Video IA desde foto: la guía completa

Cómo funciona de verdad la foto-a-video

El image-to-video es la puerta de entrada más práctica a la generación de video con IA. En lugar de describir una escena entera desde la nada, le das al modelo una fotografía y le pides que imagine los segundos siguientes. La foto fija la composición, el sujeto, la iluminación y el estilo; el único trabajo del modelo es el movimiento. Esa restricción es la razón por la que los resultados de foto-a-video se ven drásticamente mejor que los de texto-a-video con el mismo nivel tecnológico.

Bajo el capó, el modelo hace dos cosas. Primero, analiza tu imagen como lo haría un modelo de imagen: sujetos, profundidad, iluminación, texturas. Segundo, predice una secuencia corta de fotogramas que plausiblemente siguen, guiado por tu prompt de movimiento. La calidad del resultado depende de tres entradas, más o menos en este orden de importancia: la foto original, la descripción del movimiento y los ajustes de generación. La mayoría de guías de solución de problemas empiezan por los ajustes; esta empieza por la foto, porque ahí se originan la mayoría de los fallos.

Una expectativa que conviene fijar pronto: el modelo anima lo que hay en la foto. No lo reimagina. Si tu foto es oscura, borrosa o está mal encuadrada, el video será una versión en movimiento de lo oscuro, lo borroso y lo mal encuadrado. Basura dentro, movimiento fuera.

Elegir la foto correcta: la regla del 80 por ciento

La resolución importa, pero no como la gente cree. No necesitas una fuente en 4K; la mayoría de modelos de video trabajan internamente a 720p y reducen tu entrada de todos modos. Lo que necesitas es una imagen limpia y nítida de un tamaño razonable: 1024 píxeles en el lado largo sobran. Una foto nítida de 1024 px supera siempre a una borrosa de 4K.

El encuadre es la verdadera palanca. El modelo solo puede animar lo que ve, así que los sujetos deben estar completamente en cuadro con aire alrededor. Los recortes ajustados que amputan extremidades o la parte superior de la cabeza obligan al modelo a inventar partes del cuerpo en movimiento, una causa principal de fallos anatómicos. Si quieres un video en primer plano, haz una foto en primer plano; no esperes que el modelo reencuadre por ti.

Los rostros merecen reglas especiales. Un rostro de frente o de tres cuartos, con luz uniforme y sin obstrucciones, conserva la identidad drásticamente mejor que un perfil, un rostro en sombra profunda o uno parcialmente cubierto por pelo o manos. El modelo rastrea los rasgos faciales entre fotogramas comparando lo que ve; dale una referencia clara y la deriva cae en picado.

La iluminación de la foto original fija el techo del video. Una luz uniforme y suave le da al modelo información limpia sobre formas y texturas. El contraste duro, los filtros fuertes o los etalonajes extremos en la fuente se amplifican en movimiento, no se suavizan. Ante la duda, elige la versión con la luz más natural de las tomas que tengas.

Ajustes que importan: duración, formato, movimiento

La duración es el primer ajuste a decidir, y más corto es más inteligente mientras aprendes. Cinco segundos es la longitud estándar de prueba: suficiente para evaluar si el movimiento se ve natural y lo bastante corta para que iterar sea barato. Alarga a ocho o diez segundos solo cuando la versión de cinco sea sólida, porque las generaciones largas multiplican tanto el coste como la probabilidad de degradación a mitad de clip.

La relación de aspecto debe coincidir con tu foto original, no con tu plataforma de destino. Si tu foto es vertical 9:16 y pides video en 16:9, el modelo tendrá que recortar o estirar, y ambas cosas dañan la calidad. Iguala primero la proporción a la foto; reencuadra para las plataformas después con herramientas de edición normales.

La intensidad de movimiento (a veces llamada motion strength o dynamics) controla cuánto se mueve. Valores bajos producen resultados sutiles, casi imagen fija: seguros pero aburridos. Valores altos producen movimiento dramático: emocionante pero propenso a deformaciones y deriva de identidad. Empieza en el medio y ajusta según lo que veas: si el video se siente congelado, súbela; si los rostros empiezan a derretirse, bájala.

La semilla y los ajustes fijos importan más en video que en imagen. Cuando encuentres una combinación que funcione, fija la semilla antes de iterar el prompt. Cambiar la descripción del movimiento mientras la semilla varía significa que nunca sabrás qué cambio causó qué efecto: la misma disciplina de una variable que en la iteración de prompts de imagen fija.

Prompts de movimiento: verbos, no sustantivos

El prompt de movimiento es una habilidad distinta a la del prompt de imagen. Donde un prompt de imagen describe una escena estática, un prompt de movimiento describe cambio en el tiempo. El modelo necesita verbos, direcciones y ritmo, no solo sustantivos.

