Texto a video con Veo 3: seis errores que arruinan un buen clip

Veo 3 rara vez falla al azar. Cuando un clip vuelve con una cámara que se pasa de largo del sujeto, una mano que se funde con el mostrador o una frase hablada que llega medio segundo después de que la boca deja de moverse, la causa suele ser un hueco en el prompt. El modelo rellenó ese hueco por ti, y lo rellenó con su propia suposición.

Los errores que siguen son los que más renders desperdician en el trabajo de texto a video con Veo 3, más o menos en orden de cuánto destruyen un clip. Cada uno tiene una corrección que cuesta una frase en lugar de un presupuesto de renders, y cada uno se puede comprobar antes de hacer clic en generar.

Error 1: Pedirle a un solo clip que cuente una escena entera

Una sola generación es un plano, no una escena. Los propios ejemplos de Veo de Google DeepMind describen cada uno un sujeto, un comportamiento de cámara y una base de audio; los ejemplos publicados de Veo 3.1 por Magic Hour son igualmente una generación de ocho segundos cada uno, con una nota de revisión que señala que el resultado es un plano inserto y no una secuencia completa.

El fallo se escribe fácilmente sin querer: «Ella entra en la cafetería, pide un flat white, se sienta junto a la ventana y mira el teléfono». Son cuatro acciones compitiendo por ocho segundos. Lo que vuelve suele ser la acción intermedia, ejecutada de forma vaga, con el teléfono apareciendo antes de que la mano llegue al bolsillo.

Corrígelo eligiendo la única acción que sostiene el plano. Deja la entrada y el teléfono para generaciones separadas y luego únelas en un editor. Si no puedes decidir qué acción importa más, el plano no está listo para escribir el prompt.

Error 2: Acumular movimientos de cámara que se contradicen

«Paneo lento, órbita y acercamiento» se lee como cinematografía y se comporta como tres instrucciones en conflicto. La lista de solución de problemas de Magic Hour lo nombra exactamente así: la cámara ignora el plan, y la solución es elegir un solo comportamiento de cámara, indicar su dirección y su ritmo, y eliminar los movimientos que lo contradicen.

Fíjate en la señal que deja el resultado. Un clip que completa a medias un movimiento, que avanza pero nunca asciende, o que orbita alrededor de un sujeto que se sale del encuadre, suele ser un prompt con dos movimientos dentro, y no un modelo incapaz de mover una cámara.

Escribe un movimiento, una dirección, un ritmo: «La cámara hace un único acercamiento lento y termina en un plano medio corto de las manos». Añade un segundo movimiento solo cuando el primero funcione por sí solo.

Error 3: Describir un ambiente en lugar de una acción visible

Palabras como cinematográfico, premium, emocional y dinámico no se traducen en píxeles. Son juicios sobre el plano terminado, y el modelo no tiene forma de renderizar un juicio. Lo que sí puede renderizar es una superficie, una dirección de luz y un movimiento.

La lista de errores de Higgsfield plantea lo mismo desde el otro lado: ata la emoción a algo que la cámara pueda ver, como una mano indecisa sobre el freno o una mirada que se demora, en lugar de nombrar el sentimiento. La reparación de Magic Hour es un ejercicio de sustitución, en el que premium pasa a ser metal cepillado, una superficie mate y una luz de contorno controlada, y cinematográfico se convierte en una altura de cámara y una sensación de objetivo concretas.

Compara «un momento de café premium» con «vapor que sube de una taza blanca sobre una mesa de roble rayada, luz matinal baja desde la izquierda, la cámara fija, la taza y el plato sin cambios». La segunda versión le da al modelo cuatro cosas que puede dibujar de verdad y una que no debe cambiar.

Error 4: Escribir las exclusiones como órdenes

La mayoría de quienes escriben prompts termina con una línea como «sin texto, sin marca de agua, sin gente adicional». La propia guía de prompts para generación de video de Google pide la forma opuesta: evitar el lenguaje instructivo del tipo «sin paredes» o «no muestres paredes» y, en su lugar, describir los elementos no deseados como una lista, nombrando los objetos que no quieres ver.

De ahí se siguen dos consecuencias prácticas. Primera: mantén las exclusiones en la forma en que el modelo fue entrenado para leerlas, es decir, nombrando objetos en lugar de discutir con ellos. Segunda: trata cualquier exclusión como una petición y no como una garantía. Magic Hour es directo al respecto con los rótulos: una instrucción para excluir texto sigue siendo una petición, y los fotogramas finales aún hay que revisarlos en busca de letras sueltas.

Así que la línea pasa a ser «texto, marca de agua, personas adicionales», y el paso de revisión se convierte en una comprobación de los dos o tres fotogramas donde suele aparecer texto: carteles, pantallas, embalajes y cualquier superficie orientada hacia la cámara.

