La generación de vídeo a partir de texto pasó de ser una curiosidad de laboratorio a una herramienta de producción cotidiana. Un equipo pequeño puede convertir un guion en un anuncio, una escena de ficción o una pieza formativa sin cámaras, actores ni localizaciones. La diferencia entre un resultado amateur y uno publicable no está en pulsar el botón de generar, sino en construir un proceso repetible: brief, desglose por planos, prompts medibles, control de coherencia y montaje final. Esta guía desarrolla ese proceso completo, con criterios de decisión, ejemplos concretos y los errores que más tiempo hacen perder.
Qué se puede esperar hoy de la generación de vídeo a partir de texto
Los modelos actuales resuelven bien planos cortos, con una acción principal clara y un movimiento de cámara sencillo. Un coche entrando en un garaje, una taza humeante sobre una mesa, un personaje caminando bajo la lluvia: ese nivel de complejidad produce resultados convincentes en pocos intentos. También funcionan bien los planos de producto con fondo neutro, los paisajes en movimiento lento y las transiciones abstractas donde no hay anatomía humana que sostener.
Lo que sigue siendo frágil es la continuidad larga. Mantener el mismo rostro durante veinte segundos, conservar el diseño de un vestuario entre planos o hacer que dos personajes interactúen con las manos son tareas donde el resultado se degrada. Reconocer esa frontera evita frustraciones y define la estrategia: generar muchos planos cortos y unirlos en montaje, en lugar de intentar resolver una escena entera en una sola generación.
Conviene ajustar expectativas sobre el realismo. La piel, el pelo y las manos mejoraron mucho, pero el texto pequeño, los reflejos complejos y las multitudes siguen delatando el origen sintético. Si el plano necesita credibilidad absoluta, planifica inserts reales, gráficos propios o encuadres que eviten esas zonas.
Tres preguntas antes de empezar: ¿cuántos planos distintos necesito?, ¿qué debe permanecer idéntico entre ellos?, ¿qué parte del resultado pienso corregir en edición? Las respuestas determinan la herramienta, la duración de los clips y el orden de trabajo. Un proyecto de treinta segundos suele necesitar entre ocho y quince planos; una pieza de un minuto, entre veinte y treinta.
El flujo de trabajo en cinco etapas
Un proceso ordenado ahorra más tiempo que cualquier truco de prompt. Esta secuencia funciona igual para una pieza de quince segundos que para una serie de episodios.
Etapa 1: definición. Escribes el objetivo, la audiencia, el formato, la duración final y el tono visual. De aquí sale una lista de planos, no un texto corrido. Si el brief no cabe en una página, todavía no está claro.
Etapa 2: guion por planos. Conviertes la idea en una tabla con columnas: número de plano, acción, encuadre, duración objetivo, quién aparece y qué debe mantenerse igual respecto al plano anterior. Esa última columna es la más importante y casi siempre la que se omite.
Etapa 3: generación. Creas clips con prompts derivados de esa tabla. Produces variantes de los planos críticos y descartas rápido lo que no sirve, sin intentar arreglar un clip malo con más palabras.
Etapa 4: control de coherencia. Consolidas personajes, paleta, iluminación y vestuario. Aquí se corrigen derivas antes de invertir tiempo en montaje.
Etapa 5: ensamblaje. Montas, ajustas ritmo, añades sonido, rótulos y corrección de color. El vídeo final casi nunca es la suma de los clips tal como salieron.
El error habitual es saltar de la etapa 1 a la 3. Sin tabla de planos, cada clip se convierte en una decisión nueva y el conjunto no se sostiene. Cuando el proyecto se complica, casi siempre es porque faltó la etapa 2.
Del brief al prompt: instrucciones que se puedan rodar
Un buen prompt de vídeo se parece más a una orden de rodaje que a una descripción literaria. Describe sujeto, acción, entorno, luz, óptica y movimiento, en ese orden y sin adornos.
Un ejemplo flojo: «un hombre triste en la ciudad, ambiente melancólico». Un ejemplo útil: «plano medio de un hombre de unos cuarenta años con abrigo gris, de pie en un andén vacío al amanecer, luz lateral suave, cámara fija, leve acercamiento, sin texto en pantalla». El segundo se puede generar; el primero se puede interpretar.
La estructura de seis campos
Sujeto y apariencia. Acción concreta en presente. Entorno y hora del día. Iluminación y paleta. Tipo de plano y óptica. Movimiento de cámara. Cuando falta uno de esos campos, el modelo lo inventa, y lo que inventa rara vez coincide con lo que imaginabas. Escribir los seis campos cuesta dos minutos y ahorra cinco generaciones.
Duración, variantes y ritmo de trabajo
Trabaja con clips cortos: entre tres y seis segundos suele ser el punto dulce entre control y naturalidad. Los clips largos acumulan errores de anatomía y de continuidad. Si necesitas más tiempo en pantalla, genera dos planos y únelos en lugar de pedir un plano de quince segundos.
