Director de video con IA
Este skill convierte una idea en un video terminado cuyas escenas parecen grabadas con una cámara real, con personas que se mueven como personas. Es el método destilado de varias docenas de películas y anuncios producidos (social de pago, hosts UGC, filmes narrativos, filmes de producto, loops web) y las correcciones surgidas al revisar cada corte.
La creencia central: el video con IA falla en los bordes que un equipo real maneja por reflejo. Continuidad, líneas de mirada, utilería que se mantiene en su lugar, un rostro que sigue siendo el mismo rostro, una voz que suena a una habitación. Los modelos son buenos con los píxeles. Tú debes ser el director, el supervisor de guion y el editor.
Referencias (cargar bajo demanda)
| Archivo | Cargar cuando |
|---|---|
references/storyboard.md | Planificar cualquier filme: gramática de planos, tabla de storyboard, hojas de ritmo |
references/prompting.md | Escribir cualquier prompt de imagen o video (vocabulario de realismo, ritmos temporizados, activadores de estilo, anclajes físicos, líneas de mirada, encadenamiento) |
references/prompt-library.md | Quieres un prompt probado para adaptar, por tipo de plano |
references/models-and-costs.md | Elegir un modelo, estimar créditos, problemas con proveedores |
references/dialogue-and-voice.md | Alguien habla en pantalla, voz en off, líneas en otros idiomas, sincronía de labios |
references/review-qa.md | Revisar tomas antes de la edición y control de calidad del máster |
references/post-production.md | Edición, composición de UI y texto, subtítulos, niveles, códecs, plataformas, loops |
references/compliance.md | Cualquier persona generada, testimonio, logotipo, empresa real o datos reales |
Scripts auxiliares en scripts/ (bash + ffmpeg, sin otras dependencias): hojas de contacto, extracción del último fotograma para encadenamiento, masterización para redes sociales, exportación de loop continuo.
Las diez reglas
- Planifica en papel, paga en pantalla. Nada va a un modelo de video antes de que exista un storyboard toma por toma con un fotograma fijo por configuración de cámara y la persona dueña del video lo haya aprobado. Los fotogramas fijos cuestan céntimos; las tomas de video cuestan dólares. Un mal fotograma fijo detectado en el tablero ahorra cien créditos; una mala toma detectada en la edición los desperdicia.
- Nunca pagues dos veces. Antes de cualquier generación, busca lo que ya existe: tareas recientes en el proveedor, clips en disco, IDs de tarea en el documento del proyecto. Cita el total de créditos del plan antes de la primera llamada. Si la corrección se puede hacer en la edición, se hace en la edición. Nunca ejecutes dos sesiones sobre las mismas tomas.
- Baja resolución por defecto, alta resolución a propósito. Genera a 480p (o el nivel más bajo que no sea borrador del proveedor) para b-roll, mosaicos, imagen en imagen y todo lo que no ocupe la pantalla completa. Usa 720p/1080p para rostros a pantalla completa, filmes narrativos con diálogo y héroes de sitio web, después de una toma de prueba. Los modos borrador/turbo/previsualización se ven visiblemente como IA: compara prompts con ellos, nunca los entregues.
- Documental sincero, nunca material de archivo. La palanca de realismo más importante. 35mm cámara en mano, luz natural mixta, personas que no son modelos, escenarios ligeramente desordenados, nadie posando, nadie mirando al objetivo a menos que sea un anfitrión dirigiéndose al espectador. Prohíbe las señales de material de archivo: auriculares en agentes de call center sonrientes, trajes en oficinas de cristal, dientes perfectos, lofts de neón "SUEÑA EN GRANDE", encuadre heroico simétrico.
- Tomas largas vencen a muchos clips. Una toma continua de 8 a 15 segundos por ritmo narrativo se lee como una historia; quince clips de 3 segundos se leen como un montaje de material de archivo. Encadena tomas de modo que el último fotograma de la toma N sea el primer fotograma de la toma N+1. Corta donde cortaría un editor real.
- Misma cara, misma ropa, mismo mundo. Un fotograma fijo inicial bloqueado por personaje, reutilizado o editado para cada toma de esa persona. Verifica cara, cabello, atuendo, utilería y escenario entre cada par de tomas. Cualquier desviación es una nueva grabación o un corte, nunca "nadie se dará cuenta".
- La física se dirige, no se espera. Los objetos permanecen quietos a menos que el prompt los haga moverse, y entonces di exactamente cómo. Cuenta las personas y las manos. Evita movimientos de cámara ambiciosos (órbitas, punto de vista que se convierte en tercera persona, travelling largo a través de puertas): producen fantasmas, personas duplicadas y cambios de vestuario.
- Cada línea de mirada tiene un objetivo en el encuadre. Un hablante cuyo oyente está fuera de cuadro se gira hacia el objetivo en un segundo. Rueda el diálogo como planos de dos personas o con el hombro del oyente en primer plano, y fija la dirección de la cabeza para toda la toma. Las líneas de mirada no se pueden corregir después.
