Runway sonoriza el vídeo sin tocar los diálogos

Runway ha conectado a su plataforma Mirelo SFX 2.0, un modelo que construye la pista de sonido a partir de la imagen: lee la acción, el tiempo y la acústica de la escena, coloca pasos, impactos, foley y ambiente según lo que ocurre en el plano y, al mismo tiempo, conserva el habla del clip. Mirelo lanzó la versión 2.0 el 14 de octubre de 2026, y Runway anunció su llegada a su plataforma dos días después.

Para la cadena de vídeo generativo esto cierra un eslabón débil. La imagen se monta con modelos, pero el sonido sigue siendo trabajo manual: el montador lleva el clip a Premiere Pro o DaVinci Resolve y busca, recorta y ajusta a mano los efectos de biblioteca. Mirelo propone hacer esa pasada automáticamente, sobre un montaje ya terminado y sin regenerar el vídeo.

El habla resultó más difícil que los propios efectos

El principal problema del diseño de sonido automático no es sintetizar el ruido de los pasos, sino no pisar el habla ya grabada: las herramientas automáticas de SFX suelen poner la capa generada sobre el diálogo. Mirelo SFX 2.0 detecta el habla del clip y la conserva en la pista final, limpiando el resto del audio no dialogado —incluida la música que el modelo de vídeo añadió por su cuenta— y construye los nuevos efectos alrededor de las réplicas, gestionando también el ducking.

La conservación del habla está activada por defecto en las peticiones video-to-SFX; se puede desactivar si solo se necesitan efectos. No hay un interruptor aparte de «quitar la música»: la eliminación del audio no dialogado está integrada en la propia lógica del modelo.

Qué sabe hacer el modelo y dónde están sus límites

El modelo se ha lanzado en tres variantes:

• video-to-sound: el modo principal, una única capa de sonido coherente, sincronizada con el vídeo y construida alrededor del habla existente.
• text-to-sound: cuando no se necesita sincronía con la imagen (por ejemplo, ambiente) o hay que añadir sonido fuera de plano que luego se alinea a mano.
• stem: generación de un sonido sincronizado a la vez, para armar la mezcla por capas; el modo se anuncia como en preparación.

A través de Mirelo Studio y la API el techo son 10 minutos de vídeo; la empresa afirma que el sonido mantiene la coherencia a lo largo de toda esa duración y no se descompone en los límites de los cortes, de modo que no hace falta trocear el montaje terminado en fragmentos breves. Para material más largo se ofrece una tarifa corporativa a petición.

Cuánto mejor es que lo que ya existe

Mirelo ha publicado los resultados de una comparación ciega: 25 oyentes reclutados por cada pareja, 30 clips, elección entre dos pistas por calidad de sonido y ajuste a lo que ocurre en pantalla, con opción de «empate». Los oyentes se reclutaron en una plataforma de crowdsourcing con una selección previa por precisión en pruebas de audio. Según esos datos, SFX 2.0 se prefirió a la pista de Sony Woosh en el 81 % de los casos; a Kling Foley, en el 63 %; a Sonilo, en el 46 %. Frente al sonido que los modelos de vídeo generan por su cuenta la diferencia es menor: Veo 3.1 Fast, 57 %; MiniMax H3 Max, 49 %; Flux 3, 48 %; Seedance 2.5, 47 %; Kling, 45 %. La prueba la realizó el propio proveedor y por ahora no hay mediciones independientes, así que conviene tomar las cifras como una afirmación de la empresa y no como una medición externa.

Dónde conseguirlo

Además de en Runway y fal, Mirelo SFX 2.0 está disponible en el playground y el editor propios de la empresa, a través de API y MCP, y con plugins para Adobe Premiere Pro y DaVinci Resolve; la versión para Roblox se ha anunciado como en preparación. El resto de plataformas la empresa promete conectarlas más adelante.

Por qué Runway recurre a un modelo ajeno para el sonido

Una plataforma con generación de audio propia añade una de terceros. Runway tiene sus propias herramientas de sonido y modelos de vídeo que entregan audio de forma nativa, pero todos parten del prompt o de su propia generación de vídeo, mientras que Mirelo trabaja a partir de la imagen ya terminada, incluida la que llega de un modelo ajeno o de una cámara. Para una plataforma que conecta metódicamente modelos de socios, es una incorporación lógica: el sonido deja de ser un subproducto del generador de vídeo y se convierte en una capa aparte que se puede rehacer sin tocar la imagen.

Detrás de esto se vislumbra un cambio más amplio. Mientras los modelos de vídeo aprendían a entregar el sonido junto con la imagen, una parte de la industria apostaba por lo contrario: por modelos especializados para la capa de audio que trabajan ya después del montaje. La lógica de ambos lados converge en un mismo punto: dividir el clip generativo en capas controlables en lugar de una única salida indesmontable. Mirelo misma apunta explícitamente a ese mercado: su API se vende a equipos que construyen agentes de vídeo y plataformas de vídeo generativo.

Conclusión práctica: la parte rutinaria de la sonorización —el foley de borrador y el ambiente bajo un montaje terminado— pasa a ser cosa de una sola pasada. Probablemente esto presione sobre todo a las bibliotecas de efectos de stock y a los proveedores de tareas sencillas. Ganan los montadores y los equipos pequeños que antes tenían que elegir entre el silencio y la música ajena. El trabajo de ingeniería de sonido, en cambio, sigue ahí: el modelo entrega una capa sumada que aún hay que encajar en la mezcla, y la salida por capas todavía está solo en los planes del proveedor.

¿Qué se llevarán primero al trabajo de Mirelo SFX 2.0?

• La eliminación de música sin perder el habla
• El foley según la imagen