Nano Banana 2.1 y Hailuo 3.0 se combinan: video a partir de una sola foto

La tarea se divide en dos pasos: si no tienes tu propio fotograma, lo creas en Nano Banana 2.1 y luego lo animas en Hailuo 3.0. Se trata del lanzamiento de Google del 6 de octubre de 2026 (el modelo gemini-nano-banana-2.1) y del servicio de video de MiniMax, lanzado oficialmente el 31 de julio de 2026 bajo el nombre MiniMax H3 (en agregadores aparece como Hailuo Minimax 3.0, y en la API como Hailuo-03). Todos son nombres del mismo modelo.

Nano Banana 2.1: generación pensada para el movimiento

Nano Banana 2.1 es la actualización de Google a Nano Banana 2, posicionada como una alternativa más económica a Nano Banana Pro. Está diseñada para la generación y edición de imágenes.

Funciones:

• Tres resoluciones: 1K, 2K, 4K (1K por defecto)
• Edición por diálogo: se puede pedir que cambie un solo detalle y el resto permanece igual
• Hasta 14 imágenes de referencia para definir el estilo
• Conservación de la apariencia de hasta 4 personajes y hasta 10 objetos
• Tres niveles de razonamiento previos a la generación: mínimo, medio (por defecto), alto
• Marca de agua SynthID en todos los resultados

Un fotograma creado en Nano Banana 2.1 ya debe contener una fase de acción clara: una pose captada a mitad de un paso, cabello o tela movidos por el viento, un objeto al borde de una mesa. Un fotograma así responde por sí solo a la mitad de las preguntas sobre el tiempo.

Hailuo 3.0: video a partir de un fotograma con parámetros

El modelo comprende el contexto a partir de texto, imágenes, video y audio, y genera video con sonido estéreo. Según el anuncio oficial, sus puntos fuertes son el seguimiento preciso de instrucciones, el renderizado exacto de texto y marcas, y la transferencia de movimiento desde un video de referencia. El desarrollador reconoce que el detalle de la imagen todavía debe mejorarse en algunos escenarios.

Parámetros técnicos:

• Video: 4-15 segundos, en números enteros
• Resolución: 768P o 2K
• Soporte de sonido estéreo
• Formatos: 21:9, 16:9, 4:3, 1:1, 3:4, 9:16
• Formatos de imagen admitidos: JPG, JPEG, PNG, WEBP, HEIC, HEIF
• Tamaño de archivo: hasta 30 MB
• Tamaño de imagen: 256-5760 px
• Relación de aspecto: 0,4-2,5
• Longitud del prompt: hasta 7000 caracteres
• En modo imagen a video, el video conserva las proporciones de la imagen de origen

Física del movimiento: datos de un estudio independiente

El estudio independiente Physion-Eval (Physion Labs, Stanford, MIT, Harvard; preprint arXiv 2603.19607) probó cinco modelos de video: Sora 2, Veo 3.1 Fast, Kling 2.5, Hailuo 2.3, Wan 2.2. Expertos con formación en física marcaron errores en 1719 clips de tercera persona y 423 de primera persona. Las condiciones se acercan a la tarea de video a partir de foto: el primer fotograma de un video real más su descripción en texto.

Resultados de Hailuo 2.3 en tercera persona: 93,1% de los clips con al menos un fallo, 1,42 fallos por clip, gravedad de los fallos en una escala de 1 a 5: 3,61.

Promedio de los cinco modelos en tercera persona: 83,3%, 1,28, 3,10.

Mejor resultado (Kling 2.5): 73,8% de los clips con fallos.

En primera persona, Hailuo 2.3: 92,0% de los clips con fallos, 1,92 fallos por clip, gravedad 3,86.

Promedio en primera persona: 93,5%, 1,56, 3,32.

Errores frecuentes: ruptura de la coherencia temporal (los detalles cambian de color o forma sin motivo), incoherencia de material o estado, y pérdida de la permanencia de los objetos. Los procesos tranquilos (llamas, atardeceres) resultan verosímiles. Los fallos aparecen en escenas con contacto, cambios irreversibles y transiciones abruptas: golpes, cortes, roturas, derrames.

Cuatro reglas prácticas

Aporta el eje temporal faltante mediante verbos visibles y cadenas de acción: golpeó — se inclinó — cayó — impactó — rodó — se derramó. Mantén un solo mecanismo principal por clip. Elige fotogramas con una fase de movimiento clara. Utiliza imágenes con bordes nítidos, una sola fuente de luz y un mínimo de texto pequeño.