Vídeo con IA consistente: mismos personajes, localizaciones e iluminación en todos los planos

El primer plano de una historia se ve genial. En el segundo, la chaqueta del protagonista tiene bolsillos distintos; en el tercero, el rostro es el de un primo, y para el cuarto, la moto es de otra marca. Los modelos de vídeo no recuerdan nada entre generaciones y, en una generación larga, pierden la coherencia. La solución real no es una descripción más larga. Es una imagen de la que el modelo pueda copiar: una hoja de referencia.

A continuación se muestra el método, con los precios de lista de los proveedores originales y los hosts que utilizamos. Cuando nuestras propias ejecuciones añaden algo, se indica como nuestro.

Qué es una hoja

Una hoja es una imagen que muestra el mismo elemento desde varios ángulos, normalmente sobre un fondo blanco liso: frontal, tres cuartos, lateral y trasera. El modelo ve cada lado de lo que debe mantener, para que no tenga que adivinar la parte trasera de una chaqueta cuando el personaje se gire.

Crea uno para cada elemento que aparezca más de una vez: el personaje, pero también el vehículo, el objeto con un logotipo o la localización. Una historia corta sobre un cartero en una moto podría necesitar cuatro: el cartero, la moto, una furgoneta y el mercado donde ocurre todo.

La nuestra, de un anuncio de ropa deportiva: seis corredoras, en primera fila y de perfil, cada una con su propio atuendo sobre un fondo gris liso con luz plana. La hoja solo contiene rostros y vestuario; la luz y la calle provienen del propio fotograma inicial del plano.

Cómo se fabrican las sábanas

1. Haz que un modelo de lenguaje escriba el prompt de la hoja de referencia. Explícale a Claude o a ChatGPT cómo se estructura un prompt de hoja de referencia y luego describe cada elemento. Indica primero el estilo y describe con detalle solo lo que sea relevante para la historia.
2. Prueba el mismo prompt en varios modelos de imagen. Interpretan el estilo de forma muy distinta y cada imagen cuesta poco. Usa la mejor para el resto de las hojas.
3. Mantén un mismo estilo en todas las hojas. Dile al modelo de lenguaje que reutilice exactamente el estilo anterior o adjunta una hoja previa como referencia.
4. Corrige una hoja mostrándola, no reescribiéndola. Sube la imagen y pide con palabras sencillas el único cambio que necesitas.
5. Prueba con ajustes de imagen medios o bajos mientras el prompt aún está en movimiento, y cambia a los ajustes finales una vez que sea el correcto.

Para una persona real, la entrada son tus propias fotos: fotos de cuerpo entero desde varios ángulos se introducen en un modelo de imagen para crear la hoja de personaje, y un segundo collage puede hacer lo mismo con el atuendo.

Cómo introducir hojas de datos en el modelo de vídeo

En Seedance, cada archivo subido recibe una etiqueta, como @Image 1, y el prompt debe usar esa etiqueta al describir el elemento. Nombra cada referencia al principio del prompt e indica para qué sirve: identidad, ubicación o acción.

Dos límites definen el plan. Seedance 2.0 Fast en fal consume hasta 9 imágenes, 3 vídeos y 3 archivos de audio, 12 en total, para 4 a 15 segundos. Seedance 2.5 en Dreamina consume hasta 30 imágenes, 10 vídeos y 10 archivos de audio, para 4 a 30 segundos.

Más referencias no significan más control.

Un límite más alto no significa que debas usarlo. Adjunta lo que este plano necesite y asegúrate de que las referencias coincidan entre sí. En nuestra escena de la casa de muñecas, los fotogramas intermedios encuadrados de forma distinta al fotograma inicial provocaron un desplazamiento de cámara y que la cama pareciera moverse, aunque el prompt indicara que la cámara estaba fija. Una toma posterior se mantuvo estable, con el movimiento indicado en el prompt y un encuadre elegido para establecer la habitación. En nuestro recast, una ejecución de seis planos y nueve imágenes mantuvo los carteles de la tienda antigua.

