Google Research ha presentado una arquitectura multiagente destinada a convertir especificaciones creativas de alto nivel en vídeos narrativos compuestos por múltiples planos. El sistema funciona como una capa de coordinación sobre Gemini y Veo y busca reducir las alteraciones no deseadas en la identidad de los personajes, los escenarios y los objetos cuando una historia se prolonga durante varios minutos.
El anuncio, publicado el 24 de septiembre de 2026 y firmado por los investigadores Yale Song y Yiwen Song, describe cuatro componentes. El primero, AI video co-director o Co-Director, formula la producción audiovisual como un problema de optimización global. Un algoritmo de bandidos multiarmados selecciona configuraciones en tres dimensiones: estrategia creativa, modo narrativo y arquetipo estético. Esas decisiones guían a los distintos agentes encargados de transformar la idea inicial en un vídeo.
El proceso incluye agentes de preproducción, generación de fotogramas clave, vídeo y audio. Un modelo multimodal de lenguaje actúa como juez del resultado y devuelve sus valoraciones al sistema de optimización para ajustar las decisiones en ciclos sucesivos. Google Research atribuye a este componente una puntuación máxima de 81,4 en GenAD-Bench y una mejora de la consistencia narrativa en ViStoryBench. El anuncio no incluye las tablas completas, los resultados de referencia ni los protocolos necesarios para evaluar de forma independiente esas cifras.
CANVAS aborda la continuidad mediante representaciones estructuradas de personajes, localizaciones y estados de los objetos. Su memoria visual persistente permite conservar y recuperar esa información durante las transiciones entre escenas y cuando la narración vuelve a elementos ya establecidos. El objetivo es mantener la identidad de un personaje, la configuración de un entorno y el estado de los objetos a lo largo de una secuencia de planos.
Según Google Research, CANVAS obtuvo mejoras de continuidad en ST-Bench y HardContinuityBench. La documentación también presenta ejemplos destinados a mostrar el mantenimiento de personajes, geometría y estados de objetos, aunque las descripciones de una coherencia “perfecta” no están respaldadas por datos cuantitativos aportados en el anuncio.
El tercer componente, A2RD, genera el vídeo segmento a segmento y conserva el contexto mediante una memoria audiovisual multimodal. Para cada tramo, recupera información relevante, sintetiza una propuesta, la refina y actualiza la memoria. El sistema alterna entre extrapolación, para hacer avanzar la acción, e interpolación, para anclar los nuevos segmentos a personajes y entornos ya definidos. Google Research presenta un vídeo generado descrito como una película de unos diez minutos y atribuye a A2RD mejoras en la consistencia de personajes y escenarios en VBench-Long y LVBench-C.
VQQA optimiza las instrucciones de texto mediante preguntas visuales y críticas de modelos de visión y lenguaje. Estas evaluaciones sirven para orientar nuevas iteraciones del prompt, tras lo cual un paso de valoración global compara los vídeos generados y selecciona el candidato mejor puntuado respecto a la instrucción inicial. El sistema no edita directamente los píxeles, sino que actúa como un optimizador de prompts de caja negra. Google Research informa de mejoras absolutas en T2V-CompBench, VBench2 y VBench-I2V.
La capa de coordinación hereda, según el anuncio, mecanismos de seguridad de Gemini y Veo, incluido el marcado SynthID. También pueden aplicarse clasificadores adicionales al vídeo final. La información disponible no aclara si estos marcos están publicados, pueden utilizarse comercialmente o son accesibles fuera de Google Research. Asimismo, Co-Director figura como previsto para COLM 2026 y CANVAS para EMNLP 2026, pero esos datos no confirman por sí solos la aceptación o publicación de los trabajos.