Guía de BananaBanana: 13 modelos de IA, precios y funciones
Un recorrido completo por BananaBanana: trece modelos de IA para imágenes y video más texto a voz, desde $0.03, sin suscripción, con cripto o tarjeta.
BananaBanana es una plataforma de generación de imágenes, video y voz con IA de pago por uso que reúne trece modelos de cuatro proveedores bajo un único saldo en USD: seis modelos de imagen (tres niveles de Nano Banana, dos niveles de GPT Image 2.5 y Qwen Image 3.0 Pro), siete modelos de video (tres niveles de Veo 3.1, dos generaciones de Gemini Omni Flash, Wan 3.0 y Grok Imagine Video 1.5), además de Gemini 3.1 Flash TTS para la voz. No hay suscripción ni tarjeta guardada. Recargas con cripto o con tarjeta y pagas por cada resultado.
El resumen rápido, si estás comparando opciones:
- Imágenes: de $0.03 a $0.20 cada una, según el modelo y la resolución (de 512px a 4K).
- Video sin sonido: desde $0.10 por un clip de 4 segundos a 720p con Veo 3.1 Lite.
- Video con sonido: desde $0.18 con Veo Lite, o $0.20 por un clip de 4 segundos a 480p con Wan 3.0, donde la pista de audio sale gratis. Gemini Omni Flash cobra por segundo, desde $0.03 a 360p hasta $0.30 en 4K.
- Voz: $0.01 por cada 200 caracteres, 30 voces, uno o dos locutores.
- Depósitos: más de 20 criptomonedas y stablecoins desde $1, o tarjeta, PayPal y SEPA desde $20. Sin suscripción, nada que cancelar.
- Controles: seed, prompt negativo, imágenes y clips de referencia, primer y último fotograma, extensión de clips. Casi toda la superficie de la API en una interfaz web, y los mismos modelos por MCP para agentes.
- Las cuentas nuevas reciben $0.20 de saldo inicial, y las generaciones fallidas se reembolsan automáticamente.
Publicamos la primera versión de esta entrada el día del lanzamiento, cuando la plataforma tenía siete modelos de Google y el texto era seis viñetas y una promesa. Esta es la edición de septiembre de 2026: trece modelos, cuatro proveedores, y cada ejemplo de abajo generado con nuestro propio pipeline para este artículo.
¿Qué puedes crear en BananaBanana?
Imágenes, clips cortos de video y audio hablado, en casi todas sus variantes prácticas.
Las imágenes van desde borradores rápidos de 512px hasta exportaciones en 4K, en diez relaciones de aspecto, del cuadrado 1:1 al cinematográfico 21:9. Puedes adjuntar imágenes de referencia cuando un producto o un personaje tiene que mantenerse igual a lo largo de una serie (hasta 14 en Nano Banana 2 y GPT Image 2.5, tres en Qwen). Una imagen barata tarda unos segundos; los modelos de gama alta, cerca de medio minuto.
El video ahora se divide en tres filosofías. La familia Veo 3.1 te da control: duración exacta de 4, 6, 7 u 8 segundos, resolución de hasta 4K y una pista de sonido que puedes apagar. Omni Flash es el conversacional: siempre con sonido, de 3 a 10 segundos cobrados por segundo, y vas iterando al describir los cambios en lenguaje normal. La pareja más nueva apuesta por lo largo o por lo hablado: Wan 3.0 renderiza hasta 30 segundos en una sola toma, y Grok Imagine Video 1.5 sincroniza los labios con la frase de diálogo que tú escribes.
Una diferencia más discreta frente a la mayoría de las webs tipo wrapper: exponemos casi todos los parámetros de cada API en lugar de un único cuadro para el prompt. Seed, prompt negativo, un interruptor para mejorar el prompt, diez relaciones de aspecto, referencias de sujeto, primer y último fotograma, extensión de clips, el interruptor de audio. Si alguna vez abandonaste una herramienta porque escondía justo el ajuste que necesitabas, a nosotros también nos pasó, y por eso el generador no lo hace.
Alrededor de los modelos está lo aburrido pero importante: historial de generaciones en tu perfil, reembolsos automáticos cuando falla un proveedor, una interfaz traducida a 15 idiomas y un servidor MCP para que Claude, Cursor o tu propio agente llamen a los mismos modelos con el mismo saldo.
