Blog

Guía de uso

Crear videos cortos con vidu-q3-mix reference-to-video en HiAPI

Un flujo de trabajo para desarrolladores: clips con personajes consistentes, narración con referencia de voz y ritmo en posproducción

Nov 9, 2026
Imagen de portada de estilo geométrico plano: sobre un fondo azul índigo oscuro, varias capas de anchas flechas en forma de chevron avanzan horizontalmente una tras otra, con el borde delantero en naranja albaricoque.
En esta página

Qué te ofrece la tarea vidu-q3-mix reference-to-video

La tarea vidu-q3-mix/reference-to-video en HiAPI es un paso de generación, no un paso de video terminado. Le envías material de referencia —imágenes que definen la apariencia de un personaje o escena, más texto de prompt que describe la acción— y obtienes un clip. En un pipeline de video corto, ocupa una posición intermedia: aguas arriba están la preparación del material de referencia y el diseño del prompt; aguas abajo están la revisión, el recorte y el ensamblaje.

Un modelo mental útil es el de tres canales de entrada que confluyen en una salida:

Lo que entra

  • Imágenes de referencia. Uno o más fotogramas fijos que anclan la apariencia: rostro, peinado, vestuario, paleta de color, entorno.
  • El prompt. Descripción en lenguaje natural de lo que debe ocurrir en la toma: sujeto, acción, sensación de cámara, emoción.
  • Referencia de voz opcional. Una muestra de audio para cuando quieres que la narración tenga un timbre específico.

Lo que sale

Un clip generado. Trátalo como material en bruto. El modelo no es un editor de línea de tiempo: no corta tu video al ritmo, no superpone subtítulos ni garantiza que la toma 4 sea idéntica píxel a píxel a la toma 1. Ese trabajo es tuyo en posproducción.

Dónde encaja

Un video corto normalmente se construye a partir de varios clips generados por separado, que luego se ordenan y combinan. La tarea reference-to-video es la unidad repetible de ese proceso de construcción: una llamada, una toma; una pieza terminada requiere muchas llamadas. Planificar en torno a esta unidad es lo que mantiene el proyecto manejable y las expectativas calibradas. No esperes que una sola generación produzca un video completo, narrado, subtitulado y con ritmo. Deja que produzca una buena toma y luego ensambla las tomas.

Dado que la generación se realiza por clip, el costo varía según el número de tomas que produzcas y la duración de cada una, así que presupuesta por número de tomas y duración de salida, no por minutos de video terminado. Antes de fijar el tamaño del lote, consulta el panel de precios de la plataforma para conocer las tarifas vigentes.

Imágenes de referencia y una muestra de voz entran en un paso de generación guiado por referencias que produce un solo clip.

Planificar las tomas del video corto en torno a las imágenes de referencia

Un video corto se juega en los primeros dos segundos, así que escribe el plan de tomas antes de llamar a la API. Primero divide la pieza en tomas, ponlo por escrito y luego decide qué material de referencia necesita cada toma.

Escribir la lista de tomas

Cada entrada debe responder a cuatro cosas: qué ve el espectador, qué hace el sujeto, cuánto tiempo necesita este momento para ser comprendido y si hay narración encima. Una pieza de 30 segundos puede ser de cinco a ocho tomas. Menos tomas más largas son más fáciles de mantener consistentes; más tomas más cortas te dan más control del ritmo, pero también más propensión a la deriva visual.

Elegir el material de referencia por toma, no por proyecto

Un error común es creer que un solo conjunto de referencias cubre todo. En realidad, el material de referencia debe elegirse con cuidado para cada toma:

  • El sujeto está en el encuadre y es reconocible — proporciona una imagen clara de frente del personaje y, si la toma implica movimiento o giro, uno o dos ángulos o expresiones de apoyo.
  • El sujeto no está en el encuadre o es muy pequeño — el entorno importa más que el rostro; en su lugar, referencia el lugar, el vestuario o el objeto.
  • Entra un personaje nuevo — decide si tiene su propio conjunto de referencias y mantenlo consistente desde su primera aparición.

Mantener el material de referencia limpio y coherente

Usa imágenes del sujeto sin obstrucciones, bien iluminadas y que no entren en conflicto estilístico con otras referencias del mismo personaje. Mezclar iluminaciones o estilos artísticos en conflicto entre referencias empuja la salida hacia el ruido visual. Si un personaje aparece tanto en exteriores luminosos como en interiores tenues, prioriza usar el mismo conjunto de referencias y deja que el prompt describa la iluminación, en lugar de cambiar a referencias que parecen otra persona.

Versionar el material de referencia

Almacena el material de referencia con una estructura predecible —nombre del personaje, ángulo, variante— y registra qué conjunto de referencias produjo qué toma aceptada. Cuando una toma derive, necesitarás saber exactamente qué cambió entre la ejecución que funcionó y la que falló. Esa pequeña disciplina ahorra tardes enteras.

