Generar datos sintéticos de series temporales, como videos, presenta un desafío formidable a medida que aumenta la complejidad cuando es necesario mantener una distribución específica de las etapas mostradas. Uno de estos casos es el desarrollo embrionario, donde la predicción y categorización son cruciales para anticipar resultados futuros. Para abordar este desafío, proponemos una arquitectura Siamesa basada en modelos de difusión para generar videos predictivos de larga duración del desarrollo embrionario y un método de evaluación para seleccionar el video más realista de manera no supervisada. Validamos este modelo utilizando métricas estándar, como la distancia de inicio de Fréchet (FID), la distancia de video de Fréchet (FVD), la similitud estructural (SSIM), la relación pico señal a ruido (PSNR) y el error cuadrático medio (MSE). El modelo propuesto genera videos de hasta 197 fotogramas con un tamaño de, considerando imágenes de entrada reales. En cuanto a la calidad de los videos, todos los resultados mostraron mejoras sobre el modelo predeterminado (FID = 129.18, FVD = 802.46, SSIM = 0.39, PSNR = 28.63 y MSE = 97.46). En cuanto a la coherencia de las etapas, se logró un error cuadrático medio de etapa global de 9.00 frente a los resultados de 13.31 y 59.3 para los métodos predeterminados. La técnica propuesta produce videos más precisos y elimina con éxito casos que muestran movimientos o cambios repentinos.