Modelos de imagen Nano Banana: Lite, estándar y Pro
Los tres modelos de imagen de Google son de la misma familia y se reparten el trabajo con claridad. Lite es para volumen, Nano Banana 2 para tener margen de resolución, Pro para las piezas que la gente de verdad va a mirar con lupa.
| Nano Banana 2 Lite | Nano Banana 2 | Nano Banana Pro | |
|---|---|---|---|
| Precio por imagen | $0.03 (solo 1K) | $0.03 a 512px, $0.06 a 1K, $0.09 a 2K, $0.13 a 4K | $0.11 a 1K y 2K, $0.20 a 4K |
| Velocidad en nuestro pipeline | unos 4 segundos | entre 2 y 4 veces más lento | 20–40 segundos |
| Punto fuerte | borradores, piezas en masa | resolución, texto fiable, hasta 4 imágenes por prompt | tipografía, escenas complejas |
En vez de describir la diferencia, aquí va el mismo prompt en los tres modelos: una botella fotorrealista de refresco de banana sobre el mostrador de un mercado mojado por la lluvia al atardecer, con una etiqueta de papel que dice "BANANA SODA".
Lite ($0.03) clava la atmósfera y las letras del titular, y luego se rinde en silencio con la letra pequeña: la línea bajo el logo es un garabato decorativo. Para una ilustración en la que nadie va a hacer zoom, suele bastar.
Nano Banana 2 ($0.06 a 1K) entrega una etiqueta legible de punta a punta, hasta un "EST. 1974" inventado y la marca de volumen, y encuadra una escena callejera más amplia. Eso sí, la pizarra de menú que añadió al fondo está destrozada.
Pro ($0.11) gana en tipografía y en luz: letras retro nítidas con sombra y una caligrafía legible debajo. Detalle gracioso: hasta Pro escribió mal su propio eslogan inventado, "Small Balch". Los modelos de imagen han avanzado muchísimo con el texto; revisar la ortografía sigue siendo tu trabajo.
También tuvimos Lite en producción durante una semana y escribimos en qué casos alcanza con el modelo barato, por si quieres el enfoque de presupuesto a fondo.
GPT Image 2.5 y Qwen Image 3.0 Pro: los otros modelos de imagen
Ahora hay tres modelos de imagen que no vienen de Google, y están aquí porque la gente no paraba de pedir una segunda opinión sobre el mismo prompt.
| GPT Image 2.5 Flare | GPT Image 2.5 Sunburst | Qwen Image 3.0 Pro | |
|---|---|---|---|
| Precio por imagen | $0.05 a 1K, $0.11 a 2K, $0.18 a 4K | igual que Flare | $0.04 a 1K, $0.08 a 2K |
| Carácter | el nivel rápido de la 2.5 de OpenAI | el nivel preciso, más lento | el especialista en texto de Alibaba |
| Extras | hasta 14 imágenes de referencia | hasta 14 imágenes de referencia | seed, prompt negativo, 3 referencias, texto en la imagen en 12 idiomas |
| Le falta | seed, Relaxed Filter | seed, Relaxed Filter | 4K |
El mismo prompt del refresco de banana, dos versiones más.
Flare ($0.05) es el único modelo de toda la lista que acertó cada palabra, letra pequeña incluida: "Real Banana Flavor, Since 1932", además de un racimito de bananas que nadie pidió y un bokeh de mercado mojado que parece una foto real. Tardó 36 segundos, que es el precio de esa precisión. Sunburst es la misma familia afinada para ceñirse todavía más al prompt; lo uso cuando un diseño tiene que coincidir con el brief, no para un primer borrador.
Qwen ($0.04) respondió en nueve segundos con el titular más contundente de los cinco y la botella más limpia, y luego hizo lo mismo que Lite con la letra pequeña: dos líneas de disparates convincentes. Su verdadera fuerza es el texto en chino, japonés, coreano y otras escrituras donde los modelos de Google todavía tropiezan, y es el modelo más barato de la lista con seed y prompt negativo. Eso sí, no tiene 4K.
Video con Veo 3.1: Standard, Fast y Lite
Los tres niveles de Veo comparten los mismos controles en nuestro generador; la diferencia de precio compra calidad de salida, que se nota sobre todo en la física y en el movimiento fino. Según la documentación de Veo de Google, la familia admite audio nativo, imagen a video y resoluciones de hasta 4K, y eso coincide con lo que vemos a través de la API, con una salvedad de la plataforma: Veo 3.1 Lite llega como máximo a 1080p.
