Blog

Guía de uso

Recetas de prompts para imagen a vídeo de Kling 3.0 Omni: plantillas listas para copiar y pegar para desarrolladores

Estructura de primer/último fotograma, redacción del movimiento de cámara, indicaciones de audio nativo y lista negativa de estabilidad, con clips reales generados

Nov 10, 2026
Cintas planas de latón y verdes entrelazadas formando una celosía tejida abierta sobre un fondo verde casi negro; portada de una guía de recetas de prompts para Kling.
En esta página
Demostración de primer fotograma a dinámico generada con kling-3.0-omni imagen a vídeo: este es exactamente el prompt listo para copiar y pegar que se desglosa en el artículo.

Por qué la estructura del prompt importa más que la longitud

La mayoría de los prompts de imagen a vídeo fallan no porque sean demasiado cortos, sino porque no tienen orden. Un texto que mezcla descripción del sujeto, intención de cámara, ambiente de audio e instrucciones de corrección no puede ofrecer al modelo un mapeo determinista de texto a movimiento. Cuando el clip generado falla, no puedes saber qué frase lo causó, así que no puedes corregirlo, solo volver a extraer.

La solución práctica es la disciplina de secciones. Trata el prompt como un contrato fijo de cinco bloques, siempre en el mismo orden:

  1. Anclaje de fotogramas: qué imagen es el fotograma inicial, cuál es el final y cuán estricto es ese vínculo.
  2. Sujeto: quién o qué aparece en la imagen y qué detalles de identidad deben permanecer sin cambios durante la transición.
  3. Movimiento: qué cambia físicamente entre los dos fotogramas, expresado con términos temporales sencillos.
  4. Cámara: cómo se mueve el punto de vista (o si se mantiene explícitamente estático).
  5. Audio + negativo: indicaciones de sonido nativo y luego los modos de fallo que hay que suprimir.

Este orden coincide con la forma en que el modelo analiza las restricciones: primero fija los fotogramas, luego decide qué se mueve, después decide dónde está el espectador y, por último, rellena la salida no visual. Colocar el audio y lo negativo al final significa que las instrucciones sobre sonido o corrección no interfieren con el razonamiento visual.

Para los equipos de ingeniería, el beneficio es la reproducibilidad. Un esqueleto estable significa que el diff entre dos versiones de un prompt es legible: cambias la línea de cámara, no todo el bloque. También significa que los prompts se convierten en parámetros en lugar de prosa: puedes plantillarlos, versionarlos y hacerles pruebas A/B en tu pipeline, que es la dirección que construirán las siguientes secciones.

La longitud es un síntoma, no una palanca. Un prompt de 60 palabras escrito en orden fijo supera a un párrafo de 200 palabras que apila adjetivos al principio. Primero comprime cada prompt existente en estas cinco ranuras y elimina todo lo que no encaje en ellas.

Receta base: esqueleto de prompt listo para copiar y pegar

Este es el esqueleto estándar. Pégalo, rellena el contenido entre corchetes y elimina las ranuras que realmente no necesites, pero mantén el orden.

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: [describe end state, or "none — open-ended continuation"].
Transition: [smooth continuous | single cut-free motion | holds start pose].

[SUBJECT]
[Subject identity + 2-3 invariant details that must not change].

[MOTION]
[What moves, direction, and how far — one sentence per moving element].

[CAMERA]
[Static locked-off shot | slow push-in | left-to-right pan | gentle orbit].
Pace: [slow and even | builds to a faster finish].

[AUDIO]
Ambience: [environment sound].
Music: [feel, not genre-name dropping].
Sync: [what the audio should land on].

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

Un ejemplo rellenado: toma de producto de una taza de cerámica en el alféizar de una ventana:

[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: same cup, steam gone, light shifted warmer.
Transition: smooth continuous motion, no cuts.

[SUBJECT]
Matte white ceramic cup, thin dark rim, wooden windowsill.

[MOTION]
Steam thins and disappears over the shot; curtain edge drifts slightly.

[CAMERA]
Static locked-off shot, very slow push-in.
Pace: slow and even.

[AUDIO]
Ambience: quiet room tone, faint birds outside.
Music: soft, sparse, low volume.
Sync: birds chirp as steam vanishes.

