Videos musicales de IA de $100 muestran grandes diferencias entre Claude y GPT

Un pequeño benchmark de código abierto puso a Claude Fable 5 y GPT-5.6 Sol frente a la misma tarea inusualmente abierta: tomar “Uptown Funk” de Bruno Mars y Mark Ronson, una transcripción de la letra y un presupuesto fijo, y luego producir de forma autónoma un vídeo musical completo.

La configuración la proporcionó TryAI, que construyó un bucle de agente con seis herramientas: plan, web_search, get_budget, generate_image, generate_video y run_command con ffmpeg/ffprobe. Los modelos podían investigar generadores de vídeo, elegir cualquier modelo FAL o de Replicate, generar metraje, inspeccionar los clips, editarlos y montar un corte final. Cuando se acababa el presupuesto, la generación de pago se detenía, pero la edición podía continuar.

Se realizaron cuatro ejecuciones en total: cada modelo con $25 y con $100. Las cuatro se completaron sin alcanzar límites de tiempo o pasos, y las cuatro produjeron un vídeo de duración completa válido multiplexado con la canción original.

Cómo los modelos gastaron el presupuesto

Con $25, ambos modelos casi usaron la totalidad del presupuesto. Con $100 no fue así: GPT-5.6 Sol gastó $36.57, mientras que Claude Fable 5 gastó $48.60 en generación.

Las ejecuciones se desglosaron así:

Recomendado

La UE obliga a Google a abrir el acceso de Android a la IA

• Claude Fable 5 · $25: 39m10s, 250,541 de salida, $24.30, 1280x720
• GPT-5.6 Sol · $25: 42m52s, 386,146 de salida, $23.18, 1280x720
• GPT-5.6 Sol · $100: 49m39s, 340,702 de salida, $36.57, 1280x720
• Claude Fable 5 · $100: 38m56s, 280,800 de salida, $48.60, 1920x1080

Los dos modelos tomaron decisiones claramente diferentes. Tres de las cuatro ejecuciones usaron solo texto a vídeo. La excepción fue GPT-5.6 Sol con $25, que generó primero imágenes fijas con FLUX schnell ($0.003/img) y luego las animó con Wan 2.2-5b i2v ($0.10/s).

En el tramo alto, GPT-5.6 Sol con $100 mezcló Wan 2.5 ($0.05/s), Veo 3.1 Lite ($0.10/s) y Hailuo 2.3 Standard ($0.28/video) en una sola ejecución. Claude Fable 5 se mantuvo con un solo modelo en cada ejecución: Wan 2.5 t2v ($0.05/s) a $25, y Seedance 1.0 Pro t2v a $100, con un precio aproximado de $0.12/s a 1080p. Los clips distintos por ejecución oscilaron entre 46 y 80.

Costo de tokens y lo más destacado

Agregar el uso del modelo cambió significativamente los totales. Usando las tarifas publicadas citadas por la fuente — Claude Fable 5 a $10 / $50 por 1M de tokens de entrada/salida y GPT-5.6 Sol a $5 / $30 — el costo total por ejecución quedó así:

• Fable 5 · $25: $41.29
• Sol · $25: $27.45
• Sol · $100: $39.82
• Fable 5 · $100: $73.65

Para Claude Fable 5, solo el gasto en tokens fue de $16.99 a $25.05, es decir, aproximadamente el 30% al 40% del costo total. GPT-5.6 Sol se mantuvo cerca de $3 a $4 en costo de tokens a pesar de un volumen de tokens similar.

El veredicto de TryAI fue mixto. Ninguno de los vídeos fue especialmente bueno, y los cuatro tuvieron problemas con la consistencia de los personajes, la coherencia de la historia y la sincronización del tempo. Los sistemas también interpretaron las letras de forma muy literal — incluyendo convertir “Make a dragon wanna retire, man” en un dragón literal.

La ejecución más interesante, según la fuente, fue GPT-5.6 Sol con $25, que añadió superposiciones de texto e imágenes fijas animadas con efectos que las otras no intentaron. Pero la salida de Claude Fable 5 con $100 fue la que los autores dijeron preferir ligeramente, en parte porque seleccionaron un modelo con clips más coherentes. Las cuatro ejecuciones usaron exclusivamente FAL a pesar de que estaban disponibles credenciales de Replicate.

El conjunto completo está en código abierto en github.com/hershalb/music-video-arena, y la conclusión más clara es que incluso en una tarea acotada con herramientas, presupuesto y tiempo para iterar, los modelos en su mayoría generaron clips, los cosieron entre sí y se detuvieron ahí.