← Volver al blog
Aiaprox. 8 min de lectura

ViMax: un agente que convierte una idea en un corto terminado, no en cinco segundos de vídeo

Publicado 10 nov 2026
ViMax: un agente que convierte una idea en un corto terminado, no en cinco segundos de vídeo

Lo más interesante de ViMax no es que genere vídeo. Eso lo hacen muchos repositorios. Lo interesante es que el ejemplo del propio repositorio no te pide un prompt. Te pide un logline.

idea = \
"""
If a cat and a dog are best friends, what would happen when they meet a new cat?
"""
user_requirement = \
"""
For children, do not exceed 3 scenes.
"""
style = "Cartoon"

Ese bloque vive dentro de main_idea2video.py. Editas el archivo de Python, configuras tres claves de API y lo ejecutas. Lo que sale debería ser un corto terminado: guion, storyboard, diseños de personaje, planos y el vídeo montado. El repositorio es HKUDS/ViMax, acumula unas 12.8K estrellas y su propuesta es que un solo agente sostiene cuatro puestos a la vez: director, guionista, productor y generador.

Que lo consiga es una pregunta distinta de si el planteamiento es el correcto. Y el planteamiento es el correcto. Casi todas las herramientas de texto a vídeo del mercado se niegan a decidir. Le das una frase y te devuelven cinco segundos. Todo lo que hay por encima de esa frase —quién es el personaje, qué debería ser el segundo plano, si el tercero contradice al primero— es tu problema. La apuesta de ViMax es que el producto que faltaba nunca fue el modelo. Era la capa que decide qué pedirle al modelo.

Qué hay dentro de la caja

Tres puntos de entrada, y conviene separarlos porque la gente los mezcla.

De idea a vídeo. main_idea2video.py recibe una premisa, una frase de restricción y una palabra de estilo. El agente escribe el guion, lo parte en escenas, genera keyframes y se los pasa a un modelo de vídeo.

De guion a vídeo. main_script2video.py se salta la escritura. Le entregas un guion en formato de guion cinematográfico —EXT. SCHOOL GYM - DAY, edades entre paréntesis, diálogo en su propia línea— más un requisito como «ritmo rápido, sin más de 20 planos». El agente lo interpreta, reparte papeles y genera.

Una TUI interactiva y una interfaz web local. El mismo motor, dos fachadas. La TUI es el camino rápido; la web añade proyectos con nombre, un panel de conversación, previsualizaciones del storyboard e inspección de artefactos.

Hay una cuarta cosa escondida en la configuración que me parece más importante que las tres anteriores: image_selection.

image_selection:
  num_candidates: 2  # Set to 1 to disable selection.

Por defecto, ViMax genera dos keyframes candidatos en paralelo y deja que un modelo de chat con visión elija el mejor. Es una función pequeña con una implicación grande. Significa que el sistema no trata la generación de imagen como una tragaperras en la que vuelves a tirar hasta que algo queda decente. La trata como una decisión con coste, tomada por algo capaz de mirar las dos opciones. El README avisa de que esto sube el gasto en API. También es la diferencia entre un agente y un bucle for.

La instalación, sin adornos

Cuatro comandos, y uno de ellos será el motivo por el que abandones si estás en Windows.

git clone https://github.com/HKUDS/ViMax.git
cd ViMax
uv sync

Ese es el entorno. Lo resuelve uv; en el arranque rápido no hay receta de conda ni archivo de Docker. Después:

cp configs/agent.example.yaml configs/agent.local.yaml

Y ahora rellenas tres bloques. No uno: tres. Un modelo de lenguaje, un generador de imagen y un generador de vídeo, cada uno con nombre de modelo, URL base y clave.

llm:
  model_provider: openai
  model: <YOUR_LLM_MODEL>
  base_url: <YOUR_LLM_BASE_URL>
  api_key: <YOUR_API_KEY>

image:
  model: <YOUR_IMAGE_MODEL>
  base_url: <YOUR_IMAGE_BASE_URL>
  api_key: <YOUR_API_KEY>

video:
  model: <YOUR_VIDEO_MODEL>
  base_url: <YOUR_VIDEO_BASE_URL>
  api_key: <YOUR_API_KEY>

Si prefieres no tener archivo de configuración, los mismos valores pueden llegar desde VIMAX_LLM_API_KEY, VIMAX_IMAGE_API_KEY y VIMAX_VIDEO_API_KEY. Luego vimax tui abre una sesión y vimax tui resume <session_id> retoma una.