Genera al menos tres variantes de cada plano clave. Comparar es más rápido que reescribir el prompt diez veces sin referencia visual, y la comparación revela qué palabra del prompt está causando el problema.
Restricciones y prompts negativos
Indica lo que no quieres: sin texto, sin marcas de agua, sin cambios de encuadre, sin personas adicionales en el fondo, sin movimientos de cámara. Estas restricciones reducen la necesidad de volver a generar y son especialmente útiles en planos que después se recortan o se superponen con gráficos.
Cómo elegir modelo según el tipo de plano
La oferta de herramientas cambia cada pocos meses, así que conviene elegir por criterios y no por nombres. Estos cuatro ejes resuelven casi todas las decisiones.
Realismo frente a estilo
Si el objetivo es imagen fotográfica, prioriza modelos entrenados con material real. Si buscas animación, acuarela o estética de cómic, muchos modelos estilizados ofrecen más control y resultados más estables. Mezclar ambos mundos en la misma pieza rara vez funciona: el espectador percibe el cambio de lenguaje visual como un error.
Control de la composición
Algunas herramientas permiten partir de una imagen de referencia, un boceto o una máscara. Ese control adicional es decisivo cuando el plano debe encajar con material ya rodado, con un storyboard aprobado o con un logotipo que no puede deformarse. Si tu proyecto depende de encajes precisos, este criterio pesa más que la calidad bruta del modelo.
Consistencia entre planos
Comprueba si la herramienta mantiene el parecido de un personaje cuando cambias de encuadre. Es una prueba sencilla: genera el mismo sujeto en plano general, plano medio y primer plano. Si el rostro cambia por completo, tendrás que apoyarte en referencias de imagen o limitar el número de ángulos distintos.
Velocidad, resolución y coste operativo
Un modelo lento puede ser perfecto para un plano heroico y desastroso para un tablero de veinte planos. Organiza el trabajo en dos niveles: pruebas rápidas en una herramienta ligera y render final en la que ofrezca mejor calidad en el plano que realmente lo necesita. Mide cuánto tarda cada iteración; en proyectos largos, la velocidad influye más en el resultado que la resolución.
Coherencia visual entre planos
La coherencia es lo que separa un experimento de una pieza narrativa. Se gestiona con documentación, no con memoria.
Ficha de personaje
Crea una ficha por personaje con edad aproximada, rasgos, peinado, vestuario, accesorios y una imagen de referencia aprobada. Copia esa descripción literalmente en cada prompt donde aparezca. Reescribirla con sinónimos introduce variaciones que el modelo interpreta como personas distintas: «abrigo gris» y «abrigo plomizo» pueden producir dos desconocidos.
Paleta y luz como contrato
Define tres colores dominantes y una dirección de luz. Si el plano uno es cálido y lateral, el plano dos no debería ser frío y frontal sin una razón narrativa. Anota la decisión en el documento del proyecto y respétala incluso cuando un clip suelto sea más bonito con otra luz.
Referencias de imagen y máscaras
Cuando la herramienta lo permita, usa la misma imagen de referencia para todos los planos de un mismo personaje o escenario. Es la forma más fiable de mantener el parecido. En escenarios, una foto del lugar ayuda a conservar arquitectura, mobiliario y proporciones.
Revisión en mosaico
Antes de montar, coloca todos los clips en una cuadrícula y míralos en conjunto, sin audio. Los saltos de color, de altura de cámara o de vestuario aparecen de inmediato cuando se ven juntos, y es mucho más barato corregirlos en esta fase que después del montaje.
Lenguaje de cámara: movimiento, óptica y montaje
El movimiento de cámara es la variable que más cambia la percepción de calidad. Un plano fijo bien compuesto suele superar a un travelling mal ejecutado.
Movimientos que funcionan bien
Los movimientos lentos y en una sola dirección dan mejores resultados: acercamiento suave, paneo lateral constante, órbita alrededor de un objeto estático. Los movimientos rápidos, las combinaciones de zoom y giro, o los cambios bruscos de dirección producen deformaciones en la geometría y en la anatomía. Si necesitas energía, consíguela con el montaje, no con la cámara.
Óptica y profundidad
Mencionar el tipo de lente orienta el resultado: gran angular para espacios, teleobjetivo para comprimir fondos y aislar al sujeto, macro para detalles. La profundidad de campo reducida ayuda a esconder imperfecciones del fondo y a centrar la atención, aunque también puede delatar manos y objetos si el foco es muy agresivo.
Ritmo de montaje
Como los clips son cortos, el ritmo depende del corte. Alterna planos de distinta escala para dar sensación de movimiento: general, medio, detalle, medio. Mantén una duración mínima de dos segundos por plano cuando haya acción relevante, y baja de un segundo solo en secuencias de energía alta. Un montaje que respira esconde mejor los defectos que un montaje nervioso.
