WeVisCut: Tencent publica en acceso libre un agente de montaje de vídeo de 9.000 millones de parámetros
Investigadores de WeChat (Tencent) y de la Universidad de Xidian han publicado WeVisCut, un agente de 9.000 millones de parámetros que transforma un texto o un guion narrativo en un vídeo montado de varios minutos, con el código y el editor bajo licencia Apache 2.0 y los pesos en Hugging Face. En su propio banco de pruebas, empata con Claude Opus 5 generando unas 33 veces menos tokens.
Tencent abre un agente de montaje de vídeo completo. Investigadores de WeChat Vision y de la Universidad de Xidian han publicado WeVisCut, un modelo de 9.000 millones de parámetros que transforma un artículo o un guion de narración en un vídeo montado de varios minutos. El código, el editor y la cadena de producción de datos se publican bajo licencia Apache 2.0, y los pesos están disponibles en Hugging Face. Su licencia aún está por aclarar: el archivo de licencia del repositorio de GitHub los incluye en Apache 2.0, pero la ficha de Hugging Face remite a condiciones específicas para los pesos y los componentes de terceros.
Un único modelo pequeño en lugar de un equipo de agentes
La mayoría de los «montadores» basados en IA encadenan varios agentes dirigidos por grandes modelos generalistas. WeVisCut hace lo contrario: un solo modelo asume alternativamente el papel de director de orquesta, redactor y crítico. En cada etapa, lee el estado del proyecto y llama a una herramienta de entre doce: dividir el texto en capítulos, planificar los planos, generar la voz en off, buscar imágenes, rellenar plantillas de animación, elegir la música, renderizar un plano, evaluar el resultado, autocorregirse y ensamblar. Se necesitan, de media, una docena de llamadas por vídeo.
El resultado se abre en un editor, el Studio, con ocho pistas sincronizadas (capítulos, planos, narración, subtítulos, imágenes, plantillas, música y renderizado). En él se puede retocar un plano a mano o mediante conversación («sustituye la imagen en el minuto 0:15») y recalcular únicamente lo que ha cambiado.
Entrenamiento a partir de vídeos terminados
La dificultad, según explican los autores en su artículo de investigación, radica en que un vídeo terminado no conserva rastro alguno de las decisiones de montaje. Por ello, el equipo «desmontó» 3.750 vídeos comentados publicados en Bilibili (sobre ciencia, tecnología, finanzas, historia…) para rastrear la intención de cada plano y, a continuación, reprodujo ese montaje con sus propias herramientas, errores y correcciones incluidos. De ahí surgieron 134.771 ejemplos de entrenamiento, utilizados para ajustar Qwen3.5-9B en tres fases, dos de ellas de aprendizaje por refuerzo.
Empate con Claude Opus 5 por 33 veces menos tokens
Según las tablas de resultados del artículo, en un banco de pruebas de 100 tareas diseñado por el equipo, WeVisCut logra una puntuación global de 90,5, frente al 89,9 de Claude Opus 5 utilizado con las mismas herramientas. Sobre todo, genera 2.377 tokens por minuto de vídeo completado con éxito, frente a los 78.763 de Opus 5, lo que supone unas 33 veces menos. Frente a otros dos sistemas de investigación, Crayotter y VideoAgent, también queda por delante en las cinco métricas y según la opinión de tres evaluadores humanos. El modelo requiere unos 24 GB de memoria GPU de NVIDIA.
Nuestro análisis
WeVisCut apunta a un formato muy concreto: el vídeo divulgativo con voz en off e imágenes de apoyo, el tipo de contenido que abunda en YouTube y Bilibili. En este terreno, demuestra que un modelo pequeño y especializado puede competir con un modelo puntero por una fracción del coste, funcionando además en una sola tarjeta gráfica. Dos salvedades: las puntuaciones proceden de un banco de pruebas y de métricas elaborados por los autores, y la calidad final depende de las imágenes encontradas en la web, con las dudas sobre derechos de autor que esto plantea para un uso comercial. Para los creadores, el atractivo inmediato reside en que el editor permite realizar modificaciones tras el montaje automático, en lugar de entregar un vídeo cerrado.
Fuentes
- arXiv — WeVisCut: The Whole Editing Room in One Agent, From Narration to Long-Form Video (2610.38352) Fuente primaria
- GitHub — Tencent/WeVisCut Fuente primaria
- Hugging Face — tencent/WeVisCut Fuente primaria
- GitHub — Tencent/WeVisCut, archivo LICENSE Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
