Blog

Guía de uso

Indicaciones para la generación de video a partir de imágenes de referencia de Gemini Omni Flash: recetas listas para copiar y pegar para desarrolladores

Ordenamiento de múltiples imágenes de referencia, consistencia del sujeto, redacción del movimiento de cámara, opciones de duración y resolución, y listas negativas, con solicitudes ejecutables

Nov 17, 2026
Arte de portada editorial: grandes prismas divididos en planos planos de color salvia y verde bruma sobre un fondo de pino profundo, composición geométrica nítida.
En esta página

Lo que la generación de video a partir de imágenes de referencia cambia realmente en el diseño de indicaciones

La generación de video a partir de texto exige que el modelo cree todo de la nada: sujeto, vestuario, entorno, iluminación, movimiento. La generación de video a partir de imágenes de referencia invierte este contrato. Le entregas al modelo imágenes que ya han respondido a la mayor parte del "qué", y el alcance de la indicación se reduce a "cómo": cómo se mueve el sujeto, cómo se comporta la cámara, cuánto dura el plano y qué contenido no debe aparecer nunca.

La consecuencia práctica es que los hábitos de las indicaciones de texto a video aquí resultan contraproducentes. Los párrafos descriptivos largos que repiten la apariencia del sujeto compiten con las imágenes de referencia y empujan al modelo a promediarlas en un resultado genérico mediocre. Los adjetivos apilados para enfatizar —"cinematográfico, épico, dramático, envolvente"— apenas aportan señal en comparación con una instrucción concreta. Y cualquier indicación que describa con palabras el rostro de una persona o la geometría precisa de un producto introduce deriva, porque el texto y los píxeles se contradicen entre sí.

El modelo mental que hay que mantener

Considera cada imagen de referencia como una restricción y tu indicación como un plan. La restricción dice quién y qué. El plan dice cuándo, dónde y cómo se mueve. Si te encuentras escribiendo oraciones que vuelven a describir lo que la imagen ya muestra, elimínalas. Si te encuentras sin ninguna frase sobre cámara y movimiento, eso indica que careces de especificación en la parte que realmente necesita texto.

Antes de llamar a la API, hay una comprobación útil: tapa las imágenes de referencia y lee tu indicación. ¿Sigue teniendo sentido como una solicitud sobre estas entradas concretas? Si se lee como una indicación independiente de texto a video, has escrito demasiado y especificado poco.

Esta guía cubre en orden el ordenamiento de imágenes, la consistencia del sujeto, la redacción del movimiento de cámara, la selección de opciones y las listas negativas, y termina con solicitudes ejecutables para gemini-omni-flash/reference-to-video en la API de hiapi.

La generación de texto a video introduce una entrada en la imagen; la generación de referencia a video converge múltiples referencias de imagen más una indicación en una salida única: otro modelo mental para el que hay que diseñar.

Organizar múltiples imágenes de referencia

Cuando pasas más de una imagen de referencia, el orden y el etiquetado importan más que la longitud de la indicación. El modelo necesita saber qué imagen domina qué aspecto de la salida, y la forma más económica de comunicarlo es asignar un solo rol a cada ranura.

Un rol por ranura

El patrón fiable es: primero el sujeto, luego lo que lo modifica (ropa, variantes del producto), después el entorno y por último el estilo. Cada imagen debe asumir una sola tarea. Si se espera que una imagen cargue a la vez el rostro del personaje y la habitación donde está, cuando ambos entren en conflicto el modelo solo puede adivinar cuál gana.

Escribe los roles explícitamente en la indicación y en el orden en que pasas las imágenes:

Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Image 3: the room the character stands in.
Image 4: the color and lighting style to apply overall.

Numerar las imágenes en la indicación y hacer que coincida con el orden de la carga útil de la solicitud es el hábito de mayor rendimiento en las indicaciones con múltiples referencias. Cuando reordenes la carga útil, reordena el texto de la indicación en la misma edición.

Declarar prioridad cuando los roles chocan

Los conflictos ocurren. Dos imágenes pueden contener ambas un fondo; una imagen de entorno puede incluir personas. Cuando esto sucede, declara la precedencia con una línea en lugar de esperar que el modelo lo infiera:

Use the face from Image 1. Ignore any people in Image 3; Image 3 is the room only.

