Recetas de prompts para OmniHuman-1.5: prompts de video de avatar parlante listos para copiar y pegar

Por qué la estructura del prompt importa más que la redacción

La mayoría de los equipos escribe su primer prompt de avatar parlante con una sola frase, y luego pasan horas reescribiéndola, intentando encontrar la frase mágica. Ese enfoque está condenado al fracaso, porque OmniHuman-1.5 no responde a la ingeniosidad, sino a la especificación. El prompt es la especificación de un clip corto: quién aparece, qué dice, cómo se compone la imagen, cómo se interpreta el guion. Si falta alguno de estos elementos o se mezcla con otro, el modelo solo puede adivinar, y adivinar es precisamente la fuente de los problemas de consistencia.

Un modelo mental útil es ver el prompt como cuatro módulos apilados que alimentan conjuntamente una salida:

• Sujeto: quién aparece y cómo es a un nivel estable y descriptible.
• Guion: las palabras exactas que se van a decir, escritas literalmente.
• Composición: tamaño de plano, ángulo de cámara, fondo y posición del sujeto en el encuadre.
• Interpretación: ritmo, energía, tono y los pequeños movimientos corporales que hacen que el guion suene hablado y no recitado.

Una vez separados, la iteración se vuelve manejable. Puedes cambiar solo la interpretación sin tocar el guion, o reescribir la descripción del sujeto sin recomponer el encuadre. Si todo está metido en un párrafo fluido, cada edición es una edición global y nunca podrás atribuir un cambio en la salida a un cambio concreto en la entrada.

Esto también explica por qué dos prompts que superficialmente parecen muy diferentes pueden producir resultados similares: codifican los mismos cuatro módulos. Y dos prompts que parecen casi idénticos pueden diferir enormemente porque uno de ellos omite silenciosamente algún módulo, normalmente la interpretación, la parte que la gente olvida escribir con más frecuencia.

Las recetas de esta guía se basan en los mismos cuatro módulos. Su intención es que las copies, las adaptes y luego las desarmes deliberadamente para ver qué hace cada módulo.

Una advertencia antes de empezar

La forma en que OmniHuman-1.5 procesa los prompts no es completamente pública, y los controles no públicos cambian. Cada receta a continuación evita parámetros inventados, sintaxis de pesos y flags específicos del proveedor. En su lugar, se apoya en descripciones llanas, explícitas y en lenguaje natural del sujeto, el guion, la composición y la interpretación. Así las recetas se mantienen portables y evitas construir tu pipeline sobre una sintaxis que puede no existir.

Cuando una receta necesita restringir algo que el modelo podría no cumplir de forma fiable —marcas temporales exactas, sincronización labial precisa en fonemas inusuales, guiones muy largos— la guía lo señala claramente y sugiere manejarlo fuera del prompt, en lugar de esperar que se resuelva escribiéndolo en el texto.

Si quieres ejecutar estas recetas a través de una única API unificada, en lugar de montar integraciones separadas para cada modelo, el endpoint de video de HiAPI.ai es la ruta objetivo para todo lo descrito aquí.

Anatomía de un prompt listo para copiar y pegar

Antes de las recetas, mira la plantilla que todas siguen. Léela una vez y podrás reconstruir cualquiera de ellas de memoria.

[SUBJECT]
A [age range] [gender presentation] with [hair], [distinguishing feature],
wearing [clothing]. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "<your script here>"

[FRAMING]
[Shot size] shot, [camera angle], [subject position in frame].
Background: [background description]. Lighting: [lighting description].

[DELIVERY]
Speaks at [pace]. Tone: [tone]. [Optional physical behavior cue].
Camera is static.

Algunas notas sobre por qué cada campo se escribe así.

Sujeto

Mantén la descripción estable y concreta: rango de edad, presentación de género, peinado, uno o dos rasgos distintivos, vestimenta. Evita acumular adjetivos: cada descriptor extra es otro punto en el que el modelo puede derivar entre ejecuciones. Si necesitas la misma persona en varios clips, congela este módulo literalmente y no lo edites nunca.

