Los prompts de video con IA suelen ser muy largos, pero aun así aparecen rostros falsos, las tazas se deforman en la mano y lo que originalmente se quería mostrar como un solo movimiento termina siendo capturado en varios planos inconexos. Ante estos problemas, seguir añadiendo más adjetivos como “sensación cinematográfica, ultraalta definición, calidad de imagen óptima” no garantiza necesariamente corregir la verdadera desviación.

Un punto de partida más útil consiste en dividir los requisitos en tres preguntas: ¿En qué estado comienza la escena? ¿Qué ocurre únicamente durante este tiempo? ¿Cómo se considera que el final es satisfactorio? Este tutorial utiliza el caso original de “un ceramista coloca una taza hecha a mano sobre una bandeja” para guiarle en la revisión del prompt, la preparación de referencias y la creación de un proceso de edición rastreable en PixPix.

Este artículo es un tutorial sobre métodos de creación. Los personajes y escenarios del ejemplo son configuraciones originales e imaginarias; las imágenes adjuntas son ilustraciones estáticas generadas por IA. No se ha realizado ninguna generación de video en PixPix, por lo que no incluye tasas de éxito reales, clasificaciones de modelos ni garantías de resultados.

Primero identifique en qué nivel se produce el problema

No atribuya todos los fallos simplemente a que el prompt no es suficientemente detallado. Por ejemplo, si una taza se deforma, puede deberse a que el contorno de la referencia es poco nítido, a que la mano oculta demasiado la pieza o bien a que el modelo actual tiene dificultades para representar ese tipo de contacto.

Esta tabla indica el orden de revisión, pero no constituye un diagnóstico preciso de las causas del problema. Primero identifique el aspecto que más afecta al resultado, luego decida si conviene modificar los materiales, el texto o el diseño del plano.

Establezca un estado inicial claro para el caso original

Primero fije al personaje y luego añada el movimiento

La protagonista del caso se llama “Lin He” y es una ceramista ficticia. Lleva el cabello corto, negro y liso; viste una camisa de algodón color blanco cremoso con mangas enrolladas, un delantal cruzado verde salvia y pantalones largos gris oscuro, sin joyas. En todo el video solo aparece ella.

Nota: Esquema de configuración de los personajes; las ilustraciones en múltiples vistas no implican que deban incluirse varias figuras como sujetos principales del video.

Las referencias de los personajes deben responder a dos preguntas: ¿quién es el rostro? ¿cómo es la vestimenta? Los bocetos de configuración en múltiples vistas pueden ayudar a organizar la identidad, pero al momento de la carga real, conviene utilizar referencias claras y únicas o citarlas por separado según los requisitos del modelo, evitando que las áreas con varias figuras sean interpretadas como múltiples personas.

Los accesorios también deben tener una identidad única.

En este caso solo se utiliza una taza de cerámica sin asa: con la pared exterior de color rojo ocre, la interior blanca cremosa, el borde ligeramente más grueso y una superficie mate. Se coloca en el centro de una bandeja rectangular de roble claro. La bandeja permanece sobre la mesa de trabajo sin moverse durante toda la acción.

Nota: Esquema de configuración de accesorios originales, no una verificación estricta de la estructura real del producto.

No se debe mencionar primero en un mismo prompt como “taza de cerámica” y luego pedir que “la taza con asa” se gire hacia la cámara. Si la forma, el color o el patrón superficial del producto real deben ser exactos, conviene basarse en fotografías confirmadas del producto.

Convertir la escena en una disposición espacial verificable.

La mesa de trabajo está situada frente al personaje; la gran ventana se encuentra fuera del encuadre, a la izquierda de la cámara; un estante bajo de madera se ubica en el fondo, a la derecha y atrás, donde solo hay tres cuencos de cerámica blancos. La luz natural entra desde la izquierda, mientras que el lado derecho conserva sombras suaves.

Nota: Esquema de composición inicial: la taza en la mano, la bandeja vacía.

Esta escena no requiere más decoración. Lo esencial no es describir uno por uno todos los elementos del estudio, sino identificar claramente los objetos que participarán en la acción, influirán en las ocultaciones y en la composición.

Seis formas de expresar “dejar la taza” como algo distinto.

