Generación de vídeo con IA: texto a vídeo y fusión de imágenes

El vídeo generativo ya no es una demo

Un plano de cinco segundos generado con IA solía ser una curiosidad que se compartía por lo insólito, no por su utilidad. Hoy ocurre lo contrario: equipos pequeños producen anuncios, secuencias de ficción, material didáctico y contenido para redes con un acabado que hace pocos años exigía un estudio y una semana de rodaje. La diferencia no está en un modelo milagroso, sino en saber combinar varios: uno para el plano cinematográfico, otro para el movimiento físico creíble y otro para mantener el rostro de un personaje entre escenas.

Esta guía está pensada como manual de trabajo. No promete resultados automáticos ni se pierde en listas interminables de herramientas. Veremos cómo se elige un modelo según el tipo de plano, cómo se escribe un prompt que se pueda repetir, cómo se conserva la coherencia visual entre tomas y cómo se ensambla todo en una producción real. Si vienes del diseño, del montaje o de la publicidad, encontrarás un puente entre lo que ya sabes hacer y lo que la generación de vídeo añade al proceso.

Elegir modelo es una decisión de plano, no de marca

El error más común al empezar es enamorarse de una herramienta y usarla para todo. Los modelos generativos tienen personalidades muy distintas: algunos dominan la luz y la textura fotográfica, otros son imbatibles animando un retrato fijo, otros destacan en física de fluidos y movimiento corporal. Tratar cualquiera de ellos como una solución universal produce resultados mediocres y muchas horas perdidas.

Cuatro preguntas antes de comprometerse

1. ¿Qué nivel de realismo exige el plano? Un producto en primer plano y una escena de acción necesitan cualidades diferentes. El primero pide detalle de materiales y luz controlada; la segunda, continuidad de movimiento y ausencia de artefactos en extremidades.
2. ¿El plano depende de la actuación o del entorno? Si hay diálogo y microexpresiones, busca modelos con buen control de rostro y sincronía labial. Si el protagonista es un paisaje o un producto, prioriza estabilidad de cámara y detalle de texturas.
3. ¿Cuánta duración necesito en un solo clip? Muchos modelos funcionan bien entre tres y ocho segundos. Para tomas más largas conviene generar varios fragmentos y unirlos con cortes intencionados o con transiciones generadas.
4. ¿Cuántas variantes voy a poder revisar? Un modelo que devuelve resultados excelentes una vez de cada diez puede ser peor que otro un poco menos espectacular pero coherente. La tasa de acierto importa tanto como el techo de calidad.

Familias de modelos y su terreno natural

• Cinematográfico y fotorrealista (Sora, Kling, Veo, Runway, Luma): iluminación verosímil, profundidad de campo creíble y composiciones que aguantan un primer plano.
• Imagen a vídeo con anclaje fuerte de referencia (PixVerse, Vidu, Pika): parten de un fotograma o de varias referencias y respetan mejor la identidad del sujeto. Son la base de cualquier serie con personaje recurrente.
• Estilizado y animación: ideales para contenido gráfico, ilustración en movimiento, bucles y piezas de formato corto donde la textura importa más que el realismo.
• Física y continuidad corporal: modelos orientados a movimiento realista de manos, telas, agua y multitudes. Su valor está en los planos que otros rompen.
• Opciones abiertas y autoalojadas: útiles cuando hay requisitos de privacidad, cuando se necesita ajustar el modelo o cuando el volumen de iteraciones es muy alto.

La estrategia sensata es tener dos o tres modelos de cabecera y saber cuál asignar a cada plano. Un mismo proyecto puede pasar por tres herramientas distintas y eso no es un problema: es criterio profesional.

Del texto a vídeo: anatomía de un prompt repetible

Un prompt de vídeo no es una frase bonita. Es una especificación. Cuanto más se parezca a una ficha técnica, más fácil será repetir el resultado, corregirlo y entregarlo a otra persona del equipo.

Las seis capas de un prompt sólido

1. Sujeto y acción concreta. «Una panadera de unos cuarenta años coloca hogazas en una bandeja», no «una mujer trabajando».
2. Entorno y momento del día. Hora, climatología, interior o exterior, nivel de actividad de fondo.
3. Estilo visual. Referencias de género: documental observacional, cine de los setenta, publicidad de cosmética, animación plana.
4. Cámara. Tipo de plano, distancia focal aproximada, altura y movimiento.
5. Luz y paleta. Luz de ventana difusa, contraluz cálido, tonos fríos con acento ámbar.
6. Continuidad y restricciones. Vestuario, objetos recurrentes y una lista breve de lo que no debe aparecer.

Escribir el prompt en ese orden, siempre igual, tiene una ventaja enorme: cuando algo falla sabes exactamente qué capa tocar.

