
Generación de video de FastFrames vs. Google Veo 3.1: tiempo real frente a película terminada
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 120 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
Estos dos sistemas no compiten por el mismo trabajo, y la forma más rápida de verlo es preguntar qué se niega a hacer cada uno. FastFrames Video Generation, que Apple lanzó el 16 de noviembre de 2026 con el artículo publicado el 17, no te dará un archivo que puedas entregar a un cliente: llega como máximo a 480p, no tiene sonido y no dispone de ningún endpoint alojado. Google Veo 3.1 no te dará un fotograma en menos de un segundo: el nivel estándar se factura por minuto de resultado final, y su latencia se mide en decenas de segundos. Uno es infraestructura para algo interactivo. El otro es una productora. Compararlos solo por calidad sería comparar una cámara con un equipo de rodaje.
Seis dimensiones, y quién midió cada una
Empieza por lo que se mide y ten cuidado con quién lo midió. Las cifras de Veo 3.1 que aparecen a continuación provienen de los tableros de vídeo de Artificial Analysis tal como se capturaron en octubre de 2026, antes de que existiera FastFrames. Las cifras de FastFrames provienen de la Tabla 1 del propio artículo de Apple, con los mismos prompts y semillas a 480p. Ningún organismo independiente ha ejecutado FastFrames, y ningún tablero lo ha puntuado. Donde veas una cifra de Veo, es una medición de terceros; donde veas una cifra de FastFrames, es una afirmación del proveedor.
• Latencia — FastFrames-S a 36 ms por fotograma en un solo B200, aproximadamente 28 solicitudes por segundo frente a Veo 3.1 con decenas de segundos por clip, que se vende por duración en lugar de por fotograma.
• Resolución: FastFrames a 832×480, sin otra opción frente a Veo 3.1 en 720p, 1080p y 4K nativo según el nivel.
• Audio — FastFrames no genera ningún audio en absoluto, frente al estéreo nativo a 48 kHz de Veo 3.1 con diálogo, música y efectos en la misma llamada, y con generate_audio desactivado por defecto.
• Precio — FastFrames no tiene precio porque no tiene endpoint; compras GPUs frente a Veo 3.1 a $24.00 por minuto de salida, o $9.00 en el nivel Fast y $4.80 en Lite.
Acceso — FastFrames como pesos descargables bajo la licencia AMLR de Apple, autoalojado en Linux con CUDA 12.8 frente a Veo 3.1 a través de la API de Google y plataformas de terceros, sin pesos.
• Procedencia — FastFrames no publica ninguna, mientras que Veo 3.1 incorpora marcas de agua SynthID y credenciales de contenido C2PA en cada resultado.

Lo que Veo 3.1 realmente te aporta
La propuesta de Veo 3.1 no es «el mejor aspecto». Es «acabado». El modelo recibe un prompt de texto, hasta tres imágenes de referencia, una semilla y un prompt negativo, y devuelve un clip de 4, 6 u 8 segundos con estéreo sincronizado a 48 kHz: diálogo, ambiente y efectos generados junto con la imagen, y el movimiento de los labios ajustado al habla. La extensión de escena encadena esos clips. Los niveles añaden resolución hasta 4K nativo. Cada archivo lleva una marca de agua SynthID y una credencial C2PA, que es la diferencia entre un recurso que un equipo legal autorizará y uno que no.
En cuanto a calidad, es bueno y no es líder. En la captura de octubre de 2026 del ranking de imagen a vídeo de Artificial Analysis, Veo 3.1 ocupaba el duodécimo puesto con Elo 1.082 y un intervalo de ±7 sobre 7.040 muestras. El nivel Fast ocupaba el decimoséptimo puesto con 1.066 ±6 sobre 14.688 muestras, y el nivel Lite el decimoquinto con 1.071 ±8 sobre 5.122: tres niveles, con una calidad estadísticamente indistinguible y precios cinco veces distintos. En el ranking de texto a vídeo, ocupó el decimonoveno puesto con 962 ±10 sobre aproximadamente 3.000 muestras. Si se leen en conjunto, la conclusión práctica es que la elección de nivel de Veo 3.1 es una decisión de presupuesto, no de calidad, y que su verdadera ventaja competitiva es el audio, el 4K y la procedencia, más que el Elo.
Lo que FastFrames está demostrando en realidad
La afirmación interesante del comunicado de Apple es más específica que «un modelo de vídeo más rápido» y mucho más difícil de descartar. La difusión de vídeo autorregresiva es lenta por razones que poco tienen que ver con el transformer: el autoencoder variacional que convierte los latentes de nuevo en píxeles domina el presupuesto, y la actualización de la caché KV que lleva el contexto al siguiente bloque también. Apple sustituyó el primero por un decodificador de píxeles de 63,87 millones de parámetros —tres bloques ConvNeXt causales y una cabeza lineal— y el segundo por una red de refinamiento de cuatro bloques con tronco compartido que cuesta 2 milisegundos en el modelo pequeño y 6 en el grande. El DiT se congela en la etapa final.
• Decodificación VAE — unos 147 ms por fotograma pasan a ser aproximadamente 1 ms.
• DiT, 1.3B — 41,6 ms pasan a 16,4 ms, o 5,8 ms distribuidos entre ocho GPU.
• DiT, 14B — 89,2 ms pasa a 75,6 ms, o 20,3 ms en ocho GPU.
• Causal Forcing++ en total, 1,3B — 271,8 ms pasa a 35,8 ms, una reducción de 7,6×.

