Sora 2 vs Veo 3 para video marketing en español: experimentos reales

Llevo meses comparando generadores de video. La pregunta que me hacen siempre: "¿Sora 2 o Veo 3 para mis campañas?" La respuesta honesta es que depende del tipo de pieza, del idioma y de cuánto control de cámara necesitas. Te cuento qué probé, qué funcionó y qué no.

El setup del experimento

Diseñé 14 prompts pensados para video marketing real, no para demos virales. La idea era cubrir los formatos que un equipo de mercadeo en LatAm pide cada semana.

• 3 anuncios cortos de producto (CPG, retail, F&B).
• 3 escenas de lifestyle con personas hispanohablantes en contexto urbano LatAm.
• 2 voiceovers en español neutro sobre B-roll generado.
• 2 piezas testimoniales estilo "cliente cuenta su experiencia".
• 2 escenas con producto en mano, con foco selectivo.
• 2 transiciones cinematográficas para abrir o cerrar campañas.

Mismo prompt para los dos sistemas. Tres pasadas por prompt para no juzgar por una sola corrida con suerte. Lo que sigue es lo que aprendí.

Realismo facial y cuerpos en movimiento

Los dos sistemas mejoraron mucho en manos, dientes y ojos respecto a generaciones anteriores. Aun así, en planos cerrados de cara hablando, Veo 3 me dio menos sustos. Sora 2 tiene una estética más cinematográfica, casi de comercial premium, pero a veces empuja la cara a un territorio de "casi humano" que enfría al espectador.

Para escenas con grupos de personas, Sora 2 maneja mejor la coreografía. Veo 3 a veces deja a alguien congelado en el fondo o le mete dos pies izquierdos a un extra. Si tu pieza vive de extras y movimiento ambiental, Sora 2 va con ventaja.

Control de cámara y dirección

Esto es lo que más me importa como marketer. No quiero un video bonito; quiero un video que respete el shot list que tengo en la cabeza.

Veo 3

Responde bien a instrucciones tipo "plano medio, dolly in lento, profundidad de campo corta". Cuando le pides "corte a primer plano del producto", suele entregar lo que pediste. La consistencia entre tomas del mismo escenario es notable; los personajes se parecen entre cortes.

Sora 2

Te da más libertad para movimientos de cámara complejos. Una grúa que sube y rota mientras el sujeto camina, eso lo hace mejor. La contra: la consistencia entre tomas es más floja. El mismo personaje puede cambiar sutilmente de cara o de ropa entre cortes.

Si vas a hacer un anuncio de 6 a 15 segundos con un solo plano largo, Sora 2 luce mejor. Si vas a editar 4 a 6 cortes con el mismo personaje, Veo 3 te ahorra dolor.

Voz, doblaje y español neutro

Aquí está el filtro real para LatAm. La promesa de generar video con voz nativa en español cambia el costo de producción de manera importante. La realidad: mejoró, pero todavía no es plug-and-play.

Veo 3 con voz integrada me dio resultados decentes en español neutro para frases cortas y declarativas. Funciona para slogans, claims, llamadas a la acción. Para diálogos largos o emocionales, todavía se siente un poco plástico.

Sora 2 puede acompañar la imagen con audio ambiente y pistas, pero para voiceovers serios sigo recomendando generar el video sin voz y mezclar locutor humano por encima en post. Te queda más caro, sí. Te queda más vendible, también.

Costos relativos y velocidad de iteración

No te voy a tirar precios oficiales porque cambian seguido y porque depende del plan. Lo que importa es el costo real del experimento.

• Una pieza usable rara vez sale en la primera pasada. Presupuesta entre 6 y 20 generaciones por toma final.
• El tiempo de generación es tu cuello de botella, no el dinero. Si esperas 3 a 6 minutos por toma, una sesión productiva son 3 a 4 horas para una pieza de 15 segundos.
• Iterar prompts a las 11 de la noche es tentador y caro. Trabaja en bloques de 2 horas con criterio claro de "se va o se queda".

Dónde brilla cada uno (resumen ejecutivo)

Sora 2

• Tomas largas con cámara compleja.
• Estética cinematográfica para piezas de marca.
• Escenas con muchos extras o ambiente vivo.
• Transiciones de apertura o cierre con impacto visual.

Veo 3

• Anuncios cortos editados con varios cortes.
• Consistencia de personaje entre tomas.
• Voiceover integrado para claims simples.
• Producto en mano y planos descriptivos.

Casos de uso reales que sí funcionan hoy

No todo lo que sale del modelo es para una campaña pagada. Estos son los usos donde la calidad ya alcanza:

• Concepts y mood films internos. Para vender una idea a dirección antes de pedir presupuesto de rodaje.
• B-roll genérico para llenar piezas educativas, tutoriales o newsletters de la marca.
• Variantes para A/B en social. Generas 4 versiones del mismo anuncio con tono distinto y dejas que la métrica decida.
• Storyboards animados para alinear con agencias y productoras antes del rodaje real.
• Contenido orgánico de bajo riesgo: posts, reels, historias donde la marca tolera estética AI.

Limitaciones honestas para LatAm

Esto es lo que no te van a contar en el demo:

• Rasgos hispanos diversos siguen siendo un problema. Pide "mujer mexicana de 40 años" y a veces te entrega algo más parecido a una postal española.
• Calles, casas y barrios LatAm con autenticidad cuestan más prompts. Los modelos sesgan a estética suburbio gringo.
• Texto en pantalla en español todavía sale mal. Logos y tipografía en cuadro: olvídalo, agrégalos en post.
• Marcas reconocibles: el modelo va a esquivarlas o a deformarlas. Si necesitas tu producto en cuadro, mejor compositing con material real.

Qué hago yo

yo recomiendo esto como flujo realista para 2025: usa Veo 3 cuando la pieza vive de cortes editados con un personaje consistente y un voiceover simple en español. Usa Sora 2 cuando la pieza vive de un plano largo con cámara compleja o de estética premium para marca. Para cualquier producto en cuadro o texto en pantalla, sigue habiendo post-producción real. Y para voiceovers que cuentan una historia, locutor humano gana por mucho.

El cambio profundo no es que ya puedas hacer un comercial sin equipo. Es que puedes probar 4 conceptos en una tarde antes de comprometer presupuesto. Esa es la palanca.