Solo se escribe el mensaje publicitario, sin ninguna acción visible.

El siguiente texto puede transmitir expectativas estéticas, pero no especifica qué debe captar la cámara:

Anuncio de una marca premium de cerámica, lleno de calidez artesanal, texturas exquisitas, estilo cinematográfico, ultraalta definición y una presentación impactante del producto.

Si el objetivo es simplemente dejar la taza, primero se puede simplificar la tarea:

Lin He coloca verticalmente la taza de cerámica sin asa, de color rojo ocre, que sostiene en la mano derecha, en el centro de la bandeja de madera. Una vez que la base de la taza toca la bandeja, suelta la mano derecha y la retira. La cámara permanece fija, mostrando íntegramente la taza y la bandeja.

Primero se permite que ocurra esta acción, y luego se decide si añadir capas de iluminación, sonidos ambientales o detalles más finos en la actuación. Las palabras clave de estilo pueden mantenerse, pero no cumplen la función de describir la acción.

Ya se ha colocado la escena inicial, pero aún así se pide “dejar la taza”.

Si en la imagen de entrada la taza ya reposa firmemente sobre la bandeja, y el prompt solicita “ella coloca la taza sobre la bandeja”, el modelo deberá inferir por sí mismo los pasos de levantar, mover y volver a posicionar la taza.

Se pueden seguir dos caminos: preparar una imagen inicial con la taza en la mano y la bandeja vacía, para ejecutar directamente la acción de “dejar”; o bien, mantener la imagen existente y modificarla a “su mano derecha toca ligeramente la taza y luego se aparta”. Esta última opción modifica la tarea original y solo debería emplearse cuando aceptes nuevos contenidos para la toma.

Las imágenes de referencia y las instrucciones de movimiento deben estar alineadas. La claridad del material de entrada merece igual atención que la claridad del texto.

Una misma toma que simultáneamente exige fijación, avance y panorámica.

“Grabación con cámara fija, acercamiento lento del plano y giro completo, finalizando con una toma cenital” implica múltiples movimientos y cambios de encuadre. Este tipo de secuencia podría adaptarse mejor a un diseño específico de varias tomas, pero no resulta adecuada como primera prueba para esta sencilla acción.

En este caso, primero se fija la toma en plano medio, asegurando que la taza, las manos y la bandeja permanezcan siempre visibles. Tras completar la acción, se probará por separado un leve acercamiento; no se deben combinar zoom, panorámica ni toma cenital en la misma ronda.

Se escribió “dejar caer de manera natural”, pero no se describe la transferencia.

En este caso, la transferencia consiste en que el soporte de la taza pasa de la mano a la bandeja. El prompt puede especificar claramente: la mano derecha sostiene la parte inferior del cuerpo de la taza, con el borde hacia arriba; tras tocar la bandeja con la base, los dedos se relajan; la taza queda sobre la bandeja y la mano derecha se retira.

Pie de foto: esquema del estado de contacto, utilizado para ilustrar la relación de apoyo; no demuestra que el gesto de contacto en el video se haya realizado.

No es necesario describir cada articulación mediante complejas instrucciones mecánicas. Lo importante es quién sostiene el objeto en cada etapa y si la palma de la mano y el cuerpo de la taza siguen siendo dos entidades independientes. Si falla repetidamente, puede reducir primero la distancia de movimiento o dividir la secuencia en dos tomas: “primer plano de la taza sostenida” y “taza ya estable después de caer”.

Incluye las emociones, la iluminación y el fondo en la acción principal

“Ella coloca la taza con alegría y pensativa, alternando entre contraluz y luz cenital; los accesorios sobre el soporte giran simultáneamente, mientras la cámara atraviesa rápidamente el estudio”, añadiendo numerosas variaciones que compiten entre sí.

Para esta toma, la actuación podría limitarse a bajar la mirada hacia la taza y exhalar suavemente tras colocarla con firmeza. La iluminación se mantiene con luz proveniente de la ventana izquierda, y el fondo permanece inmóvil. Primero se verifica el gesto de colocar la taza; las demás variaciones deben tener cada una su propósito.