Ambos checkpoints se destilan de Wan2.1 —FastFrames-S de Wan2.1-T2V-1.3B, FastFrames-L de Wan2.1-T2V-14B— usando la receta Causal Forcing++, y el decodificador de píxeles se entrenó durante aproximadamente una semana en 32 B200 sobre 150.000 rollouts, con una pasada adversarial en ocho B200 contra un discriminador DINOv3 ViT-S/16 congelado. Las cifras de VBench de los autores sitúan a FastFrames-S en 84,23 y a FastFrames-L en 84,44, frente a 84,11 de la línea base de la que se destiló y 84,42 de Krea-Realtime, que se ejecuta a 1.675 ms por fotograma.
Dos cosas para las que no se puede usar FastFrames, y una para la que sí
No puede reemplazar un clip ya entregado.
480p es un límite máximo estricto en la configuración publicada. Apple informa de una latencia de 720p: 127 ms por fotograma en el modelo pequeño y 116 ms en el grande con ocho GPU, pero no se incluyen pesos ni ajustes para 720p. No hay ninguna ruta de audio, así que cualquier talking-head, demostración de producto con locución en off o cualquier cosa que un cliente vaya a ver con sonido necesita un pipeline de audio independiente. Y con 12,8 segundos por clip para el 14B en una sola GPU, el modelo grande es más lento que la reproducción, salvo que tengas un nodo propio.
No se puede llamar
No hay ningún endpoint de Apple. FastFrames es una versión de investigación: los pesos están en Hugging Face bajo la licencia AMLR, el código en GitHub y una aplicación de demostración de LingBot-World v2 bajo CC BY-NC-SA 4.0 — no comercial. Para usarlo necesitas Linux x86-64, una GPU NVIDIA, CUDA 12.8, uv sync y un directorio de checkpoints. Eso es un problema de adquisición antes que técnico.

Puede hacer que un bucle en vivo se sienta vivo.
A 36 ms por fotograma, FastFrames-S en una B200 produce vídeo 1,7 veces más rápido de lo que se reproduce. Ese es el umbral en el que una vista previa generativa responde a la entrada en uno o dos fotogramas, lo que hace que los avatares en streaming, los modelos del mundo controlables y el prototipado interactivo sean productos distintos en lugar de versiones más lentas. Las propias demostraciones de Apple convierten en interactivos dos sistemas existentes: la variante 1.3B de LingBot-World pasa de 1.085 a 52 ms por fotograma, una reducción de 16×, y su 14B, de 3.862 a 233. RealWonder 1.3B pasa de 1.141 a 51. Ninguno de ellos es tampoco un sustituto de Veo —son cosas que Veo no puede hacer a ningún precio, porque ninguna API alojada cobra por fotograma en una sesión.
Si necesitas enviar algo este trimestre
La regla de decisión es breve. Si el entregable es un archivo —un anuncio, un vídeo de producto, un vídeo explicativo con voz—, Veo 3.1 es la herramienta acabada y FastFrames no puede entrar en la conversación, porque no puede darte sonido ni 1080p. Si el entregable es una experiencia —una demo en vivo, un personaje interactivo, una herramienta en la que una persona dirige y ve el resultado de inmediato—, ningún modelo de vídeo alojado hace esto hoy, FastFrames es la vía abierta más creíble para lograrlo, y el coste es una GPU y una revisión de licencia.
Existe un tercer caso, y es el habitual: un equipo que quiere averiguar si merece la pena construir el caso interactivo. Crear un prototipo de eso contra un modelo alojado es más barato que comprar tiempo de B200, y OrcaRouter es donde el lado alojado se resuelve con una sola clave: el mismo endpoint cubre Kling 3.0, Kling 3 Turbo y Kling Video O1 junto con MiniMax H3, todo con los precios de lista del proveedor y un 0 % de margen, de modo que un cambio de tarifa del proveedor aparece en tu factura el mismo día en que se produce. FastFrames en sí no figura en ese catálogo y no lo servimos; nada en esta versión cambia lo que alojamos. Lo que compra una sola clave es la capacidad de medir qué latencia toleran realmente tus usuarios antes de comprometer hardware para superarla.
Adónde va esto a continuación
La brecha entre los dos sistemas es una brecha en lo que hace el silicio durante la generación, y se cerrará desde ambos extremos. Los proveedores alojados ya venden niveles más rápidos, y la técnica del decodificador de píxeles es independiente del modelo en principio: se entrena por modelo base, pero nada en ella exige Wan2.1. La versión de esta comparación que importa está a dieciocho meses vista: un modelo alojado de 1080p con audio que devuelva un clip en menos de un segundo, con precio por segundo en lugar de por minuto. Hasta que eso exista, el resumen honesto es que FastFrames ganó la carrera de latencia en una categoría en la que Veo no compite.