Mantener la consistencia de los personajes entre varias tomas

Mantener la coherencia entre clips generados por separado es la parte más difícil de un flujo de trabajo guiado por referencias, y es principalmente una cuestión de disciplina, no de trucos de prompt.

Reutilizar el mismo conjunto de referencias en toda la secuencia

Una vez fijado el conjunto de referencias de un personaje, usa ese material exacto en cada toma en la que aparezca. No vuelvas a derivar referencias por toma, no recortes referencias nuevas a mitad del proyecto a menos que estés restableciendo deliberadamente la línea base de toda la secuencia, y no mezcles material de los conjuntos de referencias de otros personajes. Tu señal de uniformidad más fuerte es la consistencia de la entrada.

Estandarizar las convenciones del prompt

Escribe los prompts con una estructura fija para que el modelo vea el mismo tipo de descripción cada vez: descripción del sujeto, luego acción, luego cámara, luego emoción. Conserva literalmente la descripción del sujeto entre tomas —las mismas palabras para el mismo personaje, los mismos términos para el mismo vestuario. La variación debe estar en los campos de acción y cámara, no en cómo describes quién es el personaje.

Generar en lotes emparejados

Genera tomas relacionadas de forma concentrada en una misma sesión de trabajo y revísalas en paralelo, en lugar de una por una. Las pequeñas diferencias invisibles al ver un clip aislado se vuelven evidentes cuando dos tomas están lado a lado. Juzga cada clip contra las tomas adyacentes, no de forma aislada contra el prompt.

Aceptar la imperfección deliberadamente

Buscar consistencia perfecta fotograma a fotograma entre generaciones independientes no es realista. Planifica para ello:

  • Oculta las costuras con estructura. Corta en un movimiento, un cambio de ángulo o un golpe de narración, para que el ojo no compare dos rostros directamente.
  • Reduce las apariciones. Un personaje que aparece en tres tomas es más fácil de mantener coherente que uno que aparece en ocho.
  • Aísla la toma problemática. Si un clip deriva de forma persistente, cambia su encuadre (más amplio, sobre el hombro, parcialmente oculto) en lugar de regenerar sin fin.

Regenerar con propósito

Cuando un clip no funciona, determina qué variable vas a cambiar antes de volver a ejecutar: material de referencia, redacción del prompt o encuadre. Cambiar varias variables a la vez hace que cada resultado sea irreproducible y restablece silenciosamente tu línea base de consistencia.

El mismo conjunto de referencias, las mismas convenciones de prompt: los clips generados por separado se leen como una secuencia continua.

Producir la narración con referencias de voz

La referencia de voz moldea el carácter de la narración —timbre, tono y sensación general. No te da una mezcla de audio terminada ni sabe cuánto dura tu toma.

Mantener la muestra enfocada

Proporciona una muestra limpia de la voz que quieres, sin música de fondo, sin reverberación fuerte ni varias personas hablando. Un audio breve, claro y de un solo hablante da al modelo la señal más compacta de la voz que buscas. Guarda la muestra elegida junto con el conjunto de imágenes como parte del material de referencia bloqueado del proyecto.

Escribir según la duración hablada

La duración de la narración es un problema de texto que se resuelve antes de generar. Lee el guion en voz alta al ritmo que quieres y cronométralo. La narración de video corto suele ser compacta: unas pocas palabras por toma es normal. Si una línea no cabe en la duración que planeaste para la toma, elimina la línea —no pidas que el clip dure más para que la línea quepa.

Planificar la posición de la voz respecto a las tomas

Decide toma por toma si la narración recorre todo el clip, cae en un solo golpe o no aparece en absoluto. Un patrón útil para video corto es la alternancia: una línea gancho en la toma de apertura, silencio mientras la acción se comprende visualmente y una línea de cierre en el último golpe. Escribir ese ritmo como una columna en la lista de tomas convierte la narración de un añadido posterior en una herramienta de ritmo.

Hacer el trabajo de audio fuera de la llamada al modelo

El modelado de voz es solo una entrada; la mezcla es cosa tuya. Cuenta con ajustar niveles, reducir ruido, aplicar fundidos, cama musical y ducking en tu herramienta de edición. Mantén la narración en una pista separada que pueda deslizarse respecto a la imagen en lugar de incorporarla a un clip individual, para que puedas retemporizar las líneas cuando se recorte una toma. Si una línea vuelve con artefactos o una lectura extraña, regenera solo esa línea en lugar de rehacer toda la secuencia.

Trata la referencia de voz como una herramienta de consistencia del carácter de la narración, no como un servicio de temporización o mezcla.

Ensamblar el ritmo y la posproducción

Una vez generados los clips, el trabajo pasa a la línea de tiempo. Aquí es donde el material generado se convierte en video corto y donde se gana la mayor parte de la calidad percibida.

