- Blog
- Flujo de trabajo de texto a video con IA: cuatro comprobaciones entre un prompt borrador y un clip final
Flujo de trabajo de texto a video con IA: cuatro comprobaciones entre un prompt borrador y un clip final
Una rutina práctica de texto a video con IA: fija el encuadre, escribe bloques de plano con un solo movimiento de cámara, vincula cada referencia a una única función y revisa cada render con la misma lista de comprobación antes de cambiar una sola línea.

La mayoría de las sesiones de texto a video con IA salen mal antes de que el modelo renderice nada, porque se le pide a un solo prompt que haga cuatro tareas no relacionadas a la vez: decidir el encuadre, describir la escena, controlar la cámara y juzgar el resultado. Cuando el clip vuelve mal, no hay forma de saber cuál de esas cuatro decisiones lo causó, así que el siguiente intento lo cambia todo y el bucle nunca converge.
La solución es de procedimiento, no creativa. Trata la generación como un bucle de producción con cuatro puertas de decisión, y haz que cada puerta responda una pregunta antes de que se abra la siguiente. Esta es la rutina que se sostiene en clips cinematográficos cortos, tomas de producto y recortes para redes sociales hechos en una herramienta de texto a video con IA como Seedance 2.0 en KOOX AI.
Por qué el primer prompt nunca es el entregable
Un prompt escueto no falla de una sola manera reconocible, y eso es precisamente lo que lo hace difícil de reparar. La guía de prompts de Seedance 2.0 de Runway separa seis modos de fallo distintos: un sujeto vago produce un movimiento ambiental genérico de tipo banco de imágenes, una acción descrita en términos generales se inventa con el nivel de detalle que hayas omitido, la falta de iluminación o de dirección de cámara deja el plano sin relieve, una referencia sin asignar filtra color o estilo que nunca pretendiste, un párrafo único sin dividir no le da al modelo nada con lo que marcar el ritmo, y un prompt sin restricciones finales puede devolver subtítulos, logotipos o marcas de agua que nadie pidió.
Esa lista es diagnóstica, no decorativa. Antes de cambiar un prompt, nombra cuál de esos seis estás viendo. La deriva ambiental es un problema de sujeto, un encuadre sin relieve es un problema de iluminación, un logotipo sorpresa es un problema de restricciones, y un clip que corta cuando querías una sola toma es un problema de estructura. Solo uno de esos se resuelve reescribiendo la línea de acción.
Puerta uno: fija el encuadre antes de escribir una palabra
Los ajustes que eliges en la parte superior del panel condicionan cada frase que sigue, así que decídelos primero en lugar de después de que el primer render decepcione. Tres de ellos son los que más importan.
La duración y el encuadre van primero. Un clip típico dura entre cinco y quince segundos, lo que da cabida a unos pocos planos y no a una secuencia completa, así que cuenta los tiempos que realmente caben antes de escribirlos. La relación de aspecto moldea la composición tanto como el encuadre: un formato vertical pide una disposición de sujeto y espacio distinta que uno ancho, y el mismo prompt rara vez sirve para ambos.
La resolución va en segundo lugar, porque cambia cómo se lee el prompt. Una descripción pensada para el detalle fino en un render de alta resolución se desperdicia en una pasada de borrador, y una pasada en resolución de borrador es el lugar correcto para probar el movimiento. Varios modelos también ofrecen variantes rápidas o mini que limitan la resolución de salida, así que un prompt escrito para el máximo detalle no lo obtendrá ahí.
La duración por acción va en tercer lugar. Si una sola acción necesita cuatro o cinco segundos para leerse, un clip de quince segundos alberga tres con comodidad y cinco solo si los movimientos son pequeños. Escribir seis tiempos en ocho segundos es la causa más común de un clip que parece apresurado sin ningún artefacto evidente.
Puerta dos: escribe el brief en dos capas, no en una
Seedance responde a un prompt con una estructura externa y una descripción interna, y los prompts que rinden por debajo de lo esperado suelen colapsar una capa en la otra. La capa externa es la lista de planos: bloques etiquetados escritos en el orden en que ocurren los hechos, para que el modelo sepa cómo se marca el ritmo de la pieza antes de saber qué contiene. La capa interna es la prosa dentro de cada bloque: quién está ahí, qué está haciendo, dónde, bajo qué luz y cómo se comporta la cámara.
Dos hábitos hacen esto concreto. Primero, escribe frases conectadas en lugar de una lista de palabras clave. Una lista de sustantivos y adjetivos no le da al modelo relaciones entre ellos, así que cada elemento se renderiza de forma literal e independiente; los mismos elementos escritos como frases le dan algo que mantener unido. Segundo, mantén constante el orden dentro de cada plano: primero el movimiento de cámara o la transición, luego la acción y la expresión del sujeto, después el cambio de posición o espacial, y por último el sonido. El modelo separa lo que hace la cámara de lo que hace el sujeto, y un orden estable hace que esa separación sea más fácil de leer.