Empieza con el movimiento principal. «She slowly turns her head toward the camera» supera a «beautiful woman, cinematic» porque le dice al modelo qué se mueve de verdad. Un movimiento principal claro supera a tres movimientos compitiendo; si todo se mueve, nada se lee como intencional.

Añade movimiento secundario para realismo. El pelo oscilando levemente, la tela desplazándose, elementos del fondo a la deriva: estos pequeños movimientos secundarios son lo que separa la «foto animada» del «video». Descríbelos brevemente: «her hair moves gently in the breeze» basta. El modelo rellena la física.

Especifica qué debe quedarse quieto. «Camera remains static» o «locked-off shot» evita ese zoom lento mareante que el modelo a veces añade sin invitación. Si quieres movimiento de cámara, nómbralo explícitamente («slow push-in») en lugar de dejar que el modelo improvise.

Mantén los prompts de movimiento cortos: dos o tres frases. Las descripciones de movimiento largas y ornamentadas diluyen la instrucción central igual que los prompts de imagen excesivos. Sujeto, movimiento principal, movimiento secundario, comportamiento de cámara. Esa es toda la fórmula.

Fallos comunes y cómo arreglarlos

La deriva de identidad —el rostro cambiando entre fotogramas— es el fallo más reportado. Causas, en orden: rostro poco claro en la foto original, intensidad de movimiento excesiva y duración larga. Corrige en ese orden: primero mejor foto, luego menos movimiento, luego clip más corto. No intentes arreglar la deriva solo con palabras del prompt; es un problema de datos, no de lenguaje.

Un resultado congelado o casi estático suele significar que el prompt de movimiento era demasiado débil o la intensidad muy baja. Refuerza ambos y regenera. Si el modelo apenas se mueve, la foto quizá carezca de pistas de profundidad (una luz muy plana o fondos lisos le dan poco con lo que trabajar).

Las deformaciones y derretidos —extremidades doblándose de forma imposible, fondos emborronándose— vienen de una intensidad de movimiento demasiado alta para lo que la escena soporta. Las poses complejas y los fondos recargados toleran menos movimiento que las escenas simples. Baja la intensidad o simplifica: elige una foto más tranquila.

El parpadeo y el arrastre de texturas aparecen sobre todo en clips largos y suelen empezar a mitad de generación. La solución práctica es acortar la duración; la versión de cinco segundos de un clip que parpadea a los diez suele salir perfectamente limpia. Trata la duración como un control de calidad, no solo como una decisión creativa.

Los fallos anatómicos (dedos extra apareciendo a mitad de movimiento, rostros distorsionándose al girar) son el equivalente en video del problema de las manos en imagen fija, amplificado porque el modelo debe mantener la anatomía entre fotogramas. Minimízalos con encuadres generosos en la fuente, evitando poses extremas y manteniendo el movimiento moderado. Cierta tasa de fallos es inherente a la tecnología actual; presupuesta reintentos.

La lista pre-vuelo (ahorra tus créditos)

Antes de cada generación, pasa esta lista. Foto original: nítida, bien iluminada, sujeto completo en cuadro, rostro claro si la identidad importa. Relación de aspecto: coincide con la foto. Duración: cinco segundos para pruebas. Intensidad de movimiento: media para empezar. Prompt de movimiento: un movimiento principal, uno secundario, comportamiento de cámara especificado. Semilla: fijada en cuanto encuentres ajustes que te gusten.

Tras generar, evalúa en este orden. Primero, identidad: ¿el sujeto sigue pareciéndose a la foto? Si no, arregla la fuente o baja el movimiento antes de tocar nada más. Segundo, calidad del movimiento: ¿el desplazamiento parece físicamente plausible? Tercero, artefactos: revisa el clip entero buscando deformaciones, parpadeo o rupturas anatómicas, sobre todo en los dos últimos segundos, donde se concentra la degradación.

Lleva un registro simple: foto usada, ajustes, prompt de movimiento, semilla y un veredicto de una línea. Tras veinte generaciones tendrás un manual personal: qué intensidades funcionan para retratos frente a planos de cuerpo entero, qué fotos de tus cámaras animan mejor, cómo maneja el modelo de tu plataforma el pelo y las telas. Ese manual vale más que cualquier guía, porque está afinado a tus entradas.

Y la meta-regla: itera barato. Prueba a cinco segundos, coste bajo, respuesta rápida. Solo gasta la generación larga y cara cuando la versión barata demuestre el concepto. La mayoría de créditos desperdiciados en video IA vienen de generar clips de diez segundos de ideas sin probar.