Guion

La frase Say exactly (di exactamente) hace el trabajo real. Indica que el texto siguiente es contenido de voz, no descripción de escena. Pon el guion entre comillas para que los límites sean inequívocos y mantenlo como prosa pura: sin acotaciones, sin notas entre paréntesis, sin marcado.

Composición

El tamaño de plano (primer plano, plano medio, plano medio largo), el ángulo de cámara (a la altura de los ojos, ligeramente contrapicado) y la posición del sujeto (centrado, ligeramente a la izquierda del encuadre) se pueden describir con palabras corrientes, y todos cambian sustancialmente la salida. El fondo y la iluminación también pertenecen aquí, porque son parte del plano, no de la interpretación.

Interpretación

Este es el módulo que la mayoría se salta. El ritmo, el tono y una indicación de comportamiento físico (un leve asentimiento, un gesto, un cambio de postura) contribuyen mucho más a la naturalidad percibida que reescribir repetidamente la descripción del sujeto. Mantén una o dos indicaciones: con más, el modelo tiene que elegir.

Restricción final

Terminar con Camera is static (cámara fija) es una forma de bajo coste de suprimir movimientos de cámara no solicitados, un modo de fallo común y distractorio en la generación de avatares parlantes. No es un parámetro, sino una instrucción normal, y forma parte de la receta.

Lo que no deberías poner en la plantilla

No escribas en el texto del prompt la tasa de fotogramas, la resolución, la semilla ni cadenas de versión del modelo. Esos son asuntos a nivel de petición, no a nivel de prompt, y mezclarlos hace que el prompt sea más difícil de comparar y reutilizar. Deja que el prompt gobierne el contenido y que la llamada a la API gobierne la infraestructura.

Receta: clip de explicación con un solo presentador

La receta principal. Sirve para narración de documentación, contenido de cursos, videos de anuncios y cualquier situación en la que un presentador lee un guion preparado.

[SUBJECT]
A person in their early 30s, gender-neutral presentation, short dark hair,
wearing a plain crew-neck sweater. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "In this walkthrough we'll cover three things. First, how to set up
the project. Second, the configuration options that matter most. And third, how
to verify everything is working before you ship."

[FRAMING]
Medium shot, eye level, subject centered with a small amount of headroom.
Background: softly out-of-focus home office with a bookshelf.
Lighting: soft key light from the left, no harsh shadows.

[DELIVERY]
Speaks at a measured, conversational pace. Tone: friendly and instructional.
Occasional small nod on sentence boundaries. Camera is static.

Por qué funciona

El guion es lo suficientemente corto para mantener la coherencia: unas tres frases con límites claros entre cláusulas. La composición es deliberadamente plana: centrada, a la altura de los ojos, fondo suave. Una composición plana es una ventaja aquí, porque hace que las diferencias de salida entre ejecuciones sean fáciles de identificar. Si el fondo empieza a cambiar, sabes que es problema del modelo, no de tu descripción de plano.

El módulo de interpretación da una indicación física (un leve asentimiento ocasional en los límites de frase) que se corresponde naturalmente con la estructura del guion. Vale la pena copiar esta correspondencia entre la indicación de interpretación y la forma del guion: una indicación que coincide con el ritmo del guion se lee natural; una que entra en conflicto se lee aleatoria.

Adáptala

• Guiones más largos: mantén la misma composición e interpretación y divide el guion en varios clips en los límites de párrafo, en lugar de forzar una sola generación larga. La consistencia entre clips es más fácil de mantener cuando cada clip tiene una estructura similar.
• Audiencia diferente: cambia solo la palabra del tono («autoritario», «cálido», «animado») y vuelve a ejecutar. Es la edición individual de mayor apalancamiento en la receta.
• Personaje de marca: congela el módulo de sujeto y cambia solo la vestimenta. Así aíslas la ropa de la cara y el pelo, que son los campos que más tienden a derivar.

Limitaciones conocidas

Los guiones muy largos —de varios párrafos en una sola generación— suelen perder consistencia rítmica hacia el final. Planifica unas pocas frases por clip y luego ensambla en el editor. No intentes resolver el problema de longitud añadiendo instrucciones de ritmo al prompt; el prompt no es un controlador temporal.