Los precios de abajo son rangos de un clip de 4 segundos a uno de 8:
| Modelo | Sin sonido, 720p/1080p | Con audio, 720p/1080p | 4K |
|---|---|---|---|
| Veo 3.1 | $0.70–1.40 | $1.50–3.00 | $1.50–3.00 sin sonido, $2.20–4.40 con audio |
| Veo 3.1 Fast | $0.35–0.70 | $0.50–1.00 | $1.10–2.20 sin sonido, $1.30–2.60 con audio |
| Veo 3.1 Lite | $0.10–0.20 a 720p, $0.17–0.34 a 1080p | $0.18–0.36 a 720p, $0.28–0.56 a 1080p | no disponible |
El clip de arriba es Veo 3.1 Fast: un dolly-in de 6 segundos sin sonido sobre una mesa de desayuno en la hora dorada, generado para este artículo. Costó $0.52 a 720p. Fíjate en el vapor y en la cortina; ese movimiento creíble es lo que separa a Veo de los modelos de video más baratos, y Fast conserva casi todo eso por un tercio del precio de Standard.
Un clip suele llegar en unos pocos minutos. Cuando la capacidad está al límite, la plataforma reinicia la operación sola y te muestra el contador de reintentos mientras esperas. Si aun así no logra entregarlo, recuperas el dinero. La misma política aplica cuando el filtro de seguridad se come resultados: un bloqueo total se reembolsa entero, uno parcial, de forma proporcional.
Mi regla después de meses usándolos: Lite para storyboards y borradores para redes, Fast para el día a día, Standard cuando el agua, la tela o los choques tienen que verse bien, o cuando la especificación de entrega pide 4K. Veo además es el que más lejos llega: un clip terminado se extiende de 7 en 7 segundos, hasta 148 segundos con continuidad total.
Omni Flash: video con sonido que editas conversando
Gemini Omni Flash es el raro del grupo. Google lanzó la primera generación en junio de 2026 y Omni 1.1 en agosto; las dos funcionan aquí, con la 1.1 como predeterminada. Siempre genera pista de sonido, dura de 3 a 10 segundos en la longitud que tú fijes en segundos enteros y cobra por segundo: $0.03 a 360p, $0.10 a 720p, $0.15 a 1080p y $0.30 en 4K, así que un borrador de tres segundos cuesta $0.09 y diez segundos completos a 720p, $1.00. Acepta imágenes de entrada: un fotograma inicial, un último fotograma opcional y hasta tres clips de referencia para un personaje o un producto. La generación 1.0 sigue disponible con 4, 6, 8 o 10 segundos, a 720p o 1080p, si prefieres su estética.
Para este, activa el sonido. El clip de los panqueques es una sola generación de Omni Flash: un prompt de texto que describe jarabe de arce cayendo sobre una pila de panqueques, una instrucción explícita de "single continuous shot, no scene cuts" (a Omni le encanta meter planos extra si no se lo dices) y una línea "Audio:" que pide el goteo suave del jarabe sobre el ambiente tranquilo de una cocina. Nada de trabajo de audio aparte. Pedí los 10 segundos completos.
Una lección de prompting que me dejó este clip: Omni mantiene lo que ya está pasando en el primer fotograma y descarta sin avisar las acciones programadas para más tarde. Mis primeros borradores pedían voltear un panqueque "hacia la mitad del clip" y tres veces seguidas recibí diez segundos de nada. La versión que funcionó describe el jarabe cayendo ya desde el primer fotograma y durante todo el clip. Escribe la acción en presente continuo, no como una línea de tiempo.
La función que justifica el precio es la edición. Cada video terminado tiene un botón de editar, no solo los de Omni: describes un cambio ("que sea de noche, deja todo lo demás igual"), vuelves a pagar los segundos y el modelo renderiza de nuevo el clip con tu corrección conservando casi todo el original. También sirve con tus propios archivos, así que un clip de Veo o un video del celular se puede reestilizar con Omni; el resultado siempre sale con la misma duración que la fuente. Omni 1.1 además extiende: cada paso añade de 3 a 10 segundos al final del clip, hasta unos 40 segundos en total. Desarmamos el modelo en una reseña de la API de Omni Flash aparte, y hay una página dedicada a qué cambió en la 1.1.