Error 5: Tratar el audio como un rótulo en lugar de como una pista

Veo 3 genera audio de forma nativa, con efectos de sonido, ruido ambiente y diálogo saliendo de la misma pasada que la imagen. Esa es su mayor ventaja frente a los generadores de video mudo, y la forma más rápida de desperdiciarla es tratar el sonido como algo añadido a posteriori a una descripción visual.

Dominan dos formas de fallo. La primera es una frase hablada demasiado larga para el plano: cuando termina la oración, la boca ya dejó de moverse o la frase queda cortada. La segunda es una única petición de audio indiferenciada en la que música, tono de sala, efectos y habla se amontonan en una sola cláusula, de modo que el modelo elige uno y descarta el resto.

Separa las capas y nombra a quien habla. «Tono de sala silencioso de estudio, un golpe metálico cuando la llave toca la mesa, sin música» es una instrucción de mezcla. «Ella dice, con voz relajada, que estas ya están listas para la primera cena» es una instrucción de interpretación. Mantén la frase lo bastante corta para que quepa en la duración que pediste de verdad, y cuenta sus palabras en función de los segundos y no del guion.

Error 6: Dejar sin definir los puntos de contacto y la física

Todo lo que el prompt deja sin especificar lo decide el modelo. La lista de comprobación de Higgsfield lo convierte en una revisión previa concreta: nombrar los puntos de contacto —manos, dedos y todo aquello que toca qué—, junto con una fuente de luz nombrada y la dirección del movimiento.

Por eso las manos son la víctima clásica. Un prompt que dice «ella coge la llave» deja sin resolver el agarre, el número de dedos y el ángulo, y el render los resuelve en algún punto entre lo plausible y lo incorrecto. Un prompt que dice «su pulgar y su índice pellizcan la llave por la cabeza y la levantan de la mesa» deja mucho menos margen.

La física funciona igual. La tela, el líquido y el pelo son los terrenos donde el modelo improvisa más, así que indica qué debe permanecer fijo: la chaqueta no se mueve, el líquido se mantiene nivelado en el vaso, la esfera y la correa del reloj no cambian en ningún momento. Estas líneas son baratas, y son la diferencia entre un plano de producto utilizable y un rodaje nuevo.

Corregir la instrucción, no todo el prompt

El instinto después de un clip malo es reescribirlo todo, y eso destruye tus pruebas. Cambia una instrucción por reintento y aprenderás qué frase era la responsable.

Conserva una generación de referencia: un plano bloqueado del mismo sujeto, con el mismo audio, que sepas que funciona. Cuando falle un intento nuevo, compara los dos y nombra la diferencia. Si el fallo cambia cada vez que vuelves a ejecutar el mismo texto, es un problema de prompt. Si se equivoca exactamente de la misma manera en cada ejecución, es un problema de ajustes, y más adjetivos no ayudarán.

Antes de reescribir, pasa el síntoma por este orden: especificidad del sujeto, número de acciones, número de movimientos de cámara, fuente de luz, puntos de contacto, capas de audio y, por último, los invariantes. El primer punto que esté realmente sin especificar en tu texto es el que hay que corregir, y normalmente es el único.

Una comprobación que atrapa casi todo antes de generar

Lee el prompt una vez y marca cada línea. Donde una línea no tenga respuesta, el modelo la aportará.

• Un sujeto, descrito con la precisión suficiente para reconocerlo solo con el texto.
• Una acción, expresada con un verbo que tenga un resultado visible.
• Un comportamiento de cámara, con una dirección y un ritmo.
• Una fuente de luz nombrada, con una dirección.
• Todos los puntos de contacto nombrados: manos, pies, objetos apoyados en superficies.
• Audio dividido en habla, ambiente, efectos y música, con la persona que habla nombrada.
• Una línea de invariantes: qué no debe cambiar durante el plano.
• Duración, resolución y relación de aspecto definidas en la interfaz, no en la frase.

Ese último punto importa más de lo que parece. Un prompt que pide un encuadre vertical no cambia el lienzo de salida como lo hace un ajuste vertical, y un render horizontal recortado a vertical cortará la acción que te importaba. Donde la herramienta exponga el control, usa el control.

Nada de esto vuelve predecible a Veo 3 como lo es un storyboard. Vuelve legibles los fallos, que es la parte con la que puedes trabajar: un clip al que le falta una cosa concreta se puede arreglar con un cambio concreto, mientras que un clip al que le falta todo suele significar que el prompt pidió todo a la vez. Si todavía estás decidiendo qué planos merecen el render, los casos de uso de Veo 3 que encajan con clips cortos abordan esa elección, y el generador de video de Veo 3 es donde va el prompt corregido.