Cámara, lente y movimiento

Los modelos responden bien a vocabulario de rodaje. «Plano medio con dolly de acercamiento lento» produce un resultado distinto a «primer plano con cámara en mano y microvibración». Mencionar una distancia focal orienta la compresión del fondo: un 35 mm da contexto, un 85 mm aísla al sujeto. Indicar el movimiento del sujeto además del de cámara («ella gira la cabeza mientras la cámara se mantiene fija») reduce la deriva no deseada.

Si el modelo acepta parámetros negativos, úsalos para evitar texto en pantalla, marcas de agua, extremidades duplicadas o cambios bruscos de encuadre.

Tres prompts comentados

Plano de producto. «Frasco de vidrio ámbar sobre superficie de piedra húmeda, gotas de condensación, plano detalle a 85 mm, dolly de acercamiento muy lento, luz lateral suave con reflejo especular, fondo oscuro desenfocado, sin texto ni logotipos». La clave aquí es la luz: sin la indicación de reflejo especular, el vidrio queda plano.

Plano de personaje. «Retrato medio de un violinista joven en un camerino, sentado, ajustando la clavija, plano medio a 50 mm, cámara fija, luz de bombilla cálida mezclada con luz fría de pasillo, polvo en el aire, expresión concentrada, sin cambio de vestuario». Repetir la frase de continuidad en cada plano de la escena es lo que mantiene la ropa y el peinado.

Plano de paisaje. «Valle nevado al amanecer, niebla baja moviéndose entre pinos, plano general aéreo con descenso suave, luz rasante dorada, tonos azules en las sombras, movimiento de nubes lento y continuo». Los paisajes toleran prompts más atmosféricos porque no hay rostro que mantener.

Fusión de imágenes: cómo se gana la consistencia

La fusión de imágenes, o el uso combinado de referencias visuales, es la técnica que separa un experimento suelto de una serie coherente. Consiste en alimentar al modelo con imágenes que definen identidad, vestuario, decorado o estilo, y dejar que el texto describa solo lo que cambia.

Hojas de personaje

Antes de generar vídeo, construye una hoja de personaje: rostro de frente, tres cuartos y perfil, con luz neutra, misma ropa y misma distancia focal. Esa hoja se convierte en la referencia estable de toda la producción. Si el personaje lleva un objeto característico —unas gafas, un colgante, una chaqueta concreta—, inclúyelo en todas las vistas.

Referencias múltiples y transferencia de estilo

La mayoría de los flujos modernos permiten combinar varias referencias: una de identidad, una de vestuario y una de estilo. El peligro es que la referencia de estilo gane peso y deforme el rostro. Tres formas de evitarlo:

• Reducir el peso del estilo y aplicarlo en posproducción con una capa de corrección de color y textura.
• Usar el estilo solo en los fotogramas iniciales y dejar que el modelo continúe con su propia coherencia.
• Separar por planos: estilo marcado en los planos generales, identidad estricta en los planos de rostro.

Por qué se rompe la consistencia

Casi siempre falla por una de estas causas: cambio de relación de aspecto entre tomas, cambio de distancia focal, variación de vestuario, salto de iluminación o cambio de modelo a mitad de secuencia. La solución es disciplina: bloquea la semilla cuando el modelo lo permita, mantén idéntico el prefijo del prompt y genera todos los planos de una escena en la misma sesión de trabajo.

Imagen a vídeo: partir de un fotograma perfecto

Cuando el control es la prioridad, empieza por una imagen. Un fotograma generado o fotografiado con la composición exacta reduce enormemente la incertidumbre: el modelo solo tiene que animar, no inventar.

Del fotograma al movimiento

Describe únicamente lo que se mueve y cómo. «La cortina se hincha con la brisa, el café humea, el personaje parpadea y gira ligeramente la cabeza» funciona mejor que repetir la descripción completa de la escena. Añade la duración deseada y el tipo de movimiento de cámara; si el modelo acepta máscaras o regiones, aísla la zona que debe animarse.

Cuándo conviene no animar

No todo necesita movimiento. Un plano fijo con un detalle sutil —vapor, luz parpadeante, polvo— suele ser más elegante que un movimiento complejo mal resuelto. Si el resultado tiembla o deforma el rostro, vuelve a una versión más contenida: menos acción, menos duración, más estabilidad.

Un flujo de trabajo completo, de la idea al máster

Preproducción: guion por planos

Prepara una tabla con una fila por plano: número, duración objetivo, acción, tipo de cámara, modelo asignado, prompt, referencias y notas de continuidad. Esta tabla es el documento más valioso del proyecto, porque permite delegar, repetir y auditar decisiones.

Generación por lotes

Trabaja por escenas, no por planos sueltos. Genera entre cuatro y ocho variantes por toma, con el mismo prefijo de prompt y las mismas referencias. Ahorra tiempo y, sobre todo, evita que la iluminación o el vestuario cambien entre tomas consecutivas.

