Puntos clave
La diferencia es quién elige el sujeto
En texto a video el modelo lo inventa todo: el rostro, la habitación, el vestuario, la luz y el movimiento. En imagen a video ya has fijado el rostro, la habitación, el vestuario y la luz al aportar un fotograma, y lo único que el modelo sigue decidiendo es qué ocurre después. Esa es toda la distinción, y de ella se derivan todas las consecuencias prácticas. Si te importa cómo se ve el sujeto, estás en territorio de imagen a video te hayas dado cuenta o no.
Casi todo el catálogo es imagen a video, y no es casualidad
En las familias de modelos disponibles aquí, los endpoints de imagen a video superan a los de texto a video en aproximadamente dos a uno. La industria convergió ahí porque lo difícil del video es la consistencia, no el movimiento. Con un fotograma de partida, el modelo tiene un ancla para la identidad, la iluminación y el encuadre en cada fotograma posterior. Con solo palabras, tiene que rederivarlo todo desde cero, y las pequeñas desviaciones se acumulan a lo largo del clip.
Para qué sirve tu prompt cambia por completo entre ambos
Un prompt de texto a video tiene que llevar a la vez apariencia, escenario, cámara y movimiento, y se leerá como un todo. Un prompt de imagen a video debería llevar casi únicamente movimiento y cámara: volver a describir el sujeto es, en el mejor de los casos, tiempo perdido y, en el peor, activamente dañino, porque invitas al modelo a reinterpretar algo que ya puede ver. El error más común en imagen a video es pegar un prompt de texto a video y preguntarse por qué cambió el rostro.
Cómo saber cuál necesita tu idea
Pregúntate si puedes nombrar a la persona del plano. Si la respuesta es “una mujer con un vestido rojo” (una descripción, no un individuo), texto a video está bien y te da más variedad por intento. Si la respuesta es “esta persona, de esta foto”, imagen a video es el único modo que puede conseguirlo, y ningún detalle del prompt hará que texto a video mantenga un parecido concreto. Un camino intermedio útil es generar primero una imagen, quedarte con la que te guste y animar esa.
Versiones y opciones
- Decide si el sujeto es descrito o concreto. Descrito significa texto a video; concreto significa imagen a video.
- Para imagen a video, elige la mejor imagen disponible: nítida, bien iluminada y con el sujeto claramente separado del fondo. El movimiento no puede rescatar un fotograma de origen borroso.
- Escribe el prompt según el modo: apariencia más movimiento para texto a video, solo movimiento y cámara para imagen a video.
- Fija la duración antes que cualquier otro ajuste. Es el parámetro que más afecta tanto al resultado como al coste.
- Genera un clip corto como prueba, no uno largo. Juzga la calidad del movimiento a los 5 segundos antes de pagar por más.
- Si la identidad se desvía en imagen a video, acorta el clip en lugar de reescribir el prompt: la desviación se acumula con el tiempo, no con las palabras.
Evidencia y orientación
Dónde suele decepcionar cada uno
Texto a video decepciona en repetibilidad: ejecuta el mismo prompt dos veces y obtendrás dos personas distintas. Imagen a video decepciona en ambición: no trasladará a tu sujeto a otra habitación, no cambiará la hora del día ni añadirá una segunda persona que no está en el fotograma de origen. Pedirle eso suele producir un clip que ignora la instrucción en lugar de uno que falla visiblemente, y por eso gasta créditos en silencio.
El tercer modo: dos fotogramas en lugar de uno
Algunas familias de modelos aceptan un fotograma inicial y uno final, y generan la transición entre ellos. Conviene saber que existe porque resuelve un problema que ninguno de los otros modos maneja bien: lograr que un clip llegue a un estado final concreto. Con un solo fotograma inicial le pides al modelo que invente dónde acaba el movimiento, y elegirá algo plausible en lugar de algo que hayas elegido tú. Con los dos extremos fijados, el modelo interpola en lugar de improvisar y el resultado es mucho más predecible, a costa de que tengas que producir una segunda imagen coherente con la primera.
Qué significa “movimiento” para el modelo y cómo decirlo
Las instrucciones de movimiento fallan sobre todo porque describen una sensación en lugar de un movimiento. “Dinámico”, “cinematográfico” y “animado” no son movimientos; son adjetivos que el modelo tiene que traducir a uno, y elegirá el promedio de todo lo que ha visto. Los movimientos son cosas con una dirección, un sujeto y un ritmo: la cámara avanza despacio, el pelo se levanta con una brisa suave, la cabeza gira a la izquierda y vuelve. Algunas familias de modelos también ofrecen un control explícito de amplitud, que conviene usar cuando existe: es la diferencia entre pedir menos movimiento y esperar que ocurra.
El coste es una decisión independiente del modo
Algo que no cambia entre los dos modos es lo que determina la factura: primero la duración, después la resolución. Resulta tentador suponer que imagen a video es más barato porque aportaste la mitad de la información, pero los precios no funcionan así: el modelo renderiza todos los fotogramas en ambos casos. Elegir un modo es una decisión creativa; elegir una duración es una decisión de presupuesto. Tomarlas por separado y en ese orden es el hábito que mantiene asequible la iteración.
