Veo 3.1 y Wan 2.6 son modelos de video que generan el sonido junto con la imagen, pero se adaptan a trabajos distintos. Wan 2.6, de Alibaba, crea clips más largos (hasta 15 segundos), puede dividir un prompt en varias tomas por su cuenta y admite videos de referencia de un personaje, incluida su voz. Veo 3.1, de Google DeepMind, crea clips más cortos que siguen con fidelidad un prompt detallado, con control de los fotogramas inicial y final y una opción 4K.
Esta comparativa explica qué supone en la práctica cada diferencia. Las especificaciones se revisaron el 28 de septiembre de 2026 con la documentación de Alibaba Cloud y de Google.
La respuesta corta
- Elige Wan 2.6 para clips de 10 a 15 segundos, secuencias automáticas de varias tomas, formatos cuadrados o 4:3, o cuando quieras trasladar desde un video de referencia el aspecto y la voz de un personaje.
- Elige Veo 3.1 para una única toma dirigida con precisión, una transición entre dos fotogramas conocidos, un máster en 4K o un diálogo escrito frase a frase en el prompt.
- Ninguno se puede descargar. Wan 2.6 es un modelo alojado en la nube, como Veo 3.1; los pesos públicos de Alibaba llegan solo hasta Wan 2.2.
Especificaciones de Veo 3.1 vs Wan 2.6
| Veo 3.1 (Google DeepMind) | Wan 2.6 (Alibaba) | |
|---|---|---|
| Lanzamiento | 15 de octubre de 2025 (mejoras de 4K y vertical el 13 de enero de 2026) | 16 de diciembre de 2025 |
| Duración del clip | 4, 6 u 8 segundos en la API de Google (8 s para 1080p y 4K) | De 2 a 15 segundos (referencia a video: de 2 a 10 segundos) |
| Resolución | 720p, 1080p, 4K (Google describe el 4K como reescalado) | 720p, 1080p |
| Relaciones de aspecto | 16:9, 9:16 | 16:9, 9:16, 1:1, 4:3, 3:4 |
| Varias tomas | Una toma por defecto; cortes solo si los pides en el prompt | Modo de varias tomas integrado |
| Puntos de partida | Texto; una imagen inicial; fotogramas inicial y final; hasta 3 imágenes de referencia | Texto; una imagen como primer fotograma; hasta 5 referencias (hasta 3 videos, hasta 5 imágenes) |
| Audio | Se genera con el video: diálogo, efectos, ambiente | Se genera automáticamente, o aportas tu propia pista de audio |
| Pesos | Sin pesos públicos; alojado por Google | Sin pesos públicos (Hugging Face llega hasta Wan 2.2); alojado por Alibaba |
| Dónde usarlo | App Gemini, Flow, API de Gemini, Vertex AI; Veo Video | Alibaba Cloud Model Studio, el sitio web de Wan, app Qwen |
Duración del clip: 8 segundos frente a hasta 15
El modelo de texto a video de Wan 2.6 acepta cualquier número entero de segundos entre 2 y 15. Esa duración extra es útil para una acción continua que necesita tiempo para desarrollarse, o para un anuncio corto que no conviene repartir entre varias generaciones. Su modelo de referencia a video llega como máximo a 10 segundos.
Veo 3.1 trabaja con unidades más cortas: 4, 6 u 8 segundos en la API de Google, y 1080p y 4K requieren los 8 completos. Las herramientas de Google pueden ampliar un clip (la API añade 7 segundos por paso, hasta 20 veces, a 720p), pero la mayoría de los proyectos largos con Veo se construyen como varias tomas de 8 segundos montadas. La ventaja es que cada toma se puede volver a generar sin tocar el resto.
Narración con varias tomas
Alibaba presenta la «narración inteligente con varias tomas» como una de las funciones estrella de Wan 2.6. En la API se activa con un ajuste de varias tomas (junto con la ampliación automática del prompt), y el modelo divide la idea en varias tomas manteniendo coherentes los detalles clave. Resulta práctico cuando quieres una secuencia (plano de situación, acción, reacción) y no quieres planificar cada corte tú mismo.
Veo 3.1 genera por defecto una sola toma continua. Aun así, puedes pedir cortes en el prompt, y el modelo a menudo cambia de encuadre dentro de los 8 segundos, pero eres tú quien lo dirige de forma explícita en lugar de dejar el plan de tomas en manos del modelo.
Qué significa para ti: si prefieres que el modelo estructure una secuencia corta, Wan 2.6 hace más parte de ese trabajo. Si quieres controlar cada toma, el enfoque de una toma por generación de Veo 3.1 es más fácil de dirigir.
