Crear vídeos cortos con flux-3-max/image-to-video en la API de HiAPI

Por qué la generación de vídeo a partir de imagen encaja con la producción de vídeos cortos

El éxito de un vídeo corto se decide en el primer segundo. Esto convierte una imagen estática en tu activo más valioso y hace que la generación de vídeo a partir de imagen sea la primitiva natural para este tipo de trabajo. Partes de una imagen que ya controlas —una foto de producto, un retrato, un fondo estilizado— y pides al modelo que la extienda en movimiento.

En comparación con la generación de vídeo a partir de texto, donde cada renderizado es como volver a lanzar los dados. Describes una escena, obtienes un resultado y luego dedicas muchas rondas de iteración a intentar recuperar la composición que tenías en mente. En la generación de vídeo a partir de imagen, la composición, la tonalidad y la identidad del sujeto ya están fijadas antes de generar el primer fotograma de movimiento. Tu prompt solo tiene que responder a una pregunta: a partir de aquí, ¿qué cambia?

Este reparto de tareas se corresponde con la forma real de producir contenido de vídeo corto. Un vídeo corto rara vez es una generación continua: se compone de varios beats: el gancho, la demostración, la reacción y la tarjeta de cierre. Cada beat puede ser una llamada independiente de generación de vídeo a partir de imagen, sembrada por su propia imagen estática, lo que significa que puedes regenerar un beat sin tocar los demás.

Esta primitiva también encaja con el formato de entrega. Los vídeos cortos son breves, por lo que cada solicitud tiene un alcance definido y un coste de inferencia bajo, y la salida puede colocarse directamente en la línea de tiempo de edición. Los pasos posteriores —recorte, transiciones, subtítulos, mezcla de audio— se quedan en tu canalización existente, en lugar de meterse en una única llamada de generación enorme.

Cuándo no conviene la generación de vídeo a partir de imagen: cuando realmente necesitas un único movimiento de cámara continuo en un entorno que no se puede rodar, o cuando el plano no tiene un fotograma de anclaje estable. En esos casos, el enfoque guiado por texto es más honesto. Pero para la mayoría del trabajo con vídeos cortos, un primer fotograma anclado más un prompt de movimiento es más predecible y más fácil de iterar.

Elegir un primer fotograma que realmente se mueva

El fallo más común en la generación de vídeo a partir de imagen es una imagen de origen bonita que no da al modelo nada que animar. Una imagen plana, con iluminación uniforme y encuadre cerrado es una buena foto, pero una mala semilla. Antes de enviar cualquier cosa al modelo, evalúa la imagen estática por su potencial de movimiento, no por su calidad de imagen.

Separación del sujeto

El modelo necesita saber qué debe moverse y qué debe quedarse quieto. Un sujeto con bordes nítidos claramente diferenciado del fondo le da una respuesta clara. Cuando el sujeto se funde con el fondo —tonos similares, texturas recargadas detrás de una silueta, mucho solapamiento— el movimiento tiende a extenderse por toda la imagen en lugar de seguir a tu sujeto.

Espacio de movimiento

El movimiento necesita espacio. Si el sujeto llena el encuadre de borde a borde, un paneo o un acercamiento no tienen a dónde ir, y el movimiento corporal se recortará. Una imagen con algo de aire sobre la cabeza, suelo visible o fondo abierto a un lado da al modelo margen para ejecutar movimientos de cámara y acciones corporales sin generar artefactos en los bordes.

Un único punto focal claro

Los vídeos cortos se ven en el móvil, y el primer segundo suele reproducirse sin sonido. Una imagen estática con un único punto focal dominante se entiende al instante y da al movimiento un sujeto. Una imagen abarrotada obliga al modelo a repartir la atención, y el clip resultante parece inquieto sin ser dinámico.

Pistas de profundidad de campo

Una imagen con primer plano, plano medio y fondo —aunque estén definidos de forma laxa— también sostiene la paralaje. Un ligero movimiento de cámara sobre una imagen por capas produce una sensación convincente de profundidad. Una imagen plana produce un efecto de diapositiva.

Lista de comprobación práctica

• ¿Hay un sujeto claro que pueda moverse de forma creíble?
• ¿El fondo está lo bastante diferenciado como para quedarse quieto?
• ¿Hay espacio vacío en la dirección del movimiento previsto?
• ¿La imagen sigue siendo legible cuando se reduce?
• ¿Un clip de dos segundos de esta escena se vería bien?

Si una imagen falla en dos o más de estos puntos, vuelve a rodarla o cambia de semilla en lugar de intentar arreglarla con el prompt. La ingeniería de prompts no puede salvar una composición sin espacio para el movimiento.

Escribir prompts de movimiento para flux-3-max/image-to-video

La mayoría de los prompts débiles describen la escena. La imagen ya hace eso. Un prompt de movimiento debe describir lo que cambia con el tiempo: qué se mueve, en qué dirección, a qué velocidad y cómo se comporta la cámara durante el proceso.