Menos referencias, más limpias, superan a más

Cada imagen de referencia adicional es otra restricción que el modelo debe satisfacer simultáneamente. Si una cuarta imagen solo aporta estilo, y el estilo se puede expresar con una frase, prefiere la frase. Cuatro imágenes bien etiquetadas y con roles claros suelen superar a ocho imágenes superpuestas, y además hacen que los fallos sean más fáciles de diagnosticar.

Cada ranura de referencia se mapea a un rol en el fotograma final: el orden y el peso determinan qué prioriza el modelo.

Mantener la consistencia del sujeto entre planos

La consistencia entre múltiples clips proviene de reutilizar el mismo conjunto de imágenes de referencia y mantener las mismas etiquetas de rol, cambiando solo la parte de la indicación que describe el plano. En cuanto cambias las imágenes de referencia, cada indicación posterior debe recalibrarse; mantener las referencias fijas hace que cada nuevo plano sea un pequeño experimento independiente.

Bloque de identidad estable

Escribe un breve bloque de encabezado que se copie literalmente en cada indicación de un sujeto, y luego añade debajo las instrucciones específicas del plano:

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.

Este bloque nunca cambia. Todo lo que sigue —movimiento de cámara, acción, duración— son variables. Esta estructura también te permite ver de un vistazo si un problema de deriva proviene de las imágenes de referencia o de la redacción, porque la redacción se mantiene sin cambios.

Describir el cambio, no la apariencia

Cuando el plano exige que el sujeto haga algo, describe la acción y el cambio resultante, no los rasgos del sujeto:

The character turns from facing the window to facing the camera; the jacket stays the same.

Frases como "stays the same" o "unchanged" son anclas baratas y eficaces. Después del primer plano, evita volver a describir con palabras el rostro o el contorno del producto; las imágenes de referencia ya llevan esa información, y el texto añadido solo genera ruido.

Ojo con el fallo de promediado

Si el sujeto sale algo mediocre —rasgos suavizados, colores mezclados— la causa habitual es demasiadas imágenes de referencia superpuestas compitiendo por el mismo rol, o una indicación que describe la apariencia por encima de la imagen. La solución es eliminar imágenes de referencia y borrar las frases de descripción de apariencia, no añadir más adjetivos.

Redacción del movimiento de cámara que el modelo respeta

El movimiento de cámara es donde más fallan las indicaciones, y el modo de fallo es casi siempre el mismo: se nombran varios movimientos en un solo plano, y el modelo elige uno, los mezcla o produce una deriva lenta que no satisface ninguno.

Un movimiento claro por plano

Escribe un solo comportamiento de cámara por indicación. Nombra primero el movimiento y luego el objeto del movimiento:

Camera: slow push in toward the character.
Camera: static, locked off. The character moves; the camera does not.
Camera: orbit clockwise around the product, roughly a quarter turn.
Camera: pan left, following the character as they walk.

Un plano fijo merece escribirse igual que un plano en movimiento. Si omites el lenguaje de cámara, el modelo puede añadir deriva no solicitada; "static, locked off" es una restricción, no un desperdicio de texto.

Consecuencias de apilar movimientos

"Slow push in while orbiting and slightly zooming" se lee como tres restricciones que se anulan parcialmente entre sí. Elige el movimiento que lleva el significado del plano. Si necesitas un segundo movimiento, ponlo en un segundo clip y únelos en la edición; eso es más económico que pedirle a una sola generación que haga dos cosas.

El ritmo acompaña al movimiento

Añadir un calificador de velocidad es útil —"slow", "steady", "fast"— porque indica al modelo cuánto debe desplazarse durante la duración del plano. Más de un adjetivo de velocidad o emoción alrededor del mismo movimiento no aporta información. Mantén el lenguaje de movimiento en una sola frase y colócalo en una posición fija de cada indicación, normalmente al final, para que puedas escanear un lote de indicaciones y ver de inmediato qué hace cada plano.

Cada plano recibe un solo movimiento limpio —push, órbita o paneo— dibujado como una trayectoria única alrededor de un sujeto fijo.