Sonido, voz y subtítulos
Un vídeo generado sin diseño sonoro se percibe como una demo. La banda sonora es lo que lo convierte en contenido.
Empieza por la música y ajusta el montaje a su tempo. Después añade ambiente: tráfico lejano, lluvia, murmullo de oficina, pasos sobre madera. Esos detalles anclan la imagen y disimulan imperfecciones de movimiento, porque el oído distrae al ojo.
Si hay narración, graba una voz humana cuando sea posible. La voz sintética funciona bien para formatos informativos y prototipos, pero pierde naturalidad en piezas emocionales. En cualquier caso, escribe frases cortas y marca las pausas en el guion; una locución bien pautada se entiende incluso con una entonación plana.
Los subtítulos siguen siendo obligatorios: gran parte del consumo ocurre sin sonido. Añádelos al final, cuando el montaje ya está cerrado, y revisa la sincronía plano a plano. Si el texto aparece sobre caras o sobre zonas muy texturadas, añade una banda de contraste suave en lugar de una sombra dura.
Postproducción: del clip al vídeo terminado
El montaje es donde el material generado alcanza su mejor versión.
Primero, selecciona. Descarta sin piedad: si un plano no aporta información nueva ni cambia la emoción, sobra, por bonito que sea. Segundo, ordena por lógica narrativa, no por orden de generación. Tercero, unifica: corrección de color para igualar temperatura y contraste, estabilización ligera si hay microtemblores, y una capa de grano o textura que disimula la uniformidad excesiva de la imagen sintética.
Por último, corrige detalles. Los rótulos, logotipos y textos en pantalla es mejor añadirlos en edición que pedirlos al modelo, porque la tipografía generada suele salir deformada. Lo mismo ocurre con porcentajes, precios y nombres propios: cualquier carácter pequeño es un riesgo evitable.
Guarda una plantilla de proyecto con pistas separadas para vídeo, música, ambiente, voz y rótulos. Repetir la estructura acelera cada pieza siguiente y reduce los olvidos.
Errores frecuentes y cómo evitarlos
Pedir demasiado en un solo prompt. Acción compleja, varios personajes y movimiento elaborado a la vez multiplican los fallos. Divide en planos y resuelve una cosa por clip.
Reescribir el personaje cada vez. Cambiar el orden o los sinónimos de la descripción altera el resultado. Usa una ficha fija y cópiala literalmente.
Ignorar la escala de plano. Encadenar cinco primeros planos cansa y evidencia los defectos de piel y manos. Alterna escalas y deja respirar el conjunto.
Confiar en el texto generado. Cualquier palabra escrita dentro de la imagen suele salir mal, sobre todo en idiomas con acentos. Reserva los textos para la edición.
Montar sin sonido. Un montaje que funciona mudo puede fallar con música, y al contrario. Prueba siempre con la banda sonora puesta antes de dar un corte por bueno.
No guardar los prompts. Sin registro no puedes reproducir un buen resultado ni corregir un plano concreto. Anota prompt, herramienta, duración y variante elegida; es la única forma de escalar el trabajo.
Preguntas frecuentes
¿Cuánto tarda un proyecto típico de treinta segundos? Con un flujo ordenado, entre una y tres horas de generación y una o dos de montaje, según cuántos planos requieran varias iteraciones. La primera pieza siempre tarda más: después reutilizas plantillas y referencias.
¿Necesito saber edición de vídeo? Ayuda mucho. La generación produce material, no piezas terminadas. Saber cortar, igualar color y mezclar audio multiplica la calidad final sin cambiar de herramienta.
¿Puedo usar una imagen propia como referencia? En la mayoría de herramientas sí, y es la vía más eficaz para mantener personajes y escenarios consistentes. Asegúrate de tener derechos sobre esa imagen y de que no contenga texto que pueda reproducirse deformado.
¿Qué hago si el rostro cambia entre planos? Reduce la duración del clip, vuelve a usar la misma imagen de referencia y evita ángulos muy distintos del mismo personaje en planos consecutivos. Si el cambio persiste, cambia de escala en lugar de cambiar de persona.
¿Los clips se pueden alargar después? Algunas herramientas permiten extender un clip o interpolar fotogramas. Es útil para transiciones y para cubrir silencios de narración, pero vigila la pérdida de nitidez y la deriva del movimiento.
¿Cómo evito el aspecto de vídeo generado? Planos cortos, movimiento de cámara lento, profundidad de campo reducida, grano sutil, buen diseño sonoro y una paleta de color coherente. Casi todo el efecto «demo» viene de la falta de sonido y de un montaje sin contraste de escalas.
Antes de publicar, repasa esta lista: objetivo y audiencia definidos, tabla de planos completa, ficha de personaje aplicada de forma literal, luz y paleta consistentes, clips entre tres y seis segundos, sonido y subtítulos sincronizados, textos añadidos en edición y prompts archivados con la variante elegida. Si todas las casillas están marcadas, el resultado se sostiene. Si falta alguna, se nota en pantalla.