Empieza por la acción, no por el sujeto

En lugar de escribir «una mujer con chaqueta roja de pie en la calle», escribe «mientras gira los hombros hacia la cámara, la tela de la chaqueta se mueve con el giro y luego se queda quieta». La primera versión solo repite la imagen estática; la segunda dice al modelo qué animar. Nombra el elemento en movimiento, la dirección del movimiento y el punto final.

Especifica explícitamente el comportamiento de la cámara

El lenguaje de cámara es la parte de mayor impacto en un prompt de movimiento, porque controla todo el encuadre. Patrones útiles:

• Cámara fija, sujeto en movimiento: la opción más segura y controlable.
• Acercamiento lento: añade urgencia, ideal para el gancho.
• Paneo lateral de seguimiento: se lee como movimiento aunque el sujeto esté quieto.
• Deriva de cámara en mano: añade energía, pero puede introducir temblor que habrá que recortar.

Si no lo especificas, el modelo elegirá por ti y tendrás que repetir más a menudo.

Marca el ritmo del movimiento dentro del clip

Describe un arco, no solo un estado. «Al principio quieto, el giro empieza hacia el primer tercio y al final la imagen se serena» da al modelo una línea de tiempo. Los prompts que se leen como un único instante suelen producir o bien ningún movimiento, o bien una deriva uniforme que parece mecánica.

Mantén la brevedad y el sentido físico

Dos o cuatro frases suelen bastar. Prioriza verbos físicos y observables —girar, levantar, flotar, quedarse, desplegarse— frente a palabras interpretativas como «sentir», «transmitir» o «dramático». Los adjetivos sobre la emoción pertenecen a la imagen estática, no a la descripción del movimiento.

Una idea de movimiento por plano

Si te encuentras describiendo tres acciones simultáneas, son tres planos. Separarlos produce renderizados más limpios y, si un beat falla, solo hay que repetir ese.

Organizar la solicitud a la API

Cada generación es una solicitud a la API de HiAPI, y cada solicitud debe ser lo bastante autodescriptiva como para que puedas reconstruirla meses después. Trata la carga útil de la solicitud como un registro, no como un borrador.

Estructura de la solicitud

Una llamada a flux-3-max/image-to-video tiene conceptualmente tres bloques: la imagen de origen, el prompt y las especificaciones de salida. Más o menos como este pseudocódigo:

request = {
    "model": "flux-3-max/image-to-video",
    "input": {
        "image": image_url_or_reference,
        "prompt": motion_prompt,
    },
    "params": {
        "duration": duration_seconds,
        "aspect_ratio": aspect_ratio,
        "seed": seed,
    },
}

La imagen es tu ancla: pasa referencias estables y versionadas, no archivos locales que puedan sobreescribirse. El prompt es la descripción de movimiento de la sección anterior. El resto son parámetros que deberías fijar deliberadamente.

Fija lo que quieres poder reproducir

• Semilla. Fíjala mientras depuras el prompt, para que la variación de la salida venga del prompt y no del ruido de muestreo. Libérala cuando quieras diversidad.
• Duración. Los vídeos cortos prefieren clips breves; mantén la misma duración para todos los planos de una secuencia y el cálculo de la línea de tiempo será sencillo.
• Relación de aspecto. Elígela una vez a nivel de proyecto y deriva de ella todas las imágenes estáticas y salidas.

Envuelve la solicitud con una lista de planos

Guarda cada generación como una fila en una pequeña lista de planos: id del plano, referencia de la imagen, prompt, parámetros y referencia de salida. Este único artefacto te permite volver a ejecutar cualquier plano de forma determinista, comparar revisiones de prompts y rastrear qué entrada produjo qué clip. Esa es la diferencia entre iterar y adivinar.

Gestiona la respuesta de forma asíncrona

La generación de vídeo no es instantánea. Diseña tu cliente en torno a enviar y sondear, guarda el id de la tarea junto a la fila de la lista de planos y escribe la salida inmediatamente en almacenamiento persistente, para que el ensamblaje posterior nunca dependa de que una solicitud siga activa.

Ensamblar una secuencia de varios planos

Un vídeo corto es una secuencia, y la forma más limpia de construirlo es tratar cada plano como una generación independiente y luego ensamblarlos en la capa de línea de tiempo. Resiste la tentación de pedir un único renderizado largo y continuo.

Planifica primero los beats

Antes de generar nada, escribe la secuencia como una lista de planos. Para un clip de quince segundos, tres a cinco planos suelen ser adecuados: un gancho que gane el primer segundo, uno o dos beats que sostengan la idea y un plano de cierre que la asiente. Cada entrada lleva una imagen estática, un prompt de movimiento y una duración.

Mantén la continuidad entre planos

Las generaciones independientes producen deriva. Protege la continuidad con tres hábitos:

• Vocabulario visual compartido. Usa imágenes estáticas de la misma sesión o de la misma referencia de estilo, para que la tonalidad y la iluminación encajen entre planos.
• Relación de aspecto y duración consistentes. Una duración de clip uniforme simplifica los cortes y las transiciones.
• Coherencia del prompt. Reutiliza las mismas descripciones de lenguaje de cámara entre planos que deban sentirse como la misma escena.