Wan 3.0 y Grok Imagine Video 1.5: tomas largas y clips que hablan
Estos dos llegaron en septiembre y cubren los huecos que dejan los modelos de Google.
| Wan 3.0 | Grok Imagine Video 1.5 | |
|---|---|---|
| Duración | 4, 6, 8, 10, 15, 20 o 30 s | cualquier número entero de 4 a 15 s |
| Precio | $0.05/s a 480p, $0.10/s a 720p, $0.20/s a 1080p | $0.14/s a 720p, $0.25/s a 1080p |
| Clip más barato | $0.20 (4 s, 480p, sonido incluido) | $0.56 (4 s, 720p) |
| Audio | activado por defecto, gratis, se puede apagar | siempre activado, con diálogo sincronizado con los labios |
| Entradas | primer y último fotograma, hasta 10 imágenes de referencia, hasta 5 clips de referencia | primer fotograma o hasta 7 referencias (referencias solo a 720p) |
| Relaciones de aspecto | 16:9, 9:16 | 16:9, 9:16, 1:1, 3:2, 2:3 |
Wan 3.0 es el único modelo de la plataforma que renderiza medio minuto de una sola pasada, y su pista de sonido no cuesta nada extra, lo que lo convierte en la forma más barata de conseguir video con sonido aquí. La trampa está en la gama alta: 30 segundos a 1080p cuestan $6.00, la generación individual más cara que vendemos. Los clips de referencia también se cobran, así que una referencia de 15 segundos más una salida de 15 segundos cuesta como 30 segundos.
El bote con farol es una generación de Wan 3.0 para este artículo: diez segundos a 720p, $1.00, un prompt que pide un único travelling continuo a lo largo de un arroyo en el bosque al anochecer, con luciérnagas, y una línea "Audio:" para el agua y los grillos. Entregó toda la toma sin un solo corte, justo lo que a Omni hay que convencerlo de no hacer. Para mi gusto, la llama de la vela está un pelín demasiado quieta. Con sonido: el arroyo es generado, no de banco de audio.
Grok es el que habla. El clip de la barista dura seis segundos a 720p ($0.84): escribí su frase entre comillas dentro del prompt y el modelo devolvió una cara hablando, con el movimiento de la boca acorde a las palabras. Esa es la función sobre la que la gente arma anuncios estilo UGC, y tenemos una guía aparte sobre video UGC con IA en torno a ella. Dos notas honestas sacadas de los registros: las imágenes de referencia solo funcionan a 720p (un primer fotograma también funciona a 1080p), y este clip salió a 1280×704 en lugar de 720 filas reales. Nadie lo va a notar en un teléfono. Un cliente obsesionado con los píxeles, quizá sí.
Texto a voz: 30 voces, un centavo por cada 200 caracteres
Gemini 3.1 Flash TTS convierte texto en un WAV de 24 kHz por $0.01 por cada 200 caracteres iniciados, así que una lectura de 60 segundos, de unos 900 caracteres, cuesta cinco centavos. Eliges una de 30 voces o armas un diálogo entre exactamente dos, y diriges la interpretación con palabras normales: "cálida, sin prisa, con una leve sonrisa", más etiquetas en línea como [whispers] o [laughs] donde las quieras. Funciona en el mismo generador que las imágenes y el video, y por MCP como generate_speech.
Eso es una sola generación: 150 caracteres, la voz Kore y una nota de estilo de una línea que pide un narrador relajado y no una lectura publicitaria. Costo: un centavo. No lo usaría para un audiolibro, pero para la voz en off de un clip de producto le gana a esperar a que un freelancer abra su bandeja de entrada.
¿Cómo funcionan los pagos y los reembolsos?
Tu saldo está en USD y solo baja cuando una generación sale bien. Los depósitos en cripto en la web los procesa 0xProcessing: BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE y BCH, además de las stablecoins USDT, USDC, DAI y TUSD en las redes ERC-20, BEP-20, Solana, TON y Base. Son más de 20 opciones, y en la práctica la mayoría de nuestros usuarios elige stablecoins en redes baratas como TON o Solana. Hay una guía completa de depósitos en cripto por si vas a enviar tu primera transferencia. Las tarjetas, el saldo de PayPal y las transferencias SEPA pasan en cambio por PayPal Checkout, desde $20 por pago.
