Guía de prompts de vídeo IA: estructura, movimiento y elección de modelo

Como mínimo, un buen prompt de vídeo responde cinco preguntas:

• ¿Quién o qué es el sujeto, y cómo se ve al principio?
• ¿Dónde ocurre la escena, incluidos los detalles importantes de primer plano y fondo?
• ¿Qué ocurre durante el clip, en un orden que la duración pueda sostener?
• ¿Cómo lo ve la cámara: tamaño de plano, ángulo y movimiento?
• ¿Cuál es la atmósfera: luz, clima, estado de ánimo y, si la herramienta lo soporta, sonido?

La mayoría de herramientas también necesitan decisiones de entrega fuera del prompt escrito: duración, relación de aspecto y si empiezas solo desde texto o desde una imagen. Esos controles dependen del modelo y de la interfaz. Revisa la configuración del producto o de la API para el clip que estás generando, en vez de tratar los límites de una herramienta como universales.

Ninguna estructura de prompt garantiza física realista, continuidad perfecta, texto legible en pantalla o una primera toma usable. Trata la primera generación como un borrador, después cambia una variable cada vez.

Esta guía usa SCAAL: Sujeto, Cámara, Acción, Atmósfera y Duración. Es una checklist práctica creada para GetBetterPrompts, no un estándar de la industria. Las docs oficiales usan ideas relacionadas en órdenes distintos. El material de prompting de Google para Veo agrupa cinematografía, sujeto, acción, contexto y estilo.

Las guías de Runway enfatizan descripciones visuales y de movimiento claras. La guía oficial de texto a vídeo de Kling usa sujeto, movimiento, escena y, opcionalmente, cámara, iluminación y atmósfera. SCAAL es un punto de partida portable. Cada modelo e interfaz interpreta las mismas palabras de forma distinta.

Sujeto: [quién/qué, apariencia, posición inicial]
  Cámara: [tamaño de plano, ángulo, movimiento o cámara fija]
  Acción: [movimiento principal, después cualquier evento posterior]
  Atmósfera: [luz, clima, estado de ánimo, sonido opcional]
  Duración: [duración objetivo, ritmo, relación de entrega]

Omite las partes vacías. Si la herramienta ya bloquea la duración o la relación de aspecto en la interfaz, coloca esas decisiones allí y mantén el texto enfocado en lo que el ajuste no puede expresar.

Texto a vídeo debe describir tanto la apariencia como el movimiento. La guía de texto a vídeo de Runway trata la descripción visual y la descripción del movimiento como los dos elementos esenciales. Úsalo cuando no necesitas un primer fotograma fijo, o cuando quieres que el modelo tenga más libertad para inventar la composición.

Imagen a vídeo empieza desde una imagen fija que ya define composición, sujeto, iluminación y estilo. El prompt debe describir sobre todo qué debe moverse: acción del sujeto, movimiento ambiental, movimiento de cámara, timing y velocidad.

Redescribir cada detalle visual puede pelearse con la imagen. La guía oficial de Kling para imagen a vídeo se centra en sujeto más movimiento por la misma razón.

Elige imagen a vídeo cuando la identidad, el aspecto del producto o el layout deban mantenerse cerca de una referencia fija. Elige texto a vídeo cuando estás explorando un plano y todavía no tienes un primer fotograma fiable. Ambos caminos se benefician de SCAAL. Solo cambia el equilibrio entre prosa visual y prosa de movimiento.

Nombra el sujeto con rasgos concretos: rango de edad o tipo, ropa, materiales, color, cantidad y pose o posición inicial. "Una mujer con abrigo rojo de pie al borde de un muelle de madera" es más fácil de controlar que "una persona cerca del agua".

Describe solo los detalles de escena que afecten al plano. Los objetos en primer plano, las superficies, el clima y las fuentes de luz importan cuando cambian reflejos, profundidad o estado de ánimo. Los inventarios largos de accesorios suelen competir por atención dentro de un clip corto.

