Por qué el video con IA sigue fallando en manos y rostros, y el orden que lo soluciona

Pregúntale a cualquiera que haya entregado video con IA para un cliente y la misma queja reaparece. Las manos están mal. El rostro se desvía. Todo se ve impresionante hasta el momento en que un personaje recoge algo, y entonces la ilusión se derrumba en el único lugar donde el espectador no puede dejar de mirar.

La solución tiene menos que ver con el modelo y más con el orden en que trabajas. Los estudios que obtienen resultados consistentes generan primero la imagen fija, la revisan, la reparan y solo entonces la animan.

El orden importa más que el modelo

Detectar un pulgar roto en una imagen fija cuesta una edición de imagen. Detectarlo después de una generación de video cuesta volver a ejecutar el clip por completo. A los precios actuales, un clip de ocho segundos cuesta desde un puñado de créditos hasta varios cientos según el modelo, mientras que una edición de imagen es una fracción de eso. Trabajar hacia atrás desde el video desperdicia el recurso caro en un defecto que podrías haber visto por casi nada.

Así que el flujo de trabajo práctico es una lista de verificación, no un prompt. Genera el fotograma. Haz zoom en las manos y el rostro. Repara lo que esté roto. Apruébalo. Anima una vez. Convierte esa secuencia en una plantilla y cada toma de producto ejecuta los mismos pasos, lo que elimina las conjeturas de un proceso que ya tiene demasiadas.

Los modelos difieren en cuánta anatomía puedes fijar

Todos los modelos de video actuales aceptan algún tipo de entrada de imagen, y el techo de consistencia depende de cuántas referencias aceptan y de si admiten control de primer y último fotograma. Ese control es la palanca infrautilizada. En lugar de dejar que el modelo invente el destino de un movimiento, tú proporcionas ambos extremos, y el modelo interpola entre dos fotogramas que ya has aprobado.

Veo 3.1 acepta hasta tres imágenes de una misma persona o producto, además del primer y último fotograma. Es el modelo al que recurres cuando tanto el rostro como el audio tienen que funcionar, y Veo 3.1 Fast ofrece la misma entrada de referencia a un precio más bajo para bloquear movimiento antes de gastar créditos del modelo insignia. Seedance 2.0 acepta hasta nueve imágenes, tres clips de video y tres clips de audio como referencia, y sus tomas duran hasta quince segundos, aunque los rostros humanos reales necesitan el consentimiento de ByteDance y una verificación facial. Kling 3.0 construye Elements a partir de dos a cuatro imágenes de referencia cada uno, hasta tres por clip, que es como mantienes a un sujeto a lo largo de una secuencia de varias tomas. Runway Gen-4.5 acepta solo un primer fotograma.

La regla práctica que se desprende de la comparación: una pasada de borrador en un modelo rápido es el diagnóstico más barato que tienes. Si la mano falla en Veo Fast, es poco probable que se sostenga en el modelo insignia, y lo descubriste por menos créditos.

Empieza con el producto ya en la mano

Una técnica aparece una y otra vez en las notas de producción, y es casi demasiado simple. Empieza con el producto ya en la mano, luego mueve la cámara. Los modelos conservan un agarre existente de forma mucho más fiable que formando uno nuevo. Pedirle a un modelo que averigüe cómo una persona recoge algo es pedirle que resuelva un problema que no tiene nada que ver con para qué sirve la toma.

La misma lógica se aplica a los rostros. Si la toma necesita a una persona reconocible, proporciona la referencia y deja que el modelo interpole en lugar de describir el rostro con texto y esperar. Las descripciones producen un rostro que parece plausible a simple vista e inquietante al mirarlo con detenimiento, que es el peor resultado para cualquier cosa que un espectador vaya a ver más de una vez.