Tres proveedores es la parte que la gente subestima. No es una molestia de instalación, es la arquitectura asomando: ViMax está pegado a lo que le enchufes. La configuración de ejemplo apunta a OpenRouter para el chat, a una clase de imagen de Google y a una de vídeo de Google —ImageGeneratorNanobananaGoogleAPI y VideoGeneratorVeoGoogleAPI—. Cambias la ruta de la clase y cambias de proveedor. Es flexible de la misma forma en que es flexible una regleta bien etiquetada.

La interfaz web se instala aparte:

cd web
npm install
npm run dev

Escucha en 127.0.0.1:4173. En una máquina remota rediriges el puerto; VIMAX_WEB_PORT lo mueve. Nada exótico, pero conviene tener claro que «interfaz web local» significa exactamente eso: no es un producto alojado y no hay capa de autenticación entre el puerto y tus claves.

A dark editing suite with a storyboard, a script page and a video timeline on three monitors

Qué hace el agente entre tu idea y tu MP4

La respuesta honesta es: el mismo pipeline que ejecuta un equipo de producción pequeño, sin las discusiones.

Lee la premisa. Decide un tono. Escribe un guion con escenas. Elige un estilo visual y lo mantiene. Describe cada escena como un plano con posición de cámara y sujeto. Genera keyframes. Escoge entre candidatos. Anima. Monta. Comprueba si lo montado sigue correspondiendo a la premisa del principio.

El fallo interesante está en el último paso. Los modelos de vídeo derivan. La chaqueta de un personaje cambia de color entre planos. Una habitación que tenía dos ventanas tiene tres. Cuando un montador humano lo detecta, rueda de nuevo o corta para disimularlo. Cuando lo detecta un agente, tiene que decidir si regenera —lo que cuesta dinero— o acepta la deriva. La respuesta de ViMax, por lo que muestra el README, es apoyarse en la selección de keyframes y en que el guion no se mueva. No anuncia ningún verificador de consistencia.

Eso es lo primero que hay que probar si vas a evaluarlo en serio. No «¿hace treinta segundos bonitos?». Pídele cuatro planos del mismo personaje caminando por la misma calle y cuenta cuántas veces cambia la calle.

Dónde encaja y dónde no

ViMax no compite con la línea de tiempo de Runway ni con un editor de vídeo de verdad. Compite con la página en blanco. El caso de uso realista es el que insinúa el ejemplo del repositorio: piezas cortas y autocontenidas que se pueden especificar en un párrafo. Un cuento infantil, un explicativo, una prueba de concepto para un pitch que todavía no tiene presupuesto.

También es una implementación de referencia realmente útil si estás construyendo tu propio agente. La separación entre idea2video y script2video es la costura correcta: uno es un agente creativo, el otro es un agente de ejecución, y casi todo el mundo que construye este tipo de herramienta los mezcla hasta dejarlos inmantenibles.

Dos advertencias que conviene decir sin rodeos. Primera: el README no declara licencia. En un repositorio con 12.8K estrellas eso no es un detalle, es un bloqueo para uso comercial hasta que se aclare. Segunda: el modelo de coste es invisible. No hay tope de presupuesto, ni estimación por ejecución, ni modo de prueba en el arranque rápido. La primera vez que sabrás lo que cuesta un cartoon de cuatro escenas es cuando llegue la factura.

OpenMontage, el otro gran repositorio de vídeo con agentes de este mes, fue en la dirección contraria: puertas duras, un tope por defecto de 10 dólares declarado, un umbral de aprobación de cincuenta centavos por acción. ViMax apostó por el flujo. Las dos posturas se defienden. Solo una sobrevivirá al contacto con un departamento financiero.

La parte que envejecerá bien

Dentro de un año, los modelos de vídeo que llame ViMax serán mejores y más baratos, y alguien habrá reescrito el esquema de configuración. Lo que probablemente sobreviva es el patrón de interacción: dale al sistema una premisa, no un prompt; deja que te muestre keyframes candidatos en lugar de una única toma; mantén el guion como el contrato que los planos tienen que cumplir.

Ese patrón ya aparece en todas partes: en vídeo a juego, donde un clip generado se convierte en el documento de diseño que un agente de código debe igualar; en OpenMontage, donde el pipeline se detiene a pedir aprobación en cada puerta creativa. La industria pasó dos años discutiendo qué modelo gana. La discusión más útil, la que estos repositorios están teniendo de verdad, es quién tiene permiso para tomar la segunda decisión.

Artículos relacionados