Recetas de prompts de texto a vídeo para Kling 4.0 orientadas a desarrolladores

Por qué la estructura del prompt importa más que la redacción

La mayoría de los equipos empieza por la redacción. Ajustan adjetivos una y otra vez, cambian sinónimos y esperan que el siguiente render salga mejor. Eso funciona para un clip aislado, pero en cuanto entra en una pipeline de API —donde el mismo prompt debe producir resultados consistentes en decenas o incluso cientos de peticiones— este enfoque fracasa por completo.

La redacción es un detalle superficial. La estructura es lo que hace que la salida sea predecible.

Cuando llamas a kling-4.0/text-to-video, el modelo recibe una cadena de texto. Dentro de esa cadena, el modelo debe resolver simultáneamente varias decisiones independientes: cuál es el sujeto, cómo es el entorno, cómo se mueve la cámara y cuánta narrativa cabe en la duración del clip solicitado. Si estas decisiones están entrelazadas en una sola frase fluida, no puedes saber qué frase provocó un render deficiente ni ajustar una dimensión sin interferir con las demás.

Un prompt estructurado separa estas decisiones en ranuras estables. Esto aporta tres beneficios prácticos:

• Aislamiento. Cuando la cámara no se siente bien, solo cambias la ranura de cámara. La descripción de la escena permanece intacta, así que tu comparación tiene sentido.
• Reutilización. El mismo bloque de escena puede combinarse con distintos bloques de cámara en un mismo lote, que es justamente la forma de explorar variantes a bajo coste.
• Diagnosticabilidad. Cuando aparecen regresiones en la salida tras un cambio de modelo o de parámetros, puedes comparar versiones del prompt en lugar de adivinar.

Hay una segunda razón por la que la estructura gana: la generación de vídeo es cara de iterar. Cada render consume tiempo y presupuesto, y no puedes inspeccionar estados intermedios. Como solo ves el clip final, el prompt es en la práctica tu única interfaz de depuración. Un prompt que se lee como una especificación te da algo sobre lo que razonar; uno que se lee como un poema, no.

Por último, los prompts estructurados sobreviven al traspaso. Una receta que un compañero de equipo puede leer, rellenar y versionar es un activo. Un prompt ingenioso y desechable vive en el archivo de borradores de alguien y allí muere.

Por eso las recetas de esta guía se organizan en torno a un esqueleto y no a una lista de frases mágicas. Las frases importan, pero solo funcionan cuando se insertan en una forma que puedes controlar.

El esqueleto central del prompt

Cada receta de esta guía es un relleno de la misma plantilla de cuatro secciones. Mantén el orden estable para que tus diffs sean legibles.

[SUBJECT] + [SCENE] + [CAMERA] + [PACING]

Esto es lo que debe contener cada ranura:

Sujeto (Subject)

De quién o de qué trata el clip, con uno o dos detalles físicos que deben mantenerse en movimiento. Sé concreto y visual. "Una mujer con una gabardina empapada por la lluvia" es mejor que "una persona misteriosa". Evita aquí etiquetas emocionales abstractas; el modelo renderiza cuerpos y objetos, no intenciones.

Escena (Scene)

Entorno, iluminación y hora del día. Aquí reside la calidad cinematográfica. Especifica la dirección y la textura de la luz, no palabras de ambiente. "Luz solar de ángulo bajo entrando desde la izquierda del encuadre, sombras duras, polvo en el aire" le dice mucho más al modelo que "iluminación dramática".

Cámara (Camera)

Tipo de plano más movimiento, expresado como una cláusula independiente. Como es una ranura separada, puedes sustituirla por completo. Un plano general fijo y un lento acercamiento comparten el mismo sujeto y escena, pero producen clips totalmente distintos.

Ritmo (Pacing)

Qué debe ocurrir en el clip, en consonancia con la duración solicitada. Un clip corto admite un solo compás; uno más largo puede albergar un pequeño arco.

Un ejemplo rellenado es el siguiente:

SUBJECT: a lone cyclist in a dark windbreaker, water beading on the helmet
SCENE: empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light
CAMERA: wide shot, slow lateral tracking at walking pace
PACING: single continuous action, cyclist pedals steadily, no cuts

Aplanado en una sola cadena de petición enviada a kling-4.0/text-to-video:

A lone cyclist in a dark windbreaker, water beading on the helmet, on an empty coastal road at dawn, overcast sky, wet asphalt reflecting grey light. Wide shot, slow lateral tracking at walking pace. Single continuous action, cyclist pedals steadily, no cuts.

Dos convenciones hacen que este esqueleto funcione en la práctica. Primera, usa puntos entre ranuras, no comas. Esto da al prompt un ritmo natural y separa cada decisión. Segunda, nunca dejes una ranura vacía por accidente. Si no te importa la cámara, escribe igualmente una elección explícita, como "static medium shot", para que el modelo no improvise.