Receta: gancho corto para redes sociales

El video corto se juega la vida en los primeros dos segundos. Esta receta cambia la neutralidad de la receta de explicación por energía, y es deliberadamente más corta que las demás.

[SUBJECT]
A person in their late 20s, wearing a casual button-up shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Stop scrolling. If you've ever shipped a feature that broke in
production, this is the one setting you probably missed."

[FRAMING]
Close-up shot, slightly below eye level, subject centered and filling most of
the frame. Background: simple solid-color wall. Lighting: bright, even, frontal.

[DELIVERY]
Speaks quickly with confident energy. Tone: direct and conspiratorial.
Leans in slightly on the first sentence. Camera is static.

Decisiones de diseño que vale la pena adoptar

Primer plano con ángulo ligeramente contrapicado crea intimidad y un toque de urgencia. Es la gramática visual del video corto, y se puede expresar perfectamente con lenguaje de composición corriente: no hace falta sintaxis especial.

Fondo de color sólido elimina el ruido visual que compite por la atención con el montaje rápido. En video corto, el fondo nunca debería ser la parte interesante del encuadre.

Máximo dos frases. El gancho es una unidad de atención, no un párrafo. Si tu idea necesita tres frases, pertenece a otra receta.

Una indicación física que coincida con la primera frase. «Inclinarse ligeramente hacia delante en la primera frase» funciona porque la primera frase es el gancho. Empareja la indicación con el beat al que pertenece.

Adáptala

Ejecuta tres guiones de gancho diferentes con el mismo sujeto y composición, y elige entre las salidas. Como todo está congelado excepto el módulo de guion, las diferencias entre clips se pueden atribuir a la escritura, que es exactamente lo que quieres cuando haces pruebas A/B de ganchos.

Limitaciones conocidas

Una interpretación muy rápida puede reducir la claridad en términos técnicos densos. Si tu gancho incluye nombres de producto, siglas o números que hay que pronunciar, cambia la palabra de ritmo de «quickly» (rápidamente) a «briskly» (con brío) y compara. Es el único lugar donde el módulo de interpretación puede necesitar una segunda ronda incluso después de fijar el guion.

Receta: narración de demostración de producto

Esta receta se usa para narrar sobre una interfaz de producto o una secuencia de pasos, donde la claridad importa más que la personalidad y el ritmo necesita dejar espacio para que los ojos del espectador sigan el ritmo.

[SUBJECT]
A person in their mid 30s, wearing a neutral blazer over a plain shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Open the settings panel from the left navigation. Choose the
integration you want to connect. Paste your key into the credential field.
Then save, and run a test call from the same screen to confirm the connection."

[FRAMING]
Medium close-up, eye level, subject positioned slightly left of center to leave
room on the right of frame. Background: clean, uncluttered neutral wall.
Lighting: soft, even, no rim light.

[DELIVERY]
Speaks slowly and evenly, with a brief pause at each step boundary.
Tone: calm and precise. Minimal movement. Camera is static.

La indicación de composición más importante

«Ligeramente a la izquierda del centro, para dejar espacio en el lado derecho del encuadre» es la línea más importante de esta receta. Las demostraciones suelen componerse con grabaciones de pantalla o superposiciones de UI, y una composición descentrada le da a tu editor el espacio para colocarlas. No cuesta nada en el prompt y ahorra un re-render.

El ritmo como instrucción estructural

«Una breve pausa en cada límite de paso» es una instrucción sobre la estructura, no un parámetro temporal. Le dice al modelo que el guion tiene un ritmo de cuatro unidades. No estás especificando milisegundos: estás diciendo dónde están los beats. Mantén el número de pasos en el guion bajo y la correspondencia clara; si el guion tiene seis pasos y la interpretación menciona pausas en los límites, sigue siendo una instrucción y sigue siendo legible.

Adáptala

• Varios segmentos: renderiza cada paso como su propio clip, usando el mismo módulo de sujeto y composición, y luego únelos. Así obtienes puntos de corte limpios y mantienes una apariencia consistente en toda la secuencia.
• Montaje basado en superposiciones: si un paso necesita un beat visual más largo que su línea hablada, añade un clip de silencio al final en lugar de alargar la instrucción de interpretación. El silencio es un problema de postproducción.