Mantén estable el texto del sujeto cuando generes ángulos relacionados de la misma persona o producto. Cambia cámara y acción entre tomas. La estabilidad ayuda, pero no garantiza una coincidencia perfecta de identidad salvo que la herramienta tenga funciones de referencia o identidad y las uses como está documentado.

Indica una acción principal que la duración pueda completar. Después añade eventos posteriores solo si la duración del clip y el modelo pueden soportarlos.

Secuencias en lenguaje natural como "X ocurre, luego Y, luego Z", o marcas temporales aproximadas, son enfoques documentados en materiales actuales de Runway Gen-4.5. La coreografía compleja puede funcionar, pero el movimiento simultáneo y cargado es más difícil de controlar.

Cuando los resultados se sienten caóticos, simplifica antes de inventar más adjetivos. Prefiere causa y efecto legibles: un sujeto gira, el viento mueve la tela, la lluvia golpea el pavimento. Instrucciones mecánicas como "gira 45 grados" pueden verse robóticas salvo que quieras movimiento mecánico.

Los prompts de imagen a vídeo no deben contradecir señales fuertes de movimiento que ya estén en la imagen fija. Desenfoque, poses a medio paso o estelas de polvo implican movimiento. Pelear contra esas señales normalmente necesita una imagen fuente más limpia, no un prompt más fuerte.

El lenguaje de cámara separa un prompt de vídeo de un prompt de imagen fija. Empieza con tamaño de plano y ángulo: gran plano general, plano general, plano medio, primer plano, ángulo bajo, ángulo alto. Después añade movimiento solo si lo quieres: dolly lento hacia adelante, seguimiento, órbita, grúa, cámara en mano o trípode fijo.

El movimiento simple suele ser más fácil de diagnosticar. Si un plano falla, reduce a un movimiento de cámara claro más una acción del sujeto, después vuelve a construir complejidad.

Es una estrategia de control, no un límite universal de plataforma. La documentación actual de Runway Gen-4.5 soporta explícitamente instrucciones secuenciadas complejas y coreografía de cámara detallada dentro de un solo prompt.

Si necesitas una cámara fija, dilo en lenguaje natural y aun así describe qué se mueve dentro del encuadre. Los modelos de vídeo tienden al movimiento. "fondo estático" y "cámara fija en trípode" ayudan cuando el sujeto debe llevar la energía.

La duración suele ser un ajuste del producto, no solo una frase en el prompt. Los límites cambian según el modelo y la superficie.

Ejemplos de docs oficiales actuales, no hechos universales: la documentación de Veo 3.1 en la API de Gemini describe salidas de 8 segundos; Runway Gen-4.5 documenta de 2 a 10 segundos en esa superficie de producto; la guía oficial de texto a vídeo de Kling habla de generaciones de 5 y 10 segundos para el flujo de trabajo que cubre. Lee siempre el panel de control o el campo de API de la herramienta que estás usando.

Ajusta la acción al reloj. Cruzar una habitación caminando necesita más tiempo que girar la cabeza. Si pides varios beats en un clip corto, espera compresión, cortes o pasos omitidos. Las duraciones más largas ayudan a acciones secuenciadas. Las duraciones cortas favorecen un solo beat.

Nombra el ritmo cuando importe: tiempo real, cámara lenta, energía de corte rápido, pausa sostenida. Combina palabras de ritmo con movimiento concreto para que el modelo no tenga que adivinar qué significa "cinematográfico" solo para el timing.

La luz y el clima hacen doble trabajo: marcan el estado de ánimo y crean oportunidades de movimiento visible, como cambios de rayos de sol, deriva de niebla o reflejos de neón en calles mojadas. Prefiere señales concretas frente a adjetivos sueltos. "Niebla inquietante en un pasillo de hospital abandonado, luces fluorescentes parpadeando" es más accionable que "ambiente de miedo".

Los anclajes de estilo ayudan cuando aparece una época o género equivocado: tipo de película, década, cámara en mano documental, cine digital limpio, iluminación comercial de producto. Pon el estado de ánimo más importante al principio si es crítico, después mantén el resto del prompt consistente con esa decisión.

