DreamX-Creator y la apuesta por la generación nativa de audio y vídeo en una sola GPU

Mientras la generación de contenidos multimedia nativos sigue exigiendo infraestructuras imponentes —con modelos de pesos abiertos de la categoría de LTX-2.3, con 22 000 millones de parámetros, o MiniMax-H3, con 33 000 millones—, el 31 de agosto de 2026 se depositó en arXiv un estudio sobre DreamX-Creator (arXiv:2608.31106). El proyecto, cuyo repositorio oficial se inicializó el 1 de septiembre y se difundió con licencia Apache 2.0, acompaña a un generador conjunto de audio y vídeo de 7000 millones de parámetros con un módulo de refinamiento autorregresivo que la documentación del repositorio cifra en 5000 millones. Los pesos no están incluidos en el repositorio git, pero se distribuyen en Hugging Face —el repositorio menciona además una subida a ModelScope—, junto al código de inferencia publicado, según el changelog, el 3 de septiembre de 2026. La arquitectura separa el procesamiento de audio y vídeo en la primera mitad de la red para acoplarlos después mediante mecanismos de atención cruzada regulada por compuertas. Los autores definen el sistema como «el modelo más pequeño que combina las tres propiedades»: pesos descargables libremente, generación nativa de audio y vídeo y soporte de resolución 2K.

Los datos presentados en el trabajo científico indican que la salida a 2K se logra mediante un procedimiento de destilación que reduce el procesamiento a una única evaluación de eliminación de ruido por bloque temporal. En las pruebas del benchmark Verse-Bench realizadas por los propios autores —puntuaciones autodeclaradas, por ahora sin reproducciones independientes—, la versión base de 7000 millones registra una calidad de vídeo de 0,6568 y un índice de desincronización de 0,1902, colocándose por delante de LTX-2.3 y MiniMax-H3. El modelo queda sin embargo por detrás en fidelidad de audio, con una puntuación de calidad de 6,3519 frente al 6,7169 y el 7,0140 de las alternativas más grandes, y en las métricas de preferencia de contenido. Los propios autores reconocen abiertamente que «la fidelidad de audio y la alineación intermodal siguen siendo las principales áreas de mejora».

Más allá de las métricas declaradas, el análisis del proyecto revela varios detalles metodológicos ausentes. El artículo no especifica parámetros técnicos fundamentales como la duración máxima de los clips generados, los fotogramas por segundo o los tiempos reales de cálculo, y se limita a citar el benchmark VBench sin aportar sus resultados. Falta también la indicación de los requisitos exactos de memoria para el hardware de destino. La trazabilidad y la adopción real muestran igualmente elementos de incertidumbre: la página oficial del modelo en Hugging Face no presenta metadatos completos ni un recuento de descargas, y el sistema no está accesible en proveedores externos de inferencia. Por último, la afiliación de las siglas del repositorio de GitHub al grupo empresarial Amap no encuentra por ahora confirmación formal en las páginas institucionales oficiales de la compañía.

El elemento central del lanzamiento sigue siendo el soporte de inferencia en una sola GPU, tal como declara el repositorio. A falta de reproducciones independientes de las puntuaciones, quedan por verificar los fotogramas por segundo efectivos, la duración máxima de los clips y las estadísticas de adopción, mientras que la hoja de ruta anunciada por los desarrolladores prevé versiones destiladas con menos pasos de muestreo para reducir la latencia. — Olya