- El texto, la UI y los logotipos se componen, nunca se generan. Las pantallas en una escena están giradas hacia otro lado o no llevan contenido legible; la UI real, los subtítulos, los títulos y los logotipos se añaden en la edición, con seguimiento a la superficie cuando están sobre una. La única marca en escena que sobrevive a la generación es una marca de agua grande y simple pasada como referencia de imagen, en una pared, taza o pegatina.
- Voz nativa para los hablantes en pantalla, voz con sonido real para todos los demás. Un personaje cuya boca se mueve conserva la voz que le dio el modelo de video; doblar una boca visible con TTS suena mal de inmediato. El TTS es para narradores que nunca aparecen, y para idiomas que el modelo pronuncia mal (luego sincroniza los labios correctamente, consulta
dialogue-and-voice.md). Las voces deben sonar como la habitación en la que están, no como un estudio de grabación.
Flujo de trabajo
0. Descubre el conjunto de herramientas (2 minutos, cada proyecto)
- ¿Qué proveedor de generación está conectado (un servidor MCP como Runway, o una clave API para fal / Replicate / un proveedor de modelos)? Llama a su endpoint de cuenta o
whoami: modelos disponibles, deprecaciones, saldo de créditos. - ¿Qué herramienta de edición está disponible: Remotion (Node) para cualquier cosa con UI, subtítulos o diseño en movimiento; solo ffmpeg para cortes directos? Verifica
ffmpeg -versiony si tiene libass (subtítulos) o no. - ¿Qué herramienta de voz: el audio nativo del modelo de video, ElevenLabs u otro TTS, un modelo de sincronía de labios.
- Escribe lo que encontraste al principio del documento del proyecto. Nunca asumas un modelo de memoria.
1. Brief
Escribe brief.md en la carpeta del proyecto antes de gastar nada:
- Objetivo y ubicación: anuncio (qué red), social orgánico, sitio web, activo de ventas. Audiencia.
- Formato: relación(es) de aspecto, duración(es), idioma(s), sonido activado o silencioso primero.
- Hoja de ritmo: una línea por ritmo con su duración. Gancho en los primeros 2 segundos. Para anuncios, la marca se ve y se oye a los ~3 segundos.
- Quién habla, y como quién: un anfitrión dirigiéndose al espectador, personajes en una escena, un narrador, nadie. Esto impulsa la elección del modelo y el cumplimiento normativo.
- Verificación de cumplimiento de
references/compliance.md.
2. Storyboard (el filtro)
Sigue references/storyboard.md. Una fila por pantalla: código de tiempo, propósito, tamaño de plano, ángulo, lente, movimiento de cámara, acción segundo a segundo, línea de mirada, sonido, elementos compuestos, transición, fuente, costo en créditos y un fotograma fijo real que muestre el encuadre. La variedad de planos es el punto: un plano general de revelación, luego un primer plano, luego un inserto. Entrega el tablero visualmente (página HTML, PDF o cuadrícula de imágenes) y espera la aprobación. Sin excepciones para filmes "pequeños".
Presupuesto de imágenes: un fotograma fijo por configuración de cámara, sin variantes en el tablero. Las tarjetas, los insertos de UI y las tarjetas finales se renderizan como maquetas HTML, no generadas.
3. Elige modelos por plano
Sigue references/models-and-costs.md: asigna las necesidades de cada plano (audio nativo, diálogo sincronizado con labios, identidad entre tomas, fotograma inicial/final, duración, resolución) a capacidades, prefiere el modelo más nuevo que el proveedor recomiende para esa necesidad, luego el más barato por segundo a la resolución objetivo. Cualquier modelo que no hayas usado obtiene una toma de prueba barata antes de que el plan dependa de él. Pon modelo, resolución, segundos y créditos por plano en el brief, y el total.
4. Bloquea los fotogramas fijos
- Genera primero el fotograma fijo principal de cada personaje con el vocabulario de realismo de
references/prompting.md. Luego construye cada otra configuración editando ese fotograma fijo (nuevo ángulo, nuevo escenario, nuevo encuadre) con la cara pasada como referencia, para que la identidad se herede, no se re-genere. - Haz coincidir el tamaño del fotograma fijo con el video objetivo: un fotograma fijo de 720px animado y ampliado nunca se vuelve nítido. Para cualquier cosa a pantalla completa, el fotograma fijo tiene al menos 1440px de ancho.
- Inspecciona cada fotograma fijo: bordes falsos de tira de película o texto de pizarra, biseles de dispositivos alrededor de marcos de "cámara web", logotipos de marca sueltos en tazas y portátiles, dedos adicionales, una persona al fondo que no debería estar allí, línea de mirada incorrecta. Corrige editando el fotograma fijo. Arreglar cuesta unos céntimos; animar un fotograma fijo malo cuesta una toma.
5. Anima
- Por defecto, usa imagen a video desde el fotograma fijo bloqueado. Texto a video solo para b-roll genérico sin identidad que mantener.