Cuando un modelo soporta audio nativo, puedes dirigir ambiente, efectos y diálogo entre comillas en el mismo brief. El soporte y la calidad varían por modelo y por acceso de producto frente a API. No asumas que todas las herramientas de vídeo pueden hablar, sincronizar labios o poner música al plano.

La continuidad falla por razones normales: líneas de sujeto reescritas, detalles de vestuario contradictorios, relaciones de aspecto distintas o prompts que inventan accesorios nuevos entre tomas. Copia el bloque del sujeto exactamente cuando solo quieres cambiar la cámara o la acción.

Las imágenes de referencia, ingredientes, fotogramas iniciales y finales, y funciones de extensión dependen del modelo. En la API de Gemini, la documentación actual de Veo 3.1 describe dirección basada en imagen con hasta tres imágenes de referencia, flujos de trabajo de primer y último fotograma, y extensión de clips Veo generados previamente.

Otras herramientas ofrecen sus propios controles de referencia y fotograma. Las apps de producto y las API no siempre exponen las mismas opciones.

Las referencias aumentan las probabilidades de consistencia. No garantizan caras, logos o geometría de producto idénticos en cada toma. Para trabajo de marca crítico, planea seleccionar, recortar y componer en un editor.

Configura la relación de aspecto antes de generar. El modelo compone para el encuadre que pides. Recortar después tira bordes que estaban pensados.

Destinos de entrega comunes:

• 16:9 para web horizontal, presentaciones y muchos reproductores de escritorio
• 9:16 para placements sociales verticales
• 1:1 para feeds cuadrados y clips centrados de producto o talking head

Las relaciones y resoluciones soportadas varían por herramienta. Las docs actuales de Veo 3.1 en la API de Gemini listan horizontal 16:9 y vertical 9:16 entre las opciones de generación. Runway Gen-4.5 documenta varias relaciones en su superficie de producto, incluidas 16:9, 9:16 y 1:1.

La guía oficial de texto a vídeo de Kling lista 16:9, 9:16 y 1:1 para el flujo de trabajo que describe. Confirma los ajustes vivos de tu cuenta en vez de memorizar una lista como permanente.

Elige un flujo de trabajo por la tarea, no por una tabla de calidad. Los rankings sin soporte esconden las diferencias reales: duración, audio, referencias, extensión, control de fotogramas, bucle de edición y si estás en una app de consumo o en una API.

Modelos de vídeo de Google (guía de Gemini API): la documentación actual de generación de vídeo de Google recomienda Gemini Omni Flash como opción por defecto para generación de vídeo, destacando razonamiento multi-input, edición conversacional y fortalezas relacionadas. Apunta a Veo 3.1 cuando necesitas capacidades como extensión de escena, control de último fotograma o integración con pipelines antiguos. Tómalo como la división documentada por Google para su propia familia, no como una afirmación de que cualquiera de los dos modelos supera a todos los demás proveedores.

Runway Gen-4.5: las docs oficiales del producto describen texto a vídeo e imagen a vídeo, instrucciones secuenciadas, coreografía de cámara y controles de duración y relación de aspecto en esa superficie. Encaja bien cuando quieres un bucle de generación orientado a edición con dirección explícita del movimiento.

Kling: las guías oficiales de Kling enseñan escritura estructurada de sujeto, movimiento y escena para texto a vídeo, y escritura de sujeto más movimiento para imagen a vídeo. Los detalles de capacidad cambian entre versiones y superficies de Kling, así que verifica duración, audio y funciones de referencia en el producto que realmente uses. Esta guía no compara Kling en ranking frente a otras herramientas.

Sora (histórico): OpenAI cerró las experiencias web y app de Sora el 26 de abril de 2026, y afirma que la API de Sora se descontinuará el 24 de septiembre de 2026. Si estás migrando un flujo antiguo de Sora, reconstruye el brief con SCAAL y pruébalo en la herramienta que elijas ahora. No asumas que un modelo es reemplazo directo de otro.