Modifica todas las condiciones a la vez y luego intenta determinar cuál fue la causa efectiva

Si en la versión anterior se fusionaron las manos y en la siguiente se cambian simultáneamente la imagen de referencia, el modelo, la animación y el encuadre, incluso si el resultado mejora, será difícil identificar la razón.

Se recomienda conservar primero la versión actual y modificar únicamente el elemento más relevante. Por ejemplo, si la taza atraviesa los dedos, ajustar primero la descripción del agarre o reducir la distancia de movimiento; si la apariencia de la taza no coincide desde el primer fotograma, revisar primero la referencia. En cada ronda, anota los elementos a conservar, los que se modificarán y los resultados observados.

Organiza los casos en comandos directamente testables

A continuación se presenta un punto de partida para crear videos a partir de imágenes. Las referencias de personajes y objetos deben asociarse primero según el modo actual; “Lin He” es solo el nombre del caso descrito en este texto y no permite que el modelo reconozca específicamente ese rostro.

Utiliza la misma ceramista de cabello corto y la misma taza de cerámica sin asa, con paredes exteriores color ocre y interiores blanco crema, ya vinculadas como referencias. Ella lleva una camisa blanca con mangas enrolladas, un delantal verde salvia y pantalones grises oscuros.

La escena comienza con un plano medio fijo a nivel de los ojos: ella está detrás de la mesa de trabajo, su mano derecha sostiene la parte inferior del cuerpo de la taza, con la boca hacia arriba y la base sobre una bandeja de madera vacía. La mano izquierda reposa sobre la mesa junto a la bandeja, separada de la derecha.

Lentamente, baja la taza verticalmente hasta el centro de la bandeja; una vez que la base toca la bandeja, la mano derecha se libera y se retira. La taza permanece erguida y la bandeja en su posición original. Ella baja la mirada hacia la taza y, al finalizar el gesto, exhala suavemente.

La cámara permanece fija, manteniendo intactos el plano medio, las manos, la taza y la bandeja. El cierre se detiene en el momento en que la taza queda estable y la mano derecha ya se ha retirado.

La luz natural procedente de la ventana izquierda ilumina uniformemente el cuerpo de la taza, mientras el soporte de madera y tres cuencos blancos de cerámica situados en el fondo derecho permanecen en su lugar. Los rasgos faciales, la ropa y el color y forma de la taza se mantienen consistentes. Todo el segmento constituye un único plano continuo.

Pie de foto: esquema de la composición final; generado por separado del inicio y del diagrama de contacto, no corresponde a un fotograma extraído de la misma secuencia de video.

Este conjunto de instrucciones describe el objetivo, no garantiza la generación. Si la imagen de entrada ya muestra claramente la apariencia, se puede reducir la descripción repetitiva del aspecto y centrarse en los movimientos y cambios temporales; si el modo requiere explicaciones adicionales de referencia, se mantienen los elementos constantes necesarios.

Los hábitos de escritura de prompts también pueden variar entre distintos modelos.

Prueba en PixPix, asegurando primero que algo funcione

Elige el método de referencia y luego selecciona las especificaciones

Abre el panel de video de PixPix, revisa los modelos y modos de entrada disponibles en tu cuenta actual, y luego sube o vincula los materiales. No incluyas indiscriminadamente imágenes de personas, objetos o escenarios en la tarea: primero define qué imagen representa la identidad fija, cuál corresponde a la taza fija y cuál define la escena inicial.

La página MiniMax H3 de PixPix presenta entradas de texto, imágenes, video y audio, diferenciando entre generación de video a partir de texto, fotogramas inicial y final, y referencia integral; sus instrucciones oficiales indican que los fotogramas inicial y final sirven para definir la composición de inicio y fin, mientras que la referencia integral se utiliza para fijar personajes, objetos y estilos. La página Seedance 2.5 introduce la posibilidad de referencias multimodales, así como funciones de extensión y edición de marcas temporales. Lo anterior corresponde a las capacidades oficiales descritas, no a comparaciones reales realizadas en este artículo; las opciones realmente disponibles dependen del panel de trabajo.