Registrarte solo pide un email y trae $0.20 de crédito, suficiente para seis imágenes Lite antes de decidir nada. Si alguien te compartió un código promocional, actívalo una vez y cada depósito que hagas recibe un bono del +10%. El tamaño del depósito suma su propio bono en las recargas con cripto: 5% desde $50 y 10% desde $100, y los dos se acumulan: $100 en cripto con un código activo acreditan $120.
Nada queda guardado
Pagar con tarjeta es posible, pero la tarjeta nunca toca nuestra plataforma: pulsas el botón de PayPal y los datos se introducen en la propia ventana de PayPal. Después no se guarda nada y nada se renueva. Si alguna vez te suscribiste a una herramienta de IA para un solo proyecto y luego pagaste cuatro meses sin usarla porque cancelar estaba escondido tres menús más abajo, sabes exactamente por qué esto importa. El saldo depositado es tuyo hasta que lo gastes; cuando se acaba, nada te sigue cobrando por existir. La contrapartida, dicha claramente: la vía con tarjeta empieza en $20 por pago, mientras que la cripto empieza en alrededor de $1. Una transferencia de $10 en stablecoins por TON cuesta unos centavos de comisión y tarda unos cinco minutos la primera vez, segundos después.
Explicamos por qué nunca necesitas una tarjeta guardada y cómo se compara el pago por imagen con las suscripciones en artículos aparte. La lógica de reembolsos vale la pena detallarla aquí, porque las APIs generativas fallan más de lo que nadie anuncia. Una generación que termina en estado fallido reembolsa el precio completo automáticamente. Sin tickets de soporte. Las listas de precios completas están en la página de precios.
Programa de referidos: del 5% al 15% de cada depósito
Puedes crear hasta tres códigos promocionales en tu perfil. Quien active tu código recibe un +10% en cada depósito que haga, y tú ganas una comisión sobre esos depósitos: 5% para empezar, 10% cuando tus referidos superan $1,000 en recargas totales, 15% a partir de $2,000. El código queda vinculado a la cuenta del comprador, así que el bono y tu comisión se aplican a cada depósito automáticamente, no solo al primero.
Dos advertencias honestas. No puedes activar tu propio código, y los registros desde la misma red que la tuya no cuentan para comisiones; los controles antifraude son estrictos a propósito.
FAQ
¿Cuánto cuesta generar imágenes con IA en BananaBanana?
Desde $0.03 por imagen (Nano Banana 2 Lite a 1K, o Nano Banana 2 a 512px) hasta $0.20 por una imagen 4K con Nano Banana Pro. GPT Image 2.5 va de $0.05 a $0.18, Qwen Image 3.0 Pro de $0.04 a $0.08. No hay suscripción; pagas por imagen desde un saldo prepagado.
¿Hay prueba gratis?
Cada cuenta nueva empieza con $0.20 de crédito, que alcanza para seis imágenes con el modelo más barato o un clip de 4 segundos de Wan 3.0 con sonido. Para registrarte no hace falta ninguna tarjeta, solo un email.
¿Necesito tarjeta de crédito o suscripción?
Para empezar no hace falta tarjeta: te registras con un email y recibes $0.20 de saldo. Después recargas un saldo en USD cuando quieras, con cripto desde alrededor de $1 o con tarjeta, PayPal o SEPA desde $20, y pagas por generación. No hay plan de suscripción, el saldo sin usar no caduca y nada puede cobrarte automáticamente.
¿Qué criptomonedas acepta BananaBanana?
BTC, ETH, SOL, TON, BNB, LTC, TRX, XRP, DOGE, BCH y las stablecoins USDT, USDC, DAI y TUSD en las redes ERC-20, BEP-20, Solana, TON y Base.
¿Puedo generar video con IA con sonido?
Sí, de cuatro formas. Los modelos Veo 3.1 tienen un interruptor de audio (un clip de 4 segundos con sonido empieza en $0.18 con Veo Lite), Wan 3.0 incluye la pista de sonido gratis desde $0.20, Gemini Omni Flash siempre genera audio desde $0.03 por segundo, y Grok Imagine Video 1.5 sincroniza con los labios el diálogo que escribes, desde $0.56 por clip.
¿Qué pasa si una generación falla?
El precio completo se reembolsa a tu saldo automáticamente. En video, la plataforma primero reintenta por su cuenta los errores de capacidad; si un filtro de seguridad bloquea parte del resultado, la parte no entregada se reembolsa de forma proporcional.