Recortar con decisión

Los clips generados suelen contener un núcleo utilizable con redundancia en ambos extremos. Corta hasta el instante comprensible: la acción que arranca, el golpe que aterriza. La mayoría de los primeros ensamblajes quedan claramente demasiado largos, y apretar es casi siempre lo correcto para el ritmo del video corto. El objetivo es no tener fotogramas muertos —el espectador debe sentir que la pieza avanza desde el primer segundo.

Ordenar por ritmo

Mira el montaje en silencio primero y extiende las tomas. Si la secuencia visual no capta la atención en silencio, la narración no la salvará. Luego varía la duración de las tomas de forma consciente: cortes más rápidos crean impulso, una toma más larga restablece la atención. Alinea los cortes principales con los golpes de la narración siempre que sea posible, para que el oído y el ojo cambien a la vez.

Tratar los subtítulos como elemento de primera clase

El video corto se ve a menudo en silencio, así que los subtítulos cargan la narración. Colócalos después de bloquear la imagen, de modo que permanezcan en pantalla el tiempo suficiente para leerse con comodidad, y corta las líneas en límites de frase naturales, no a mitad de una idea. Si los subtítulos chocan con la composición, ajusta el encuadre o reubícalos en lugar de reducir el texto hasta hacerlo ilegible.

Alinear y mezclar el audio

Coloca la narración en una pista separada, desliza cada línea hasta su golpe y comprueba que ninguna línea quede cortada por un punto de edición. Al añadir una cama musical, mantén el volumen lo bastante bajo para que la voz siga siendo clara e inteligible. Mira la secuencia final de principio a fin con auriculares —eso captura problemas de sincronización que la vista de línea de tiempo oculta.

Revisar contra el plan

Vuelve a leer tu lista de tomas y confirma que cada toma entrega lo que se planeó. Si una toma no merece quedarse, córtala; un montaje apretado de seis tomas supera a uno flojo de nueve. Cuando estés satisfecho, bloquea la línea de tiempo y exporta.

Mantener el proyecto reproducible

El material de referencia, las convenciones de prompt y los clips aceptados del proyecto son tu fuente de verdad. Archívalos junto con el montaje final, para que las revisiones posteriores —nuevo gancho, nuevo final, otra duración— puedan producirse sin reconstruir todo el pipeline desde cero.

Para conocer el rango completo de parámetros de esta tarea, antes de montar tareas por lotes, consulta la guía de la plataforma para confirmar los campos de la solicitud.

Recorte, narración y subtítulos bloqueados en una línea de tiempo compartida.

Lista de verificación del flujo de trabajo repetible

Aquí está la lista de verificación del proceso de principio a fin, que puedes reutilizar en cada nuevo video corto.

Planificación

  • Escribe la pieza como lista de tomas: sujeto, acción, duración y golpe de narración de cada toma.
  • Cronometra la narración en voz alta y recorta las líneas del guion para que quepan en la duración planeada.
  • Decide el patrón de ritmo —toma gancho, golpe de acción, línea de cierre.

Preparar el material de referencia

  • Cura un conjunto de imágenes de referencia bloqueado para cada personaje; guárdalo con nombres claros.
  • Elige una referencia de voz limpia y de un solo hablante para la narración.
  • Registra qué material de referencia pertenece a qué versión del proyecto.

Generación

  • Una llamada a vidu-q3-mix/reference-to-video por toma.
  • Usa el mismo conjunto de referencias y exactamente la misma redacción del sujeto en cada toma en la que aparezca ese personaje.
  • Varía la acción y el lenguaje de cámara, no el lenguaje de identidad.
  • Genera tomas relacionadas en la misma sesión para poder revisarlas lado a lado.

Revisión

  • Compara los clips como un conjunto, no de uno en uno.
  • Regenera cambiando una sola variable a la vez y registra cuál cambiaste.
  • Reencuadra las tomas que derivan de forma persistente en lugar de entrar en un bucle de regeneración.

Ensamblaje

  • Recorta cada clip hasta su núcleo utilizable; elimina los fotogramas muertos.
  • Ordena primero por el ritmo de una visualización en silencio y luego alinea los golpes de la narración.
  • Añade subtítulos después de bloquear la imagen; verifica la legibilidad.
  • Mezcla la narración como pista separada y luego añade la música; revisa con auriculares.

Archivo

  • Guarda juntos el material de referencia, las convenciones de prompt, los clips aceptados y la línea de tiempo final.
  • Registra cualquier excepción a nivel de toma para futuras revisiones.

Esta lista es deliberadamente breve. La mayoría de los fallos en el video corto guiado por referencias proviene de saltarse un paso, no de la llamada de generación en sí —bloquea las entradas, mantén el plan compacto y deja que la posproducción se encargue del ritmo.

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