Limitaciones conocidas

Las pausas son peticiones, no garantías. Si la posición exacta de la pausa es crítica para sincronizar con la acción en pantalla, planifica ajustarla en el editor y trata el clip generado como la fuente de verdad audiovisual para todo excepto el tiempo de montaje.

Prueba e itera las recetas

Una receta es una hipótesis. Valídala antes de escalar.

Paso 1: escribe un guion de prueba

Prepara un guion corto —dos o tres frases— que cubra los puntos difíciles de tu contenido real: las palabras más largas, los nombres propios más inusuales, los números que realmente dirás. El guion de prueba debe ser adversarial, no halagador. Una frase de prueba que el modelo maneja sin esfuerzo no te dice nada.

Paso 2: genera una línea base

Ejecuta la receta una vez sin modificaciones con el guion de prueba. Guarda la salida y el texto exacto del prompt que la produjo. Esta línea base es tu punto de referencia para cada comparación posterior.

Paso 3: cambia solo una variable por ejecución

Esa es toda la disciplina. Elige una cosa y cambia solo esa:

• Longitud del guion: mismo prompt, una frase más.
• Composición: de plano medio a plano medio corto, nada más.
• Tono de interpretación: sustituye una palabra («amigable» por «animado»).

Si cambias la composición y el tono en la misma ejecución y la salida mejora, solo aprendes que algo funcionó, pero no qué. Es una ejecución desperdiciada.

Paso 4: mantén un registro de diferencias

Para cada ejecución, anota la variante del prompt, ese único cambio y una línea de conclusión. Las variantes rechazadas son tan valiosas como las aceptadas, porque te dicen dónde está el límite. Un simple archivo de texto con marcas de tiempo y diferencias es suficiente; no necesitas herramientas especiales.

Paso 5: promueve o descarta

Cuando una variante supera claramente a la línea base, promuévela a nueva línea base y vuelve a probarla con el guion de prueba completo antes de fijarla como receta de producción. Un cambio que ayuda a una frase puede perjudicar a otra.

Qué no iterar

No iteres sobre cosas que el prompt no controla. Si tu problema es la resolución, la relación de aspecto o la determinación de la semilla, estás en el nivel equivocado: mira tus parámetros de petición, no el prompt. Gastar ejecuciones reescribiendo el prompt para arreglar problemas de infraestructura es la forma más común en que los equipos desperdician presupuesto de generación.

Nota sobre el tamaño de muestra

La generación de avatares parlantes tiene variación inherente entre ejecuciones. Generar una sola muestra por variante puede engañarte. Antes de sacar conclusiones, genera dos o tres muestras por variante con el guion de prueba y compara entre muestras, no eligiendo la mejor.

Modos de fallo comunes y cómo evitarlos mediante el prompt

Estos son los problemas más frecuentes, con los ajustes para resolverlos desde el lado del prompt. Ninguno requiere inventar parámetros.

El sujeto deriva entre clips

Síntoma: el pelo, la ropa o la edad se ven diferentes entre segmentos. Solución: congela literalmente el módulo de sujeto en todos los prompts, sin cambiar nada: ni sinónimos, ni orden de palabras. La variación suele venir de reescrituras bienintencionadas entre clips.

La interpretación suena a recitación, no a habla

Síntoma: expresión plana, sin micro-movimientos, quietud extraña. Solución: añade una indicación de comportamiento físico en el módulo de interpretación y asegúrate de que se corresponda con un beat del guion. Comprueba también que el guion esté escrito en registro oral: contracciones, cláusulas cortas, fragmentos de frase. La prosa formal se lee como una interpretación formal sin importar qué palabra de tono añadas.

Movimiento de cámara no solicitado

Síntoma: zoom lento, deriva o paneo que no pediste. Solución: añade una instrucción explícita de cámara fija al final del módulo de interpretación. Si el movimiento persiste, elimina las palabras del resto del prompt que sugieran movimiento («dinámico», «composición energética», «cámara en movimiento»).

El fondo compite con el sujeto por la atención

Síntoma: el modelo pone atención en detalles del fondo en lugar de en la cara. Solución: simplifica la descripción del fondo a una sola frase y añade una luz que separe al sujeto de la pared (luz principal suave desde un lado). Menos palabras de fondo, no más.