[NEGATIVE]
flicker, morphing, warping text, extra limbs, identity drift

Al ejecutarlo mediante kling-3.0-omni/image-to-video, se genera un clip en el que la taza sigue siendo una taza, el cambio es claramente perceptible y el audio apoya en lugar de competir. Funciona porque cada cláusula hace una sola cosa: el anclaje restringe la geometría, el sujeto protege la identidad, el movimiento es lo único que puede cambiar, la cámara se declara en lugar de insinuarse y lo negativo actúa como una compuerta independiente.

Mantén dos hábitos: escribe el movimiento en orden temporal («se adelgaza y luego desaparece») y nunca dejes que la cámara y el sujeto luchen entre sí; si el sujeto camina hacia la izquierda, no hagas al mismo tiempo una órbita rápida hacia la izquierda, a menos que quieras que la imagen pierda estabilidad.

Disciplina de ranuras

Cada ranura debe contener solo su propia preocupación. Si te encuentras escribiendo «la cámara se acerca lentamente mientras el vapor de la taza se transforma en un pájaro», has fusionado cámara y movimiento en una sola cláusula y has perdido la capacidad de ajustar cualquiera de los dos por separado. Sepáralos.

Receta de primer y último fotograma

La imagen a vídeo con dos fotogramas es un problema de interpolación, no de generación. El trabajo del modelo es encontrar una ruta creíble entre dos estados fijos. Aquí falla cuando el prompt describe una escena en lugar de una transición; entonces el modelo reinterpreta el contenido y el punto final se desvía.

Receta: extremos estrictos, mínima invención

Úsala cuando existan ambos fotogramas y quieras que el modelo los conecte literalmente.

Start frame: provided image, preserved exactly.
End frame: provided image, preserved exactly.
The clip must begin on the start frame and end on the end frame.
Do not introduce new subjects or objects. Only intermediate motion.
Transition: continuous, no cuts, no scene change.
Motion: [the single physical change that carries start to end].
Camera: static locked-off shot.

La frase clave es solo movimiento intermedio. Le dice al modelo que los extremos son una restricción, no una sugerencia. Declarar una cámara estática elimina otro grado de libertad y hace que la interpolación sea mucho más estable.

Receta: continuación abierta

Úsala cuando solo tengas el fotograma inicial y quieras una extensión natural.

Start frame: provided image, preserved exactly.
End frame: none — open-ended continuation of the same scene.
Transition: continuous motion, same location, same lighting.
Motion: [primary action], resolving within the clip length.
Camera: [declared move].
Negative: scene change, new location, new characters.

Describe el estado final cuando no hay imagen de cierre

Si no tienes fotograma final pero quieres un resultado direccional, describe el estado final en términos de apariencia, no de eventos: «el líquido ya está quieto y no fluye», «la puerta está completamente abierta», «el vapor desaparece». Los estados de apariencia son verificables visualmente; las descripciones de eventos («el personaje decide irse») tienden a inducir al modelo a inventar puesta en escena.

Dos reglas evitan la mayoría de los fallos en los extremos:

  • Declara explícitamente la permanencia del fotograma inicial. «Preservado exactamente» es más fuerte que «usa la imagen como referencia».
  • Mantén el número de transiciones en uno. Si dos cosas deben cambiar, haz que una lidere y la otra siga, escritas en orden. Las transiciones que compiten se leen como un cambio de escena y el modelo regenera en lugar de interpolar.

Movimiento de cámara y redacción del ritmo

Aquí es donde los prompts vagos suelen colapsar en una deriva aleatoria. La solución es nombrar el movimiento, el objetivo y la velocidad para cada plano: tres palabras.

Movimientos con mapeo claro

  • Acercamiento: «slow push-in toward [subject], centered». Predecible, adecuado para revelaciones de productos y retratos.
  • Alejamiento: «slow pull-back revealing [context]». Úsalo cuando el fotograma inicial sea un detalle.
  • Paneo: «left-to-right pan across [scene], constant speed». Da siempre la dirección y la constancia.
  • Inclinación: «gentle tilt up from [lower element] to [upper element]».
  • Órbita: «slow orbit around [subject], subject stays centered». La órbita es la que más falla; la cláusula de centrado evita que el sujeto se salga del encuadre.
  • Estático: «static locked-off shot, no camera movement». Escríbelo aunque creas que es obvio.