Diseña pensando en el montaje

Los planos no tienen que encajar a la perfección en las uniones: necesitan cortarse limpiamente. Genera un poco más al principio y al final de cada clip para tener margen con el que recortar. Terminar un plano con movimiento y cortar a un nuevo ángulo disimula pequeños errores de continuidad mucho mejor que intentar que cada fotograma coincida.

Ensambla fuera del modelo

La unión, las transiciones y la superposición de subtítulos se hacen en tu capa de edición: una canalización controlada por scripts o una herramienta de línea de tiempo. El trabajo del modelo es producir buenos clips; el de la línea de tiempo es convertirlos en un vídeo. Mantén la lista de planos sincronizada con el montaje, para que un clip regenerado entre directamente sin reconstruir la secuencia.

Gestionar el audio nativo

flux-3-max/image-to-video genera audio junto con la imagen. Esto es cómodo, pero cambia la forma de planificar la secuencia: el audio forma parte de la generación, no es un añadido de posproducción.

Escribe prompts pensando en el sonido, no solo en el movimiento

Si un plano debe tener una firma sonora concreta —ruido ambiental de calle, zumbido de maquinaria, roce de tela—, indícalo en el prompt. La descripción del movimiento a menudo implica sonido; nombrarlo explícitamente ayuda al modelo a alinear los eventos de audio con los beats visuales. Si un plano debe estar en silencio, dilo también; el silencio es una elección de diseño válida y un contraste útil.

Planifica los cortes en torno a los eventos de audio

El audio generado por plano no es continuo entre planos. Esto hace que cada corte sea un posible salto de audio. Dos estrategias viables:

• Cortar en el movimiento. Coloca las transiciones en momentos de mucho movimiento, para que la discontinuidad sonora se lea como impacto y no como error.
• Cortar a una pista base. Coloca debajo de la secuencia una pista continua de música o ambiente, para que el audio generado quede debajo como textura y así se disimule la discontinuidad entre planos.

Decide pronto qué conservar

No todo el audio generado es utilizable. Evalúalo en cuanto vuelva el clip, marca en la lista si el audio se conserva, se baja o se sustituye, y haz que el montaje siga esa decisión. Descubrir en el montaje final que la mitad de los clips necesitan audio sustitutivo sale caro.

Deja margen para la mezcla

Mantén el audio generado a un volumen moderado y reserva espacio por encima para la voz en off o la música. El audio nativo suele ser denso; dejar margen en la mezcla conserva la opción de añadir narración más adelante sin volver a renderizar la imagen.

Iteración y disciplina de costes

El pulido es donde un proyecto de vídeo se encarece sin que te des cuenta. La disciplina que hace predecibles tanto la calidad como el gasto es sencilla: volver a ejecutar solo lo que ha cambiado.

Cambia una sola variable a la vez

Cuando un plano no funciona, determina si el problema está en la imagen o en el prompt. Arregla primero la imagen: es más barato de evaluar y condiciona todo lo que viene después. Una vez que la imagen es correcta, itera el prompt con la semilla fija, para que puedas atribuir las diferencias al texto del prompt. Cambiar a la vez la imagen, el prompt y los parámetros no te dirá qué cambio fue el que funcionó.

Usa la lista de planos como herramienta de diferencias

Como cada solicitud registra sus entradas y parámetros, volver a ejecutar se convierte en una operación mecánica: selecciona las filas cuyo prompt ha cambiado, envíalas y no toques el resto. Cambiar un prompt en una secuencia de cinco planos debería costar una generación, no cinco.

Previsualizaciones baratas, finalización deliberada

Haz renderizados exploratorios con menor fidelidad o menor duración para fijar la composición y el ritmo, y luego renderiza la versión final cuando la lista de planos esté cerrada. Los renderizados exploratorios sirven para decidir; los finales, para entregar. Confundir ambos es la forma en que se evapora el presupuesto.

Versiona la secuencia completa

Etiqueta la lista de planos cuando cierres la secuencia. Si un cambio posterior rompe la continuidad, puedes volver a una versión que sabes que funciona en lugar de reconstruir los prompts de memoria. Los parámetros versionados son la diferencia entre una canalización reproducible y un montón de renderizados de un solo uso.

Presupuesta por plano, no por minuto

Como cada plano es una solicitud independiente, el coste escala con el número de planos y el número de revisiones, y ambos los controlas directamente. Planificar con la lista de planos hace que el gasto de generación sea visible en el momento en que decides añadir un beat, y no a final de mes. Consulta los precios actuales en el panel de precios de HiAPI.

Empieza con una imagen estática y un prompt de movimiento para flux-3-max/image-to-video en la API de HiAPI, y deja que la lista de planos crezca a partir de ahí.