Referencias: video frente a imágenes
El modelo de referencia a video de Wan 2.6 admite hasta cinco referencias, de las cuales hasta tres pueden ser videos (de 1 a 30 segundos cada uno) y hasta cinco pueden ser imágenes. Cada referencia debe mostrar un único personaje u objeto. Según Alibaba, el modelo extrae de ellas el aspecto del personaje y su voz (si la hay), así que un clip corto de una persona hablando puede trasladar a la nueva escena tanto su imagen como su voz.
Veo 3.1 usa imágenes fijas. Puedes darle hasta tres imágenes de referencia de una persona, un personaje o un producto para mantenerlos coherentes (Google lo llama Ingredients to Video), o fijar un primer y un último fotograma y dejar que el modelo construya el movimiento entre ambos. Las imágenes fijas son más fáciles de preparar; un video de referencia aporta más información, como la forma de moverse y de sonar de alguien.
Audio
Los dos modelos generan el sonido junto con el video.
Veo 3.1 genera diálogo, efectos de sonido y ambiente, y tú los diriges desde el prompt: frases habladas entre comillas, efectos con nombre y un ambiente descrito.
Wan 2.6 genera automáticamente música de fondo y efectos de sonido acordes, o bien usa un archivo de audio que tú subes. Esa segunda opción es útil cuando la banda sonora ya existe (una voz en off, una sintonía) y la imagen tiene que seguirla.
Resolución y formatos
Veo 3.1 ofrece 720p, 1080p y 4K en 16:9 o 9:16. Google describe su 4K como un reescalado de última generación, así que considéralo un máster más nítido para pantallas grandes.
Wan 2.6 ofrece 720p y 1080p, pero en cinco formas: 16:9, 9:16, 1:1, 4:3 y 3:4. Si necesitas publicaciones cuadradas o encuadres 4:3 directamente desde el modelo, Wan 2.6 te ahorra un recorte.
Código abierto frente a modelo alojado
Las versiones anteriores de Wan eran modelos de pesos abiertos, y por eso a menudo se describe Wan como código abierto. Eso ya no se aplica a Wan 2.6. La página de Wan-AI de Alibaba en Hugging Face publica pesos hasta Wan 2.2, y Wan 2.6 se ofrece a través de Alibaba Cloud Model Studio, el sitio web de Wan y la app Qwen. Si ejecutar un modelo en tu propia GPU es un requisito, la versión que te interesa es Wan 2.2, no Wan 2.6.
Veo 3.1 también está solo alojado en la nube: accedes a él a través de los productos y la API de Google, o de plataformas como Veo Video.
Desde Wan 2.6, Alibaba también ha lanzado versiones más recientes de Wan, entre ellas Wan 3.0, que su documentación indica con hasta 30 segundos por generación. Si hoy estás eligiendo un modelo Wan, compara también con la versión actual.
¿Cuál deberías elegir?
| Tu proyecto | Mejor opción | Por qué |
|---|---|---|
| Una toma única de 10 a 15 segundos | Wan 2.6 | Hasta 15 segundos por clip |
| Una secuencia corta que el modelo planifica por ti | Wan 2.6 | Modo de varias tomas integrado |
| Un personaje cuya voz debe mantenerse | Wan 2.6 | Los videos de referencia transmiten el aspecto y la voz |
| Una toma principal precisa o un clip de producto | Veo 3.1 | Gran fidelidad al prompt, fotogramas inicial y final |
| Una transición que acaba en un fotograma conocido | Veo 3.1 | Control del primer y el último fotograma |
| Un máster en 4K | Veo 3.1 | 720p, 1080p y 4K |
| Publicaciones cuadradas o 4:3 para redes | Wan 2.6 | Cinco relaciones de aspecto |
| Shorts, Reels o TikTok en vertical | Cualquiera de los dos | Ambos admiten 9:16 |
Probar Veo 3.1 en Veo Video
Wan 2.6 no se ofrece en Veo Video; Veo 3.1 sí, en tres niveles. Cada generación es un clip de 8 segundos con sonido, en 16:9 o 9:16, a 720p, 1080p o 4K. Puedes partir de texto o de una foto y añadir un fotograma final en cualquier nivel; las imágenes de referencia funcionan con Veo 3.1 Fast, con hasta tres imágenes por clip.
Prepara el prompt con Veo 3.1 Lite a 720p y luego genera la versión definitiva con el nivel Veo 3.1 completo. Las cuentas nuevas reciben 30 créditos gratis, suficientes para un clip de Veo 3.1 Lite a 720p.
Para más comparativas, consulta Veo 3.1 vs Seedance 2.0 y Veo 3.1 vs Kling AI.