El ritmo se rompe en guiones largos

Síntoma: la interpretación empieza bien y se vuelve apresurada o plana cerca del final. Solución: acorta el guion. Es la solución fiable, y ninguna redacción del prompt puede compensarla. Divide en varios clips en los límites naturales.

La claridad cae en términos densos

Síntoma: nombres de producto, siglas o números poco claros. Solución: cambia la palabra de ritmo de rápido a pausado; si un término concreto sigue mal, considera reescribirlo fonéticamente en el guion, aceptando que eso hace el guion más difícil de leer y debe usarse como último recurso.

La salida ignora parte del prompt

Síntoma: un módulo entero parece no tener efecto. Solución: comprueba conflictos entre módulos. Si el módulo de sujeto dice «con traje formal» y el de composición dice «cafetería informal», el modelo tiene que reconciliar la contradicción y puede descartar algo. Antes de asumir que el modelo se equivoca, haz que los cuatro módulos sean coherentes entre sí.

Resultados inconsistentes entre ejecuciones idénticas

Síntoma: mismo prompt, salidas diferentes. Solución: es una variación esperada, no un bug del prompt. Establece un criterio de aceptación con dos o tres muestras por variante y deja de ajustar cuando entres en el rango del criterio. Perseguir una determinación perfecta mediante la redacción del prompt no es productivo.

Trata los prompts como activos versionados

Un prompt que vive en una ventana de chat no es un activo reproducible. Cuando tengas dos recetas y varias variantes de cada una, tendrás código fuente, y deberías gestionarlo como código fuente.

Guarda los prompts junto al código que los usa

Mantén un directorio prompts/ en el repositorio donde está el script de generación. Un archivo por receta, en texto plano o markdown, con los cuatro módulos completos y legibles. El texto del prompt debería poder cargarse como una cadena, no pegarse dentro del cuerpo de una función.

Nombra de forma que el nombre prediga la salida

Un esquema de nombres que codifique la intención vale más que uno ingenioso:

prompts/
  explainer-single-speaker-v3.txt
  social-hook-closeup-v2.txt
  walkthrough-voiceover-v1.txt

El sufijo de versión no es decoración. Increméntalo cuando un cambio en un módulo afecte a la salida; no lo incrementes por una errata en un comentario.

Compara prompts, no solo binarios

Cuando la calidad de la salida cambia, necesitas responder «¿qué cambió en la entrada?». Un git diff sobre un prompt en texto plano lo responde con un solo comando. Un prompt incrustado en un blob JSON mezclado con parámetros de petición no puede. Separa el texto del prompt de la configuración de la petición para que el diff siga siendo legible.

Fija el prompt junto a los activos generados

Cuando guardes un clip generado, registra qué versión del prompt lo produjo, en el nombre del archivo, en un archivo de metadatos adjunto o en una base de datos de activos. Seis semanas después, cuando alguien pregunte por qué un clip de la serie se ve diferente, la respuesta debería encontrarse con una consulta, no adivinando.

Revisa los cambios de prompt como revisas cambios de código

Una edición de prompt que cambia la composición o el sujeto es un cambio visual. Trátalo como un cambio de UI: abre un pull request, adjunta muestras de salida antes y después, y haz que otra persona lo revise. Es la forma más barata de detectar derivas accidentales en módulos que deberían estar congelados.

Mantén un índice de recetas

Un breve README en el directorio prompts que enumere cada receta, su propósito y su versión actual ahorra a cada nuevo colaborador tener que deducir tu intención. También es el lugar para registrar limitaciones conocidas, como el límite de longitud del guion en la receta de explicación, para que las restricciones queden documentadas en lugar de redescubiertas.

Empieza por la plataforma y luego especialízate

Si vas a conectar estas recetas a un pipeline, el endpoint de video OmniHuman-1.5 de HiAPI.ai te da una interfaz de llamada única, de modo que el diseño del repositorio y el esquema de versiones se mantengan estables a medida que añadas recetas. Copia una receta, ejecútala con un guion de prueba corto, cambia una variable a la vez y haz commit de las versiones que superen tu línea base: ese ciclo es todo el método.