Puerta tres: ocho elementos por plano, un solo movimiento de cámara
Un bloque de plano completo cubre sujeto preciso, detalles de la acción, escena y entorno, iluminación y tono de color, movimiento de cámara, estilo visual, calidad de imagen y restricciones. La calidad de imagen y las restricciones finales son las dos que más se omiten, y son las dos que mantienen estable un render.
La línea de cámara merece su propia regla: un movimiento por plano. Pedir un push, un pull, un paneo y una inclinación a la vez aumenta la inestabilidad, y el resultado se lee como un encuadre que no sabe dónde mirar. Los movimientos únicos y estándar se sostienen con más firmeza, y la terminología sencilla basta: plano medio, primer plano, plano general, acercamiento lento, travelling lateral suave, plano fijo. Si una secuencia necesita dos movimientos, dale dos planos.
Las restricciones van al final, expresadas como lo que no debe aparecer. Describe la escena en sí en términos positivos y reserva la formulación negativa para la cola del prompt, donde una línea sobre mantenerse libre de subtítulos y no generar logotipos ni marcas de agua no cuesta nada y evita la categoría más molesta de re-render.
Mueve al sujeto por parte del cuerpo, grado y transición
Un verbo de acción general deja que el modelo invente los detalles, y el movimiento entre dos acciones se lee como un salto y no como una continuación. Nombrar la parte del cuerpo, añadir rango, velocidad o fuerza, y escribir la transición arregla la mayor parte. «Ella recoge el cuenco y lo lleva a la estantería» se convierte en «ella levanta lentamente el cuenco con ambas manos, y luego aprovecha el impulso de ponerse de pie para girar con naturalidad hacia la estantería».
La velocidad es una decisión de estabilidad tanto como estilística. El movimiento lento, suave y continuo se sostiene mejor que la acción de alta energía, y el sprint, los saltos grandes y el movimiento violento son donde suelen aparecer las deformaciones y la inestabilidad. La emoción sigue la misma lógica: palabras como orgullosa o nerviosa no le dan nada visible al modelo, mientras que un hombro caído, una exhalación y una sonrisa tenue le dan algo que animar.
Puerta cuatro: vincula cada referencia a una sola función
Las referencias son donde el texto a video con IA consigue su consistencia, y donde más a menudo la pierde. Dos prácticas concentran la mayor parte del valor. Define el sujeto una vez, usando dos o tres rasgos estáticos estables, y luego usa esa misma etiqueta cada vez que aparezca, para que el modelo nunca tenga que adivinar a qué persona del encuadre te referías. Después vincula cada recurso explícitamente a lo que gobierna, en lugar de adjuntarlo y esperar: la imagen que fija la silueta del producto controla la silueta, el video que fija el movimiento de cámara controla el movimiento, y nada más se toma prestado de ninguno de los dos.
Usa menos recursos de los que permite el límite. Cuatro o cinco referencias en total suelen superar a un conjunto completo, porque demasiados recursos hacen que al modelo le cueste más juzgar qué rasgos tienen prioridad, lo que se manifiesta como conflictos de estilo y deriva. Para un personaje, un retrato de primer plano junto a una imagen de cuerpo entero ancla un rostro mucho mejor que una sola imagen combinada donde los rasgos ocupan muy poco del encuadre.
Pon el sonido dentro del prompt donde corresponde
Cuando el modelo genera audio en la misma pasada que la imagen, el diseño de sonido es contenido del prompt y no un paso posterior. Marca qué tipo de información es cada línea: el diálogo, la música y los efectos de sonido tienen cada uno su propia convención, para que el modelo no tenga que inferir si una frase se habla, se musicaliza o es un ruido de la habitación. Una línea de diálogo en un idioma que el modelo no da por supuesto necesita que ese idioma se nombre junto a ella.
Aquí es también donde la pasada de revisión se justifica. Un clip cuya imagen es correcta pero cuyo ambiente sonoro pelea con la escena no es una generación fallida; es una línea que reescribir, porque la solución vive en el mismo prompt que lo produjo.
Revisa contra una lista fija, no contra una sensación
La última puerta es la que más se saltan las sesiones. Antes de decidir si un render es bueno, inspecciónalo contra la misma lista breve cada vez: ¿la silueta del sujeto se mantiene intacta a lo largo del movimiento?, ¿la iluminación se mantiene consistente entre planos?, ¿hay algún texto, logotipo o marca de agua?, ¿el movimiento se lee como continuo y no escalonado?, y ¿el ritmo coincide con la lista de planos que escribiste?
La orientación sobre cámara y movimiento enfocada a la generación controlada plantea el mismo punto en términos de producción (ver las notas de cámara y movimiento de ReelMind): inspecciona el plano en busca de estabilidad del movimiento, preservación de la silueta e iluminación consistente antes de unirlo a cualquier otra cosa. Un clip que pasa esas tres es utilizable aunque no sea la toma que imaginaste, y un clip que falla en una de ellas no se puede rescatar en el montaje.

Refina una variable a la vez
La razón para escribir el prompt como bloques etiquetados es que hace que el refinamiento sea quirúrgico. Cambia una línea entre generaciones, mantén todo lo demás idéntico, y la diferencia en la salida es atribuible. Cambia la línea del sujeto y la de la cámara a la vez y no habrás aprendido nada, aunque el segundo clip sea mejor.
Lleva un registro breve junto a los renders: el bloque de plano, los ajustes y la única línea que cambiaste. Cuando un clip vuelve caótico, el primer movimiento suele ser restar y no sumar, ya que demasiada acción para el tiempo disponible es la causa habitual. Si un render devuelve fotogramas negros o falla directamente, el prompt suele ser simplemente demasiado complejo para la duración y la resolución elegidas, y reducir a una acción cada pocos segundos o bajar la resolución de borrador es una solución más rápida que otra reescritura.
Una vez que un plano pasa la lista de revisión, deja de tocarlo y pasa al siguiente plano de la secuencia. Un clip terminado es una secuencia de planos verificados, no un prompt perfecto, y por eso la rutina que produce resultados fiables de texto a video con IA se parece más a una lista de comprobación que a una frase mágica.