Criterios de selección

Puntúa cada variante con cinco criterios rápidos: coincidencia de identidad, verosimilitud del movimiento, artefactos visibles, encuadre y continuidad con los planos vecinos. Guarda las seleccionadas en una carpeta aparte con una nota de por qué se eligieron. Ese registro te ahorrará discusiones más adelante.

Montaje y retoque

El vídeo generado rara vez se publica tal cual. En el montaje conviene intercalar planos de distinta duración, ajustar el ritmo con la música y usar interpolación de fotogramas para cámara lenta. Las correcciones habituales son estabilización, escalado, enmascarado de elementos que distraen y empalmes suaves entre planos con dirección de movimiento coherente.

Sonido, ritmo y duración

El sonido es lo que hace que un clip generado parezca real. Diseña la banda sonora antes de dar el plano por bueno: un ambiente continuo (lluvia, sala, calle), efectos sincronizados con la acción y, si hay voz, una mezcla que no compita con la música.

Sobre el ritmo, dos reglas prácticas. La primera: los planos generados suelen aguantar mejor entre dos y cuatro segundos en pantalla; más tiempo expone los detalles imperfectos. La segunda: alterna planos con movimiento de cámara distinto para que el montaje respire. Un montaje formado solo por acercamientos lentos se vuelve monótono aunque cada plano sea excelente.

Errores frecuentes y cómo evitarlos

• Prompts enciclopédicos. Demasiadas ideas en una sola frase provocan que el modelo reparta atención. Divide en planos.
• Cambiar de modelo sin motivo. Cada cambio altera la textura y la luz. Cambia solo si el plano lo exige y documenta la decisión.
• Ignorar la continuidad de vestuario. Es la causa número uno de saltos visuales en una serie.
• Confiar en el primer resultado. Genera variantes; el primer intento casi nunca es el mejor.
• Resolución excesiva al generar. Iterar en resolución alta multiplica el tiempo. Prueba en resolución media, aprueba y luego escala.
• Texto dentro de la imagen. Letreros y carteles suelen deformarse. Añádelos en posproducción.
• Manos y objetos en movimiento rápido. Reduce la velocidad de la acción o encuadra para que las manos queden fuera de foco.
• Olvidar el encuadre final. Si la pieza se publica en vertical, genera y compón pensando en vertical desde el principio; recortar después arruina la composición.

Lista de verificación antes de publicar

1. ¿La identidad del personaje se mantiene en todos los planos donde aparece?
2. ¿La iluminación y la paleta son coherentes entre escenas?
3. ¿Hay artefactos en rostros, manos o bordes de objetos?
4. ¿El ritmo de montaje respeta la música y la intención narrativa?
5. ¿El audio está mezclado y sincronizado con la acción?
6. ¿El formato, la relación de aspecto y los subtítulos son correctos para cada plataforma?
7. ¿Existe una versión sin elementos generados que puedan leerse como texto deformado?
8. ¿Están claros los derechos de las referencias usadas y de las voces o músicas incorporadas?

Preguntas frecuentes

¿Necesito muchos modelos distintos para trabajar en serio? No. Con dos o tres bien elegidos cubres la mayoría de los planos. Lo importante es saber cuál usar para qué y documentarlo.

¿Cómo consigo que un personaje se parezca entre escenas? Combina una hoja de personaje con referencias múltiples, mantén idéntico el prefijo del prompt, bloquea la semilla y genera toda la secuencia en una misma sesión.

¿Es mejor texto a vídeo o imagen a vídeo? Texto a vídeo para explorar y para planos atmosféricos. Imagen a vídeo cuando la composición ya está decidida y necesitas control.

¿Qué hago si el movimiento sale tembloroso? Acorta la duración, simplifica la acción, reduce la velocidad y verifica que la referencia no tenga ruido. Si persiste, estabiliza en posproducción.

¿Cuánto tarda un proyecto típico? Un anuncio de treinta segundos con seis planos suele requerir una jornada de generación y selección, más otra de montaje, sonido y ajustes.

¿Puedo usar vídeo generado en publicidad? Depende de la plataforma y del modelo. Revisa las condiciones de uso comercial, evita imitar marcas o personas reales sin autorización y guarda registro de las referencias empleadas.

El vídeo generativo no sustituye el criterio: lo amplifica. Quien entiende de luz, montaje y narrativa obtiene resultados muy superiores a quien solo acumula herramientas, porque sabe qué pedir y qué descartar. Empieza con un proyecto corto, mide tu tasa de acierto por modelo y construye tu propio manual de plano, prompt y referencia. Ese manual, más que cualquier novedad técnica, será lo que mantenga tu trabajo consistente y reconocible.