En la primera ocasión, puedes elegir la duración más corta ofrecida por el modo actual y ajustarla al formato final deseado. Primero verifica que tanto el acto de dejar como el de soltar cuenten con tiempo suficiente, antes de considerar historias más largas. Antes de enviar, revisa las especificaciones y el consumo mostrados en el panel de trabajo, sin basarte en las cifras fijas de puntos proporcionadas en los tutoriales para estimar el costo actual.

Utiliza la tabla de verificación de movimientos en lugar de “me siento mejor”

Reproduce la primera versión de principio a fin, luego detén la reproducción para revisar tres momentos: el inicio, el contacto entre la base de la taza y la bandeja, y el final. Revisa la estructura mediante fotogramas estáticos y verifica la continuidad de los movimientos al reproducirlo de manera continua.

1. En el inicio solo aparecen una persona, una taza y una bandeja; la taza efectivamente se encuentra en la mano.

2. La taza se desplaza hacia abajo desde la mano, sin que haya cambios bruscos en la dirección de la boca ni en la proporción del cuerpo de la taza.

3. La base de la taza toca primero la bandeja, y posteriormente la mano derecha se suelta; no hay una fusión evidente entre la mano y el cuerpo de la taza.

4. Al final, la taza permanece sobre la bandeja, la mano derecha se retira y la escena no cambia repentinamente de plano.

Si alguna prueba no se supera, anótala primero y no te apresures a añadir detalles artísticos. Los defectos que no puedan resolverse con ajustes repetidos pueden sortearse reduciendo la obstrucción, simplificando los movimientos o dividiendo las tomas.

Guarda la versión para conservar pruebas comparables

Al realizar comparaciones entre modelos, intenta alinear los datos de entrada, las palabras clave, el formato, la duración, la resolución y el número de generaciones que comparten. Si no es posible alinear ciertas condiciones, descríbelas por separado para evitar clasificar tareas de diferentes niveles de dificultad juntas.

Preguntas frecuentes

¿Cuanto más larga sea la frase clave, más preciso será el video?

No necesariamente. La longitud no sustituye la claridad de la tarea. Primero define el objeto principal, el estado inicial, los movimientos clave, el encuadre y el estado final; luego añade información adicional según los defectos reales. Los adjetivos repetitivos que no aportan valor al resultado pueden eliminarse inicialmente.

¿Es suficiente escribir “no deformar, no usar varias manos” para solucionarlo?

Eso no garantiza la corrección. Es preferible describir primero el estado deseado, por ejemplo: “la mano izquierda reposa plana sobre la mesa, la mano derecha se libera y se recoge, mientras la taza permanece erguida”, y luego especificar lo que no se requiere según el modelo actual. Si el modelo actual dispone de un campo independiente para indicar aspectos negativos, completa ese apartado conforme a su uso real, sin asumir que todos los modelos lo admiten.

¿Es necesario volver a describir toda la imagen al generar un video a partir de ella?

No es necesario repetir mecánicamente. Cuando la imagen ya proporciona la apariencia y la composición, el texto puede centrarse en explicar los movimientos posteriores; en las tareas de referencia múltiple, por otro lado, conviene dejar claras las funciones de los personajes, los objetos y la escena inicial. Hay que evitar el conflicto entre un material que indica que la taza ya está bien colocada y un texto que la hace entrar volando desde lejos.

¿Por qué, a pesar de haber especificado claramente las instrucciones, siguen produciéndose fallos?

Las palabras clave son solo una parte de la entrada. La calidad de la referencia, los ocultamientos, la dificultad del movimiento, la capacidad del modelo y la aleatoriedad en la generación pueden influir todos en el resultado. No se debe atribuir cada desviación al hecho de que alguna palabra no fue incluida, ni prometer que añadir una sola palabra garantizará la estabilidad.

Comienza con una modificación clara

Ingresa en la plataforma de video PixPix, prepara una imagen inicial que conecte con el movimiento y completa primero la acción de “colocar la taza de manera estable”. Verifica el resultado en tres momentos: el inicio, el contacto y el final, y luego decide qué modificar en la siguiente versión.

Cuando logres identificar claramente cuáles de los requisitos han sido cumplidos y cuáles aún fallan, las palabras clave pasarán de ser simples deseos vagos a convertirse en una descripción creativa que pueda ajustarse paso a paso.