Expresa el ritmo sin números inverificables

No necesitas adivinar el número de fotogramas. Describe el ritmo con adverbios que se asignan al compás: lento y uniforme, constante, acelera gradualmente hacia el final, se asienta en el último instante. Estos se traducen en aceleración y desaceleración que encajan con el ritmo de los vídeos cortos sin que tengas que comprometerte con un punto temporal que no puedes medir.

Para el ritmo de vídeos cortos, el patrón fiable es un movimiento de cámara por clip. Un acercamiento que se convierte en paneo y luego en órbita se lee como un reel de demostración, no como un plano. Si necesitas un segundo movimiento, ordénalos: «primero un acercamiento lento, luego una breve pausa».

Mantén la cámara y el sujeto independientes

Escribe siempre en líneas separadas dentro del prompt:

Camera: slow push-in toward the subject.
Pace: slow and even.
Motion: the subject turns slightly toward the camera.

Tres líneas, tres preocupaciones. Cuando las fusionas («la cámara se acerca mientras el sujeto gira»), pierdes la capacidad de cambiar una sin afectar a la otra y las ediciones pequeñas producen grandes fluctuaciones impredecibles.

Por último, declara el tamaño de plano cuando importe: «medium shot», «close-up», «wide establishing shot». El tamaño de plano es una restricción barata que evita que el modelo recomponga a mitad del clip.

Indicaciones de audio nativo

kling-3.0-omni/image-to-video genera audio nativo junto con la imagen. El error más común es mezclar descripciones de audio en la frase de movimiento, lo que hace que las indicaciones de audio se lean como instrucciones visuales. Coloca el audio en su propio bloque y escríbelo solo con términos sonoros.

Tres ranuras, siempre en este orden

Ambience: [continuous environment sound].
Music: [feel and density, not track names].
Sync: [what the audio should land on].

Ambiente es la base: ruido de sala, viento, zumbido de la calle, agua. Descríbelo como continuo y de bajo nivel, a menos que quieras que destaque.

Música debe describirse por sensación y densidad: «escasa y suave», «pulso bajo constante», «brillante y ligera». Nombrar un género es más débil que describir la textura, porque el modelo debe asignar la frase a una configuración de sonido; los adjetivos se asignan con más consistencia que las etiquetas.

Sincronización es el puente temporal. Nombra un evento visual y el sonido que debe coincidir con él: «un clic suave cuando se cierra la tapa», «pájaros cantando cuando desaparece el vapor». Con uno o dos puntos de sincronización por clip es suficiente. Más allá de eso, el audio se vuelve recargado y la imagen se ve arrastrada a coincidir con cada indicación.

Indicaciones eficaces

  • Inicio: «el sonido comienza con el movimiento», útil para clips con corte de entrada.
  • Desvanecimiento: «el ambiente se desvanece al final», evita un corte abrupto.
  • Énfasis: «un impacto suave cuando cae [objeto]».
  • Contención: «sin música, solo ambiente», una opción legítima y a menudo mejor.

Mezcla sin conflictos

Si el ambiente y la música coexisten, declara su relación una vez: «ambiente bajo, música por debajo». Cuesta una cláusula y evita que las dos bases compitan.

Una advertencia: no describas el audio con onomatopeyas ni nombres de efectos de sonido. «Whoosh» y «ding» son ambiguos en distintos contextos. Describe en su lugar la fuente y el carácter: «un pequeño soplo suave cuando se levanta la tela». El bloque de audio debe leerse como las notas de un diseñador de sonido, no como un cómic.

