Los recientes avances en la generación de contenido por inteligencia artificial han revolucionado la creación audiovisual, permitiendo transformar texto, imágenes o audio en narrativas visuales completas. Sin embargo, evaluar la calidad de estos videos sigue siendo un desafío, ya que no es suficiente medir la fidelidad espacial de cada cuadro, también es importante garantizar la coherencia temporal y la alineación semántica con el mensaje. En este contexto, los modelos multimodales de lenguaje surgen como pieza clave para la próxima generación de evaluación de calidad de video. La capacidad de integrar información visual, lingüística, sonora e incluso de profundidad permite analizar desde la composición de escenas hasta la dinámica del movimiento y la consistencia narrativa. Los autores resaltan que la fusión de sensores y la interpretación semántica de alto nivel ofrecen un marco más preciso, superando las limitaciones de métricas tradicionales y abriendo paso a un análisis crítico y holístico de la producción audiovisual generada por IA.