Elegir la duración y la resolución antes de escribir

La duración y la resolución no son ajustes que se aplican a una indicación ya escrita; cambian lo que la indicación necesita expresar. Decide estas dos opciones antes de empezar a escribir.

La duración cambia la densidad de movimiento

Un plano corto solo puede contener un compás: un único movimiento o una única acción. Un plano largo puede contener un cambio de estado: un giro, una revelación, una entrada. Si escribes una indicación para plano largo pero se renderiza como corto, la acción se comprime hasta ser irreconocible. Si escribes una indicación para plano corto pero se renderiza como largo, el modelo lo rellena con deriva.

Regla general: un compás para plano corto, un cambio de estado para plano largo. Cuando una receta necesita dos compases, divídela en dos generaciones en lugar de estirar una sola indicación.

La resolución cambia la tolerancia de composición

Las opciones de mayor resolución exigen composiciones limpias y sencillas, con sujetos claros y fondos despejados. Los detalles finos —joyas, texto pequeño en productos, textura de tejidos— solo se leen con claridad en el nivel superior; exigirlos en niveles bajos solo produce resultados pastosos. A la inversa, si tu plano es un gran angular con un sujeto pequeño, un nivel bajo perderá el sujeto por completo.

Haz coincidir el nivel con el detalle del que depende el plano: los primeros planos de producto y los planos frontales de personajes deben usar niveles altos, mientras que las placas de entorno en gran angular pueden usar niveles más bajos. Aquí es también donde la calidad de las imágenes de referencia marca el límite: la resolución de salida no superará la de las referencias.

Incluir los niveles en el archivo de indicaciones

En tu código, guarda la duración y la resolución como campos junto al texto de la indicación, no dispersos en comentarios. En las recetas siguientes, el cuerpo de la solicitud los lleva explícitamente, de modo que la indicación se centre en el contenido y el movimiento.

Listas negativas que corrigen defectos sin luchar contra la indicación

Una lista negativa es un conjunto pequeño de cosas que nunca deben aparecer. Su propósito es suprimir defectos recurrentes, no enumerar todo lo que te disgusta de la generación de video.

Breve y concreta

De cuatro a seis elementos es el rango útil. Cada elemento debe nombrar un fallo concreto y visible que hayas observado realmente en tus propias salidas:

Negative: extra fingers, warped face, text overlays, watermark, flickering lighting, duplicate subject.

Esta lista apunta a modos de fallo reales —defectos en las manos, deriva de identidad, subtítulos no deseados e inestabilidad temporal— sin introducir conceptos nuevos que el modelo deba conciliar.

Por qué las listas largas resultan contraproducentes

Las listas negativas largas suelen nombrar cosas que comparten vocabulario con la indicación positiva. Escribir "no dark, moody lighting" cuando la indicación positiva pide una escena nocturna obliga al modelo a producir una contradicción que resuelve de forma impredecible. Del mismo modo, enumerar muchos objetos que no deben aparecer filtra esos objetos en la escena. Cada término negativo es un concepto que el modelo debe gestionar activamente; una lista de veinte elementos son veinte oportunidades de estropearlo.

Mantenerla estable en un lote de tareas

Una vez que una lista negativa funciona para un sujeto, congélala. Modificar la indicación positiva y la lista negativa en la misma iteración te impide atribuir una corrección o una regresión. Itera una sola variable a la vez, empezando por la indicación positiva.

Recetas listas para copiar y pegar con solicitudes ejecutables

Cada receta es una indicación más un cuerpo de solicitud para gemini-omni-flash/reference-to-video. Sustituye las rutas de los archivos de referencia por tus propias imágenes. La duración y la resolución se llevan como campos de la solicitud; consulta la página del modelo para conocer los niveles disponibles actualmente.