Trata el esqueleto como un contrato. Cuando lo cambies, hazlo de forma consciente y sube el número de versión del prompt.

Recetas de redacción para escenas cinematográficas

La salida cinematográfica proviene de descripciones concretas de luz y espacio, no de adjetivos que suenan a cine. Los patrones siguientes sustituyen palabras de ambiente por hechos físicos.

Receta: iluminación direccional

SCENE: interior workshop at night, single warm lamp from upper right casting long shadows across a cluttered bench, dust visible in the light beam, dark background falling into black

Fíjate en lo que está haciendo el trabajo: la fuente de luz, la dirección, la textura y lo que la luz revela. "Warm" y "night" fijan la tonalidad; "upper right" fija la geometría; "dust visible in the beam" añade profundidad. Cambia la lámpara por una ventana y el mismo esqueleto produce una escena distinta sin tocar el sujeto ni la cámara.

Receta: profundidad ambiental

SCENE: narrow alley after rain, foreground puddles with reflections, midground fire escape and hanging cables, distant streetlight haze behind, cool blue-grey palette

Separar explícitamente primer plano, plano medio y fondo da al modelo un plan de profundidad. También reduce las imágenes intermedias borrosas que aparecen cuando el prompt solo describe un plano único.

Receta: acción del sujeto con textura

SUBJECT: a chef in a white apron, flour dusting the forearms, hands working dough
PACING: continuous kneading motion, flour puffing with each press, no cuts

Describe la acción como un ciclo físico que el modelo pueda mantener de forma sostenida. Una acción continua y repetible es más coherente a lo largo del clip que un evento único, que el modelo puede completar antes de tiempo y luego quedar inactivo.

Receta: clima y atmósfera

SCENE: city rooftop at dusk, thin fog moving through the frame, wind pushing loose fabric, distant skyline softened by haze, low contrast, desaturated

La atmósfera debe describirse como algo que se mueve, porque el vídeo premia las pistas de movimiento. La niebla, el viento, la lluvia y las partículas flotantes dan a la imagen una textura sostenida.

Antipatrones que evitar

• Acumular adjetivos. "Epic, stunning, cinematic, beautiful" no añade ninguna información que el modelo pueda renderizar.
• Mezclar términos de cámara en la escena. Mantén "slow dolly" fuera de la ranura de escena para poder ajustarlo por separado.
• Contradicciones. "Bright night scene" se resuelve de forma impredecible. Elige un esquema de iluminación y mantenlo.
• Demasiados sujetos. Cada personaje u objeto adicional compite por la atención del modelo y aumenta la probabilidad de que uno de ellos salga deformado.

Recetas de control de cámara y tipo de plano

La cámara es la ranura con mayor apalancamiento, porque cambia la textura del clip sin alterar el contenido. Mantenla aislada para poder sustituirla en lotes.

Vocabulario de tipos de plano

Cada cláusula de cámara empieza por un tipo de plano: plano general extremo, plano general, plano medio, primer plano, primerísimo primer plano. Esa sola palabra determina cuánto ocupa el sujeto en el encuadre y cuánto del entorno se ve.

CAMERA: medium close-up, static tripod

Recetas de movimiento

Cada una de las siguientes es una cláusula de cámara lista para sustituir:

CAMERA: wide shot, slow push-in toward the subject
CAMERA: medium shot, lateral tracking left at walking pace
CAMERA: close-up, slow handheld drift with slight instability
CAMERA: wide shot, static, subject moves through frame
CAMERA: medium shot, slow tilt up from hands to face

La disciplina clave es un solo movimiento por cláusula. Combinar acercamiento, inclinación y balanceo en la misma petición suele producir resultados pastosos, porque el modelo tiene que mezclar planificaciones de movimiento que entran en conflicto.

Modificadores de velocidad

Para la calidad percibida, la velocidad del movimiento importa más que su dirección. Usa modificadores sencillos: slow, steady, walking pace, gradual. Evita velocidades numéricas, porque no se traducen de forma fiable en la planificación de movimiento del modelo.

Cámara en mano versus estabilizada

Si quieres un realismo documental, escribe explícitamente "handheld, slight instability". Si quieres un acabado pulido de nivel comercial, escribe "stabilized, smooth motion". No especificar esto es una de las causas más comunes de que un clip se sienta mal sin que encuentres una razón evidente.

Sustituir la cámara en un lote

Como la cámara es una ranura separada, puedes mantener el sujeto, la escena y el ritmo fijos y generar comparaciones controladas. Construye un pequeño array de cláusulas de cámara, recórrelo en bucle y deja todo lo demás fijo:

cameras = [
    "wide shot, static tripod",
    "medium shot, slow push-in",
    "close-up, handheld with slight drift",
]
for cam in cameras:
    prompt = f"{subject}. {scene}. {cam}. {pacing}."
    # send prompt to kling-4.0/text-to-video

El conjunto de salidas te dice qué composición se lee mejor para ese contenido, y la comparación es honesta porque solo se movió una variable.