Las interfaces de app y las API pueden diferir incluso dentro del mismo proveedor. Una función visible en un producto de estudio puede faltar, estar solo en preview o tener otro nombre en la API. Lee la superficie que estás llamando.

Para detalles específicos de acceso y familia de producto de Gemini, usa la guía de Gemini del sitio. Mantén esta página centrada en el oficio portable del prompt de vídeo.

Texto a vídeo flojo: "A cool video of someone on a pier at sunset."

Texto a vídeo mejorado: "Medium shot of a woman in a red wool coat standing at the edge of a wooden pier. She turns toward camera as wind lifts her hair. Slow dolly in. Overcast late afternoon, soft diffused light, grey water behind her. Real-time pacing, melancholic mood. 16:9."

Qué cambió: un sujeto específico, una sola acción legible, un movimiento de cámara, atmósfera que implica iluminación y una relación de entrega. El modelo tiene menos huecos que inventar.

Imagen a vídeo floja (dada una imagen de producto de un estuche de auriculares negro mate sobre mármol): "Make it cinematic and premium."

Imagen a vídeo mejorada: "Keep the earbud case fixed on the marble. Slow 180-degree orbit at eye level. Soft studio key light from above, subtle reflection crawl on the matte surface. No new props. Locked product scale. 1:1."

Qué cambió: el prompt deja de rediseñar el producto y en su lugar dirige movimiento, cámara y comportamiento de la luz que la imagen fija todavía no codifica.

Parpadeo, jitter o extremidades que se deforman: demasiados movimientos simultáneos. Reduce a una acción del sujeto y un movimiento de cámara. Di qué elementos se quedan quietos.

Movimiento de cámara ignorado: refuerza el ángulo o el movimiento con lenguaje claro y elimina movimientos conflictivos. Itera en vez de apilar sinónimos.

Deriva de identidad entre clips: reutiliza el párrafo exacto del sujeto, mantén relación de aspecto y anclajes de estilo idénticos, y usa controles de referencia o fotograma cuando la herramienta los proporcione.

Cortes no deseados o beats apresurados: la duración puede ser demasiado corta para la secuencia, o el prompt implica una edición. Alarga el clip, simplifica la lista de beats o añade una instrucción de plano continuo si necesitas una sola toma.

Género o época incorrectos: añade anclajes de estilo más fuertes y elimina palabras de estilo mezcladas que se pelean entre sí.

Texto o logos ilegibles: la mayoría de modelos de vídeo son débiles con tipografía legible. Añade títulos y logos en postproducción cuando el mensaje deba leerse.

Juzga el éxito comparando el clip visible con tu checklist. No le pidas al modelo que revele una cadena de pensamiento oculta o razonamiento interno como método de verificación.

Antes de pulsar generar:

• La apariencia del sujeto y su posición inicial son específicas
• Los detalles de escena se limitan a lo que el plano necesita
• La acción principal encaja con la duración seleccionada
• El tamaño de plano, el ángulo y el movimiento de cámara son explícitos o están abiertos a propósito
• La atmósfera y el estilo no se contradicen
• Texto a vídeo incluye visuales más movimiento; imagen a vídeo se enfoca en movimiento
• La relación de aspecto coincide con el destino
• Los controles de referencia o fotograma están configurados si la continuidad importa
• Las indicaciones de audio se incluyen solo cuando el modelo elegido las soporta
• Sabes qué variable cambiarás si la primera toma falla

Escribe prompts de vídeo como briefs de plano cortos: sujeto, cámara, acción, atmósfera y duración. Elige texto a vídeo o imagen a vídeo según necesites o no un primer fotograma fijo. Selecciona modelos por necesidades de flujo de trabajo, como bucle de edición, extensión, referencias o audio, no por rankings sin soporte. Compara la salida con tu checklist, cambia una variable y repite.

Cuando quieras ayuda para convertir una idea en bruto en un brief de vídeo más claro, usa la herramienta gratuita de prompts de vídeo de GetBetterPrompts.