Receta 1: personaje, identidad estable, un solo movimiento

Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting.
curl -X POST https://api.hiapi.ai/v1/video/generations \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-flash/reference-to-video",
    "prompt": "Image 1: the character (face and hair).\nImage 2: the jacket the character wears.\n\nSubject: the character from Image 1, wearing the jacket from Image 2.\nKeep face shape, hair length, and jacket color identical to the references.\nAction: stands still, looking slightly off-camera.\nCamera: slow push in toward the character.\nNegative: extra fingers, warped face, text overlays, flickering lighting.",
    "references": ["character.png", "jacket.png"],
    "duration": "short",
    "resolution": "high"
  }'
import requests, os

prompt = """Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting."""

r = requests.post(
    "https://api.hiapi.ai/v1/video/generations",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "gemini-omni-flash/reference-to-video",
        "prompt": prompt,
        "references": ["character.png", "jacket.png"],
        "duration": "short",
        "resolution": "high",
    },
)
print(r.json())

Receta 2: órbita de producto

Image 1: the product, front view. Image 2: the product, side view.
Image 3: the surface it sits on.

Subject: the product from Images 1 and 2, resting on the surface from Image 3.
Keep shape, color, and proportions identical to the references.
Action: the product is motionless.
Camera: orbit clockwise around the product, roughly a quarter turn.
Negative: duplicate product, warped edges, text overlays, flickering lighting.

Envía la misma estructura de cuerpo de solicitud que en la receta 1, con tres entradas en references, y usa el nivel de resolución alto, ya que el plano depende del detalle de los bordes.

Receta 3: entorno, cámara fija

Image 1: the room.
Image 2: the lighting and color style.

Scene: the room from Image 1, lit and graded as in Image 2.
Camera: static, locked off. Nothing in frame moves except a faint drift of dust in the light.
Negative: people, text overlays, watermark, flickering lighting.

La placa de entorno fijo es el clip útil más económico de generar y el más fácil de validar: cualquier defecto en la forma de un sujeto en la salida indicará de inmediato que la lista negativa debe ajustarse.

Ajustar las recetas

Mantén estas etiquetas de sección en todas tus indicaciones (Subject:, Action:, Camera:, Negative:). No son palabras mágicas para el modelo, pero imponen la disciplina que describes: un rol por imagen de referencia, un movimiento por plano y una lista negativa breve y específica.

Validar la salida e iterar rápido

Revisa cada clip generado con dos preguntas en un orden fijo. Primera: ¿el sujeto coincide con las imágenes de referencia? Segunda: ¿el movimiento coincide con el único movimiento que solicitaste? Estas dos comprobaciones capturan la mayoría de los fallos, y el orden importa porque los problemas de identidad normalmente deben resolverse antes de que los problemas de movimiento sean visibles.

Atribuir el fallo antes de cambiar nada

Cuando el sujeto deriva, la causa es casi siempre las imágenes de referencia o las etiquetas de rol —roles superpuestos, una imagen extra o frases de descripción de apariencia que compiten con los píxeles. Cuando el movimiento es incorrecto, la causa es casi siempre la línea de cámara de la indicación o un nivel de duración que no coincide con el número de compases. Cuando la composición es turbia pero el sujeto y el movimiento son correctos, el nivel de resolución es el sospechoso.

Modificar a la vez la indicación, las imágenes de referencia y los niveles en la misma iteración rompe la atribución y te deja adivinando. Cambia una cosa, vuelve a renderizar y compara.

Registrar cada iteración

Mantén un registro simple para cada receta: la lista de imágenes de referencia en orden, el texto de la indicación, la duración y el nivel de resolución, y una línea de conclusión. Esto mantiene diagnosticables los fallos incluso una semana después y convierte tu biblioteca de indicaciones en un conjunto de puntos de partida conocidos como buenos, en lugar de experimentos desechables. Cuando una receta se estabilice, congélala y ramifica nuevos planos a partir de ella en lugar de editarla en el sitio.

Una vez que el cuerpo de la solicitud está parametrizado, todo el ciclo —receta de indicación, solicitud, clip renderizado, conclusión, cambio de una sola variable— va rápido. Empieza con las recetas anteriores, sustitúyelas por tus propias imágenes de referencia y deja que el ciclo de validación se encargue del ajuste.

Artículos relacionados

Ver todos los artículos →

Empieza a crear con artefactos de IA persistentes

Consigue tu API key y llama a modelos de imagen, vídeo y audio a través de una única API basada en tasks.

Leer la documentación de la API