enfoque de método mixto comparable a menor escala. Para el trabajo de selección de modelos adyacentes, mejores modelos de IA para codificación 2026 aplica una disciplina de cadencia de re-prueba similar para una carga de trabajo diferente.

Limitaciones

• Ningún documento de precios de proveedores citado aquí indica la latencia de generación típica en segundos o milisegundos. Las cifras de latencia en este artículo se limitan al método de medición de marca de tiempo, no a benchmarks publicados.
• Los precios de Seedance en TokenLab son por token de salida, y la tasa de conversión de token a segundo no está publicada en la evidencia utilizada para este artículo. No conviertas los precios de tokens de Seedance a $/s sin confirmar la tasa de codificación con TokenLab o el proveedor del modelo.
• Los precios de desarrollador de Kling se describen en "unidades" con una referencia de precio de lista de $0.14 de una instantánea de búsqueda, no una tarifa confirmada por segundo. Verifica el costo exacto por segundo en la página del proveedor de Kling antes de usarlo en un modelo de costos.
• El valor en dólares por crédito de la plataforma PixVerse solo se confirma a través de un paquete promocional Starter-pack ($1 = 5 videos, 720p, 5s, sin audio). Los precios por crédito independientes fuera de ese paquete no están confirmados en este conjunto de evidencia.
• Vidu aparece como un ejemplo de API de video actual, pero no tiene evidencia de precios en este artículo. Verifica los precios directamente en la página del proveedor de Vidu.
• Las comparaciones entre proveedores mezclan precios directos de proveedores (Google, MiniMax, PixVerse) con precios de revendedores (fal, Runway), que pueden incluir recargos o descuentos por volumen no visibles solo en los precios de lista.
• No existe un benchmark de precisión en este conjunto de evidencia para el uso de un LLM como capa de triaje de revisión de video automatizada. Trátalo como un prefiltro no verificado.
• El tamaño del conjunto de pruebas de 20 prompts y la cadencia de re-prueba de siete días recomendada en este artículo son valores predeterminados de trabajo elegidos por practicidad, no cifras respaldadas por un estudio publicado o una recomendación del proveedor. Ajusta ambos a tu propia capacidad de revisión y tolerancia al riesgo.

Preguntas frecuentes

¿En qué modelo debería empezar a probar en TokenLab hoy? Basado en los precios en vivo de TokenLab (observados el 2026-07-07), pixverse-v6 ($0.022059/s) y veo3.1-fast ($0.08/s) se sitúan en el extremo inferior del costo por segundo, mientras que veo3.1 y seedance-2.0 se sitúan en el extremo superior. Una primera prueba razonable es un candidato de bajo costo y un candidato de mayor fidelidad ejecutados contra el mismo conjunto de prompts fijos, utilizando una clave API de tokenlab.sh/en/api-keys, antes de comprometerte con un contrato de proveedor único.

¿Cómo mido realmente la latencia mediante programación? Marca la hora antes de la solicitud, después de la presentación del trabajo y después de la finalización terminal para cada llamada, utilizando el patrón que se muestra arriba. Almacena el tiempo de cola y el tiempo de generación por separado, y realiza un seguimiento de p50/p90/p99 en al menos unas pocas docenas de ejecuciones bajo carga concurrente, no en una sola prueba secuencial. Ningún proveedor en este conjunto de evidencia publica la latencia típica, por lo que esta medición tiene que ser tuya.

¿De dónde saco los números de costo por segundo? Utiliza la tabla de instantáneas de fuentes en este artículo como referencia inicial, verifica contra los precios en vivo de TokenLab en el directorio de modelos, y luego calcula el costo real a partir de la duración real del trabajo utilizando la fórmula que se muestra arriba en lugar de asumir una tarifa plana, ya que la resolución y la configuración de audio cambian el precio por segundo en la mayoría de los proveedores.

¿Cuántos prompts necesito para un benchmark confiable? No hay ningún estudio publicado en este conjunto de evidencia que especifique un tamaño de conjunto de prompts óptimo para la evaluación de modelos de video. Este artículo utiliza 20 prompts divididos en complejidad corta, media y larga como punto de partida práctico que equilibra la cobertura frente al tiempo de revisión manual. Escala si tu caso de uso tiene más variedad de prompts, o reduce si estás haciendo una pantalla de primera pasada rápida antes de una prueba más grande.

¿Cómo automatizo la revisión humana si tengo que probar cientos de videos? Divídelo en dos niveles: comprobaciones técnicas automatizadas (coincidencia de duración, coincidencia de resolución, detección de archivos corruptos) ejecutadas en cada salida de forma gratuita, luego revisión humana en el 100% de los fallos del Nivel 1 más una muestra aleatoria del 10-15% de los pases. Un triaje de fotogramas basado en LLM puede reducir aún más el volumen de revisión humana, pero no tiene precisión medida en este conjunto de evidencia, así que valida su tasa de falsos negativos frente a una muestra revisada por humanos antes de confiar en ella.

¿Con qué frecuencia debería volver a ejecutar este benchmark? Como mínimo cada vez que caduque la instantánea SSOT del modelo de este artículo, aproximadamente siete días después de la observación (observada el 2026-07-07, caduca el 2026-07-14). Esa ventana está vinculada a la propia caducidad de este conjunto de evidencia, no a una recomendación de la industria independiente. Las versiones de los modelos de video y los niveles de precios cambian con la frecuencia suficiente como para que una ejecución de benchmark en el momento de la evaluación pueda quedar obsoleta en un trimestre.

Empieza ahora

Crea una clave API de TokenLab y ejecuta un conjunto de prompts fijos de este artículo contra dos modelos candidatos, uno del nivel de bajo costo (pixverse-v6, veo3.1-fast) y uno del nivel de mayor fidelidad (veo3.1, seedance-2.0), utilizando el código de latencia y cálculo de costos anterior. Consulta el directorio de modelos para conocer las tarifas actuales antes de cerrar un contrato con un proveedor.