La duración del clip fuerza la elección

Para una toma de más de unos ocho segundos, el campo se reduce a Seedance 2.0 y Kling 3.0, que alcanzan hasta quince segundos. Todo lo demás necesita encadenamiento, y el encadenamiento es donde la consistencia de personajes y objetos vuelve a romperse. Por eso el control de primer y último fotograma importa tanto: es el mecanismo que permite que un agarre se mantenga a través de un corte sin que el modelo lo reinvente.

El orden de generar primero la imagen fija es en realidad un argumento económico

Si tratas esto como un método de producción, la aritmética se vuelve obvia. Una generación de imagen y una edición de imagen son baratas en comparación con una generación de video. El costo de un clip escala con su duración y resolución, y es el único paso de la cadena donde un solo error llega después de que ya hayas pagado. Todo lo anterior existe para asegurar que el único paso caro no tenga que repetirse.

Eso invierte el instinto que la mayoría de la gente trae del prompting. El movimiento natural es describir toda la escena en texto y generar el video directamente, porque eso se siente como usar el modelo en su máxima potencia. También es el camino que gasta más dinero con las menores garantías. Aprobar primero un fotograma convierte una generación abierta en una controlada, porque el modelo ahora está animando algo que ya has decidido que es correcto.

El mismo orden protege contra un fallo más sutil: la toma que se ve bien fotograma a fotograma y mal en movimiento. Una mano que se ve bien en una imagen fija puede romperse en el momento en que se mueve, y la única forma de saberlo es verlo, lo que significa que lo verás de todos modos. La pregunta es si estás viendo un clip que tiene un problema que puedes arreglar o uno que tiene un problema que solo puedes pagar por rehacer.

En qué siguen difiriendo de verdad los modelos

No todas las diferencias entre modelos son un nivel de precios. La cantidad de imágenes de referencia aceptadas y la existencia o no del control de primer y último fotograma cambian lo que es posible, no solo cuánto cuesta. Un modelo limitado a un único primer fotograma no puede mantener a un sujeto a través de un corte, porque no hay una segunda referencia a la que el modelo pueda apuntar.

Por eso las especificaciones de referencia merecen tanta atención como las valoraciones de calidad. Un modelo que acepta nueve imágenes de referencia puede llevar a un personaje a través de una secuencia de una forma que un modelo que solo acepta el primer fotograma no puede, incluso si el segundo modelo produce clips individuales más bonitos. Para una toma de cabeza parlante, gana el modelo más bonito. Para una secuencia corta con un producto recurrente, gana el que tiene presupuesto de referencias.

El control de primer y último fotograma es la palanca que la mayoría de los equipos infrautiliza, y aborda la debilidad central de todos los modelos de video: que inventan un destino que no puedes predecir. Proporcionar ambos extremos significa que el modelo interpola entre dos fotogramas que ya has revisado. El movimiento se mantiene plausible porque los puntos finales son reales, y el problema de consistencia deja de ser una apuesta a la imaginación del modelo.

Lo que esto significa para quién puede hacer el trabajo

El orden y los controles de referencia juntos amplían quién puede producir video con IA aceptable. Un estudio pequeño sin un flujo de postproducción ahora puede generar una imagen fija, arreglarla en un editor de imágenes y animar una toma que se mantiene coherente, sin la limpieza especializada que antes era obligatoria. La habilidad se desplaza de arreglar fotogramas rotos a planificar tomas que eviten los casos en los que los modelos todavía fallan.

Esa es la misma transición que golpeó la generación de imágenes fijas hace dos años. Cuando las herramientas se volvieron lo bastante fiables, el oficio se trasladó aguas arriba hacia la dirección de arte y aguas abajo hacia la revisión, y el paso intermedio, ese en el que una persona luchaba por hacer que una herramienta cooperara, se encogió. El video está entrando en esa fase ahora, y los equipos que adapten su proceso primero son los que entregarán a tiempo mientras todos los demás vuelven a ejecutar clips.

Así que vale la pena escribir la disciplina. Genera la imagen fija, arregla las manos, aprueba el fotograma, luego anima. El modelo se lleva el crédito. El orden se lleva el resultado.