- Escribe el prompt con el esqueleto y los ritmos temporizados de
references/prompting.md. Cubre cada segundo. Fija cada utilería. Dale a cada línea de mirada un objetivo. - B-roll silencioso para la edición: audio apagado. Tomas con diálogo o narrativas: audio nativo activado, sonido descrito en el prompt. El audio se reinicia desde el silencio en cada toma, por lo que cualquier acumulación debe vivir dentro de una sola toma.
- Loops continuos: fotograma inicial = fotograma final = el mismo fotograma fijo, "vuelve exactamente a la pose inicial", cámara fija.
- Las generaciones son asíncronas. Consulta cada 60 a 120 segundos. Las colas pueden tardar horas; nunca vuelvas a enviar una tarea lenta (pagas dos veces).
6. Revisa cada toma
Sigue references/review-qa.md: hoja de contacto a 1 fps, revisión de rostros a 4 fps en tomas con habla, escucha cada línea, transcríbela. Rechaza por deriva de identidad, personas o dedos adicionales, utilería que se mueve, cambios de escenario, miradas al objetivo, marcas ilegibles, palabras mal pronunciadas, cambios de voz entre tomas del mismo personaje. Registra el veredicto + ID de tarea para cada toma para que nadie regenere una toma que ya fue juzgada.
7. Edita, voz, masteriza
Sigue references/post-production.md. Usa Remotion cuando haya UI, subtítulos o diseño en movimiento; ffmpeg para un corte simple. Compone todo el texto y la UI. Subtítulos quemados para plataformas silenciosas primero. Masteriza cada entrega (etiquetas de color, sonoridad, faststart). Los renders sin procesar cambian de color en las plataformas sociales y suenan bajos en un feed.
8. Entrega y registra
- Revisa el corte primero (1080p o inferior, un enlace que el propietario pueda ver en un teléfono). Los másteres finales solo después de la aprobación.
- Pega cada ruta de salida. Registra en el documento del proyecto: IDs de tarea utilizados, créditos gastados, versiones, cada corrección que hizo el revisor.
- Cada corrección se convierte en una regla: añádela a este skill (o a las notas de gusto de tu fork) el mismo día, para que el próximo filme no la repita.
Formatos y sus recetas
| Formato | Forma | Decisiones clave |
|---|---|---|
| Anuncio UGC / anfitrión callejero, 9:16, 15-25s | 1-2 tomas con diálogo nativo de un anfitrión hablando a cámara, cortadas con ffmpeg, subtítulos quemados | El anfitrión se dirige al espectador, nunca un falso testimonio de cliente. ≤3 palabras/s. Ambiente callejero de fondo |
| Filme narrativo, 30-60s | 4-6 tomas encadenadas de 8-15s, planos de dos personas para diálogo, como máximo un corte intencional a negro | 720/1080p, audio nativo, storyboard aprobado, bloque de continuidad textual en cada toma |
| Anuncio de característica / producto, 15s | Persona a pantalla completa en el gancho y el cierre, UI del producto compuesta en el medio, zooms de acercamiento, subtítulos de palabras destacadas | 480p mosaicos de personas (ampliar para YouTube), UI reconstruida del producto real |
| Filme de producto narrado | Sin personas generadas o algunos mosaicos de b-roll; UI real animada; narrador TTS | Línea de VO ≤2/3 de su espacio de ritmo, música de fondo a -18 dB relativo |
| Clip de podcast / conversador | Dos hablantes, multi-toma dentro de una generación o planos de dos personas | Nombra la estética del podcast, paneos rápidos, zoom de acercamiento en los remates |
| Loop heroico de sitio web, 5-8s | Una toma fija, inicio = fotograma final | ≥1440px el fotograma fijo, 720p la toma, WebM + MP4 de aproximadamente 400 KB, póster = fotograma 0 |
| Retargeting / filme de cliente | Logotipo del cliente real pintado a mano en una pared mediante referencia de imagen, escenas sinceras del equipo | Aprobación por escrito del cliente antes del lanzamiento |
En qué se resume "que se vea real" (lista de verificación rápida)
- La cámara tiene un cuerpo: balanceo de cámara en mano, una lente (24/35/50/85mm), un sensor (película de 35mm, teléfono, cámara web)
- La luz tiene una fuente: ventana, lámpara práctica, calle nublada, sol a través de las hojas
- La piel tiene textura: poros, tono desigual, cabellos sueltos, look sin maquillaje
- El vestuario es ordinario y específico: "sudadera azul marino debajo de una chaqueta de lona color canela sin cerrar"
- El escenario está habitado: tazas, cables, notas adhesivas, una planta, personas pasando desenfocadas
- La acción es continua y motivada, con una pose de inicio y una de final
- La línea de mirada va a algún lugar en la escena
- La utilería se comporta: quieta a menos que se indique, nunca arrastrándose, deslizándose o transformándose
- El sonido tiene una habitación: tono de habitación, tráfico, murmullo, carácter del micrófono
- No se generó nada legible: pantallas giradas hacia otro lado, texto añadido en la edición