Storyboard o localizaciones

Hay dos formas comunes de dirigir la acción. Una cuadrícula de storyboard muestra los momentos clave, y cualquier fallo en ella puede aparecer, así que corrige los fotogramas defectuosos en un editor de imágenes antes de gastar una generación de vídeo. Los fotogramas de localización vacíos, sin personajes u objetos, dejan que el modelo decida la acción. En cualquier caso, mantén la hoja del personaje adjunta: un rostro en un pequeño fotograma de storyboard no es una referencia limpia.

Coste

El cálculo es el argumento para las hojas de costes. Una hoja cuesta céntimos; una toma de 30 segundos a 1080p cuesta unos $17 en BytePlus, y más si hay desviaciones y tienes que repetirla. También es el argumento para probar primero a una resolución más baja y gastar en el resultado final solo cuando la acción funcione.

Incluso con buenas hojas de personaje, el montaje

Es raro conseguir una toma compleja perfecta al primer intento. Como las hojas mantienen todos los elementos iguales de una toma a la siguiente, puedes conservarlas todas, incluidos los fallos, y unir los segundos buenos en un editor.

De nuestras propias ejecuciones

Deja que la hoja de estilo lleve la identidad y evita mencionar rasgos de la piel en las palabras. En uno de nuestros reestilizados de una persona real, mencionar sus pecas en el prompt las convirtió en manchas oscuras por toda la cara; la nueva ejecución sin esa palabra salió limpia. Comprueba cada rostro a tamaño completo con la hoja de estilo antes de conservar una toma.

Mantener la consistencia de las localizaciones

Trata un lugar como si fuera un personaje. Haz una sola referencia por ubicación y reutilízala, sin cambios, en cada plano ambientado allí. Un fotograma vacío funciona bien, sin personajes ni objetos, creado con el mismo estilo que tus otras hojas. One Prompt Studio utilizó una sola imagen del estudio, y el prompt la denominó como “exactamente este diseño”. Los objetos pequeños seguían moviéndose, así que comprueba los elementos de los que dependa tu historia.

Cuando una localización real debe mantenerse, como en nuestra recreación de un anuncio de 16 segundos, cada nuevo lugar se creó primero como una imagen fija y se aprobó, y cada herramienta recibió la misma imagen. Kling 4.0 realizó los cambios de localización más sólidos, y Wan 3.0 mantuvo el lugar solo en secuencias cortas. Una secuencia de seis planos y nueve imágenes conservó los carteles de la tienda antigua.

Mantener la consistencia de la iluminación

Decide qué referencia es la responsable de la luz e indícaselo al modelo. Nuestra hoja de ropa deportiva utilizaba una luz plana sobre un fondo gris neutro, para que solo se captaran los rostros y la vestimenta, mientras que la calle y el sol de tarde provenían del propio fotograma inicial del plano. Si una hoja tiene una luz dramática, el modelo puede introducirla en cada escena. También escribimos la misma iluminación en cada prompt, especificando su dirección y la hora del día.

Mantener la consistencia de los ángulos de cámara

Planos montados cuando la cámara se comporta como una sola cámara. Mantén la acción en el mismo lado de la imagen de plano a plano, para que las personas sigan mirando hacia el mismo lado. Un reel de una historia de vida publicado que estudiamos utilizaba la misma descripción de cámara en cada prompt y solo cambiaba la distancia focal, y repetía un párrafo de composición palabra por palabra cuando volvía a un lugar. Los veintidós clips de ese reel se mantenían unidos como un solo mundo. Mantén cada movimiento pequeño en planos cortos.

Uso de un fotograma compartido entre planos

Para realizar un corte entre dos planos sin un salto visible, termina uno y empieza el siguiente en la misma imagen. En nuestra escena de casa de muñecas, la composición coincidía en la unión, pero la textura de la piel de un rostro grande difería ligeramente. Oculta la unión con movimiento o un corte, y mira otras formas de conectar escenas.

Fuentes

• Seedance 2.0 Fast en fal: límites de referencia y precio
• Nuestra nota de precios de noviembre: tarifas de Seedance 2.5
• Seedream 5.0 Lite en fal, GPT Image 2 en fal y precios de Gemini API: precios de imagen
• Precios de la API API de ElevenLabs: líneas de voz