Generador de vídeo con IA con sonido: modelos y precios

Un vídeo con IA mudo es solo la mitad del trabajo

Algunos modelos de vídeo con IA entregan el clip sin sonido. En un móvil silenciado se ve bien, pero para publicarlo todavía faltan la voz, los efectos y el ambiente. Cada uno hay que grabarlo o buscarlo y luego cuadrarlo con la imagen fotograma a fotograma. Con un personaje que habla es la parte más difícil, porque los labios tienen que coincidir con las palabras.

Qué cambia cuando el sonido se genera con la imagen

El vídeo con IA con sonido en una sola pasada es un clip en el que el modelo genera a la vez la imagen y la pista de audio: la frase de un personaje, los pasos, el ruido de la calle. Recibes un único MP4 en el que el movimiento de los labios encaja con las palabras desde el principio. No hay doblaje aparte ni pistas que mover en una línea de tiempo.

Actualización del 13 de octubre de 2026: este artículo trataba antes de Veo 3.1. Fattly ya no ofrece ese modelo, porque el proveedor a través del cual lo servíamos desactiva su acceso a Veo 3.1 el 22 de octubre de 2026. Veo 3.1 sigue siendo un modelo de Google y está disponible en los productos de Google. Google indica como sucesor Gemini Omni 1.1 Flash, que en Fattly encontrarás como Gemini Omni Flash 1.1. Lo que sigue describe solo lo que funciona hoy aquí.

¿Qué modelos de Fattly generan vídeo con sonido?

En el generador de vídeo eliges entre 13 modelos. Generan el sonido junto con la imagen Gemini Omni Flash 1.1, Seedance 2.5 y Kling 3.0 Pro. Los tres trabajan a partir de un texto o de una imagen inicial.

En el resto de modelos de la lista no prometemos sonido. Si la pista de audio te importa, elige uno de los tres primeros de la tabla. El coste exacto del clip aparece en el botón «Generar vídeo» antes de que hagas clic.

¿Cómo se hace un vídeo con sonido, paso a paso?

• Describe la escena en una a tres frases: quién, dónde, qué hace y qué se oye. Puedes escribir en español, porque traducimos la descripción al inglés antes de enviarla al modelo.
• Escribe entre comillas la frase que debe decir el personaje. El texto entre comillas no se traduce y llega al modelo palabra por palabra.
• Elige modelo y duración, ajusta la proporción (16:9 o 9:16) y pulsa «Generar vídeo». El clip suele estar listo en 1–3 minutos.

Un prompt para copiar: Una mujer con jersey verde está sentada a la mesa de una cafetería y dice a cámara: «Llevaba tres meses buscando un café así.» De fondo, murmullo de conversaciones y tintineo de tazas. Cámara fija, luz cálida.

¿Solo tienes una idea suelta? El botón «Mejorar prompt» convierte gratis unas pocas palabras en una descripción completa de la escena. Si la generación falla o la moderación bloquea el resultado, los créditos vuelven automáticamente.

¿El vídeo puede hablar español?

Todavía no lo prometemos. Kling 3.0 genera voz en inglés y en chino y pasa al inglés las frases escritas en otros idiomas, así que para diálogos en español no sirve. Quedan Gemini Omni Flash 1.1 y Seedance 2.5. Por ahora solo hacemos una recomendación expresa para otro idioma: el polaco en Gemini Omni Flash 1.1, según nuestras pruebas de octubre de 2026. El español aparece en el campo «Idioma» marcado como beta.

Si necesitas español, escribe la frase entre comillas, genera un solo clip con Gemini Omni Flash 1.1 (144 créditos por 8 s) y escúchalo con atención antes de planificar una serie. Si la misma voz tiene que sonar en todos los clips, es más previsible una locución con IA aparte, que colocas bajo el vídeo en tu editor.

¿Cuánto cuesta un vídeo con IA con sonido?

Pagas créditos por clip. Kling 3.0 Pro cuesta 80 créditos por 5 s y 160 por 10 s. Gemini Omni Flash 1.1 son siempre 144 créditos por 8 s. Seedance 2.5 es el más caro: 300 créditos por 5 s, 600 por 10 s y 1800 por los 30 s completos.

Con honestidad sobre los créditos gratis: al registrarte recibes 10 créditos sin tarjeta y no alcanzan para ningún clip de vídeo. El clip mudo más barato (LTX-2, 6 s) cuesta 30 créditos y un clip con sonido, 80. Con 10 créditos sí puedes preparar una imagen inicial en el generador de imágenes (desde 1 crédito). El paquete más pequeño tiene 150 créditos: un clip de Gemini Omni Flash 1.1, o un clip de 5 segundos de Kling 3.0 Pro y dos de prueba con LTX-2. Los créditos no caducan y la suscripción mensual es opcional. Los precios actuales de los paquetes están en la página de precios.

¿Qué no sabe hacer todavía el vídeo con sonido?

• Formatos largos. Gemini Omni Flash 1.1 hace siempre 8 s, Kling 3.0 Pro 5 o 10 s y Seedance 2.5 como máximo 30 s. Un vídeo más largo lo montas con varios clips.
• Textos largos. En 8 segundos cabe una frase, como mucho dos cortas, así que reparte un texto más largo en varios clips.
• Elegir la voz. El generador de vídeo no tiene lista de voces ni ajustes separados para música y efectos. Describes el sonido en el prompt, el modelo lo elige y el mismo personaje puede sonar distinto en el clip siguiente.
• Silencio a voluntad. Los modelos con sonido no tienen un interruptor para quitarlo. Para un clip mudo, elige LTX-2 o LTX-2.5.
• Más idiomas recomendados. Fuera del inglés (Kling 3.0 Pro) y el polaco (Gemini Omni Flash 1.1), todavía no recomendamos ningún modelo para español, alemán o francés.
• Alta resolución en todos los modelos. Gemini Omni Flash 1.1 y Seedance 2.5 generan aquí clips en 720p.

¿Cuándo conviene más un clip sin sonido?

Cuando de todos modos vas a poner música o tu propia locución: un bucle para una publicación, una foto de producto animada, un fondo para subtítulos. LTX-2 cuesta entonces 30 créditos por 6 s y te deja comprobar el movimiento antes de gastar más en un modelo con sonido. El paso a paso para fotos está en cómo animar una foto con IA, y comparamos herramientas de todo el mercado en el mejor generador de vídeo con IA.