Lista negativa de estabilidad

Lo negativo es una capa de corrección, no una herramienta creativa. Mantenlo breve, específico y listo para copiar y pegar. A continuación, la lista base y luego el modo de fallo al que apunta cada término.

flicker, morphing, warping text, extra limbs, identity drift,
scene change, jitter, frame tearing, duplicated objects

Modo de fallo → término

  • Parpadeo de brillo entre fotogramas → flicker
  • El objeto se funde o se fusiona entre fotogramas → morphing
  • Rótulos y subtítulos distorsionados → warping text
  • Manos y extremidades que se multiplican o colapsan → extra limbs
  • La identidad facial o del producto cambia a mitad del clip → identity drift
  • El fondo se regenera como un lugar nuevo → scene change
  • Microvibración en un plano que debería ser estático → jitter
  • Artefactos en el borde de los fotogramas → frame tearing
  • Objetos duplicados por desenfoque de movimiento → duplicated objects

Negativos condicionales

Añádelos solo cuando el fallo ocurra realmente; una lista negativa demasiado larga diluye el efecto de cada término:

  • Para fotogramas con mucho texto: illegible text, scrambled letters
  • Para tomas de producto: shape distortion, color shift
  • Para retratos: asymmetric face, warped eyes
  • Para cámara lenta: sudden motion, pop-in

Usa la lista como verificación

Trátala como una lista de comprobación previa al vuelo, no como un accesorio del prompt. Antes de ejecutar un lote de tareas, pregúntate a qué modos de fallo está expuesta tu escena. Una toma de producto estática necesita protecciones contra parpadeo y distorsión de forma; un sujeto en movimiento necesita términos de deriva de identidad y extremidades; los fotogramas con texto necesitan términos de texto. Para todo lo demás, usa la lista base.

Cuando un clip falle, cambia solo una cosa (añade un negativo o ajusta una línea de movimiento) y vuelve a ejecutar. Editar cinco negativos a la vez no te dice cuál funcionó.

Adapta la receta a un pipeline de API

Un prompt que vive en un cuaderno no escala. El último paso es convertir el esqueleto en una cadena con plantillas y variables, de modo que las recetas puedan versionarse, revisarse y ejecutarse por lotes a través de la API de HiAPI.

Convierte el esqueleto en plantilla

PROMPT = """[FRAME ANCHOR]
Start frame: the provided image, preserved exactly.
End frame: {end_frame}.
Transition: {transition}.

[SUBJECT]
{subject}

[MOTION]
{motion}

[CAMERA]
{camera}
Pace: {pace}.

[AUDIO]
Ambience: {ambience}.
Music: {music}.
Sync: {sync}.

[NEGATIVE]
{negatives}
"""

Cada variable es una ranura de la receta. La plantilla en sí nunca cambia, solo cambian las variables, lo que significa que el diff de un prompt es el diff de una línea y las regresiones se pueden rastrear hasta una ranura concreta.

Guarda las recetas como datos

Almacena cada receta como un diccionario con nombre y versión:

recipes = {
  "product-static-v2": {
    "end_frame": "none — open-ended continuation",
    "subject": "matte white ceramic cup, thin dark rim",
    "motion": "steam thins and disappears",
    "camera": "static locked-off shot, very slow push-in",
    "pace": "slow and even",
    "ambience": "quiet room tone, faint birds",
    "music": "soft, sparse, low volume",
    "sync": "birds chirp as steam vanishes",
    "negatives": "flicker, morphing, warping text, extra limbs, identity drift",
  }
}

Usa nombres de versión significativos, no solo números: product-static-v2 te dice qué cambió; v2 no. Cuando aparezca un nuevo fallo, añade una nueva versión en lugar de editar en el sitio, para que las salidas antiguas sigan siendo reproducibles.

Disciplina de lotes

  • Cuando ajustes, renderiza una sola variable a la vez. Ejecuta por lotes solo cuando la receta esté estable.
  • Registra la cadena de prompt rellenada en cada salida. Sin ella, no puedes atribuir un clip defectuoso.
  • Mantén una base negativa compartida y haz que las recetas la extiendan, nunca la sustituyan.

Dónde encaja la API

La estructura de la receta está orientada al modelo, por lo que puede pasarse tal cual a kling-3.0-omni/image-to-video en HiAPI: envías las entradas de fotogramas más la cadena de prompt renderizada, y el orden de secciones que impones en la plantilla es el orden de secciones que ve el modelo. Ese es el sentido del esqueleto: es a la vez documentación legible por humanos y la cadena exacta en producción.

Empieza con una receta, versiónala y deja que los nombres de las variables hablen. Para detalles de endpoints y nombres de parámetros, consulta la documentación de la API de HiAPI.

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