Recetas de duración y ritmo

El detalle del prompt debe coincidir con la longitud del clip. Un prompt que describe tres compases en un clip corto produce resultados apresurados y defectuosos. Un prompt que describe solo una pequeña acción en un clip largo genera tiempo muerto.

Clip corto: un solo compás

Para duraciones más breves, describe una única acción continua sin progresión narrativa.

PACING: one continuous gesture, subject turns head slowly toward the light, nothing else changes

Elimina cualquier cosa que sugiera una secuencia. Palabras como "then", "after" y "finally" incitan al modelo a comprimir eventos y a perder coherencia.

Clip medio: una acción más movimiento ambiental

Añade movimiento ambiental, no una segunda acción del sujeto.

PACING: subject stands still breathing, cloth shifting in the wind, background smoke drifting continuously

El movimiento ambiental llena el tiempo sin exigir al modelo que coreografíe nuevos eventos.

Clip largo: un pequeño arco

Si tu duración lo permite, puedes describir un estado inicial y uno final. Mantén dos compases y haz que la transición sea física.

PACING: subject begins facing away, slowly turns to face camera, expression settles into a neutral gaze by the end

Declara el estado inicial, el movimiento y la posición final. Esto da al modelo una trayectoria que interpolar en lugar de un tramo de duración vacío que rellenar.

Ajustar palabras a segundos

Como regla general, cada compás describe una acción física y un clip corto admite aproximadamente un compás. Si te encuentras escribiendo más de dos frases en la sección de ritmo, o el clip es lo bastante largo para albergar un arco, o estás sobrespecificando.

Errores de ritmo habituales

• Corte implícito. "Shot one, then shot two" rara vez funciona; una sola generación es un plano continuo.
• Hablar y moverse. Diálogo más movimiento complejo es una combinación difícil. Decántate por uno de los dos.
• Cambio temporal. Un atardecer dentro del clip es difícil de controlar; elige un estado de iluminación y mantenlo.
• Coreografía de multitudes. Varias figuras que se mueven de forma independiente se degradan rápidamente. Trata la multitud como textura, no como actor.

Probar recetas en la pipeline

Una receta de prompt es código. Debe versionarse, probarse y registrarse como código.

Versionar los prompts como activos

Guarda cada receta en un archivo, con un identificador de versión y las ranuras rellenadas. No las entierres como cadenas dentro de la lógica de la aplicación. Cuando cambies una frase, eso es una nueva versión, y la antigua sigue disponible para comparar y revertir.

{
  "id": "cyclist_coastal_v3",
  "subject": "a lone cyclist in a dark windbreaker...",
  "scene": "empty coastal road at dawn...",
  "camera": "wide shot, slow lateral tracking...",
  "pacing": "single continuous action..."
}

Ejecutar pequeños lotes comparativos

Antes de promover una receta a producción, genera un lote pequeño: unas pocas variantes, no cientos. Cambia una sola ranura a la vez. Puntúa las salidas en las dimensiones que te importan: fidelidad del sujeto, estabilidad del movimiento, composición y cuánto llena el clip su duración. Promueve la ganadora y registra la decisión.

Registrar juntos prompt, parámetros y salida

Cada petición debe escribir un registro con la versión del prompt, las ranuras rellenadas, los parámetros de la petición, el identificador de la salida y tu puntuación de calidad. Cuando más tarde aparezca una regresión, ese log es la diferencia entre diagnosticar en cinco minutos y adivinar durante un día.

log = {
    "prompt_id": recipe["id"],
    "prompt": flattened_prompt,
    "params": {"prompt": flattened_prompt},
    "output": response_id,
    "score": manual_score,
}

Conservar un conjunto de regresión

Una vez que una receta entra en producción, conserva un pequeño conjunto congelado de prompts y sus salidas aceptadas. Tras cualquier cambio de modelo o de parámetros, vuelve a ejecutar ese conjunto y compara. Esto detecta derivas silenciosas antes de que las descubra el usuario.

Un bucle de promoción sencillo

Borrador de la receta a partir del esqueleto, rellena las ranuras, ejecuta un lote pequeño contra alternativas de una ranura, puntúa y luego promueve la ganadora como un activo versionado con registro completo. Repite a medida que cambien las necesidades de contenido.

Al tratar cada receta como un artefacto testeable, la pipeline deja de ser una máquina tragaperras. Puedes empezar con el endpoint kling-4.0/text-to-video y construir sobre él tu propia biblioteca versionada.