Imagen a video con IA: qué necesita una foto
Por el equipo creativo de Virtalio, una agencia creativa con más de 15 años produciendo piezas, video y campañas para pymes, marcas y agencias. Última revisión: octubre de 2026.
Imagen a video es tomar una fotografía como primer fotograma y pedirle a un modelo que la ponga en movimiento. El resultado depende más de la foto que del texto que escribas: si la imagen no tiene una dirección de movimiento posible, ningún prompt la va a inventar. La revisión empieza en el archivo de origen, no en el campo de instrucciones.
También conviene separar dos cosas que se confunden seguido. En imagen a video el archivo es el primer fotograma: el modelo continúa desde ahí y lo que sigue tiene que parecer la misma toma. En reference-to-video el archivo es una referencia de estilo o de sujeto, y el video se genera aparte. Son capacidades distintas y en el AI Studio aparecen como modelos distintos. Si tu foto tiene que ser el inicio exacto del plano, necesitas la primera.
El fotograma inicial manda: seis revisiones antes de generar
Un modelo de video no arregla una foto. La prolonga. Estas son las revisiones que hacemos antes de gastar un solo crédito, en este orden.
1. Resolución real, no resolución de archivo
Un archivo de 4.000 píxeles puede no tener detalle: una foto de celular ampliada, una captura de pantalla o una imagen ya generada y reescalada. Si la salida va a 1080p o 4k, el primer fotograma se amplía todavía más. Revisa el archivo al 100% en la zona que va a ocupar el centro del cuadro, no en miniatura.
2. El encuadre final, decidido antes
El modelo mueve la cámara dentro de lo que ya está en la imagen. Si el plano necesita un alejamiento, el archivo tiene que tener margen alrededor del sujeto: no se puede abrir un cuadro que no existe. Al revés, si vas a recortar en vertical después, deja la zona segura desde el inicio, porque un reencuadre posterior pierde el movimiento de los bordes.
3. Sin texto ni logotipos dentro de la imagen
Cualquier letra en el fotograma se deforma en cuanto hay movimiento: se estira, se curva o se convierte en una mancha. Un empaque con marca legible o una etiqueta de precio dentro del cuadro es el camino más rápido a una regeneración. Si el texto es parte del diseño, se agrega en la edición, sobre el video generado.
4. Bordes limpios si el sujeto está recortado
Un producto recortado sobre fondo blanco anima mal: el contorno arrastra un halo y el fondo se mueve con el sujeto. Para un packshot que necesita movimiento, es mejor partir de una foto con fondo real o de una escena completa que de un recorte.
5. Manos, rostros y objetos pequeños
Son las zonas donde el movimiento se rompe primero. Manos que sostienen algo, dedos sobre un teclado, rostros de perfil y joyería fina fallan con más frecuencia que un plano general. Si el proyecto depende de ese detalle, conviene planear el plano para que el detalle no sea el centro del movimiento.
6. Luz con dirección
Una foto con luz plana se mueve poco: no hay sombras que desplacen, no hay volumen que revele el movimiento. La luz lateral o una fuente definida da al modelo información para animar. Es la razón por la que las fotos de estudio con una sola fuente funcionan mejor de lo que parece.
El prompt describe movimiento, no escena
Cuando el modelo ya tiene la imagen, describirla es trabajo perdido y puede empujarlo a rehacerla. El texto tiene que decir tres cosas: qué hace la cámara, qué hace el sujeto y a qué velocidad.
La documentación de la API de Kling para imagen a video usa exactamente esa estructura en su ejemplo: «Camera zooms out, the girl smiles». Un movimiento de cámara y una acción del sujeto. Nada sobre el vestuario, el lugar ni el estilo, porque todo eso ya está en el fotograma.
Tres reglas que aplicamos:
Un verbo por elemento. «La cámara se acerca y el producto gira» funciona. «La cámara se acerca mientras el producto gira, la luz cambia y entra una mano» produce cuatro problemas a la vez y ningún control sobre ellos.
Prohibiciones explícitas. Lo que no debe cambiar se escribe: el fondo, el vestuario, la posición de las manos. Varios modelos de la lista actual aceptan un campo de prompt negativo, y ahí va lo que no quieres ver: texto, marcas de agua, manos deformes.
Duración coherente con la acción. Un plano de 4 segundos no admite un recorrido completo de una habitación. Si la acción necesita más tiempo, se pide más duración o se parte la idea en dos planos.
Fotograma final: cómo se cierra el plano
Una parte de los modelos de imagen a video de la lista actual acepta también un fotograma de cierre. En la API de Kling es el campo image_tail, junto al fotograma inicial; en la documentación de Gemini Omni la operación se describe como interpolación entre primer y último fotograma.
Sirve para tres casos concretos. Cerrar una toma que tiene que terminar en una composición conocida —el producto ya en su lugar, la puerta cerrada—. Encadenar dos clips sin salto, usando el último fotograma del primero como inicio del segundo. Y controlar un movimiento que el modelo tiende a exagerar, porque le das un destino en lugar de dejar que improvise.
No sirve para corregir una física imposible. Si el recorrido entre los dos fotogramas no es creíble, el modelo va a inventar el camino y ese invento es donde aparecen los errores.
Cuánto cuesta un intento, y por qué el intento no es uno
El catálogo del AI Studio tiene hoy 31 modelos de imagen a video, con costos y duraciones distintos. Estos son algunos, con el costo por llamada que muestra el catálogo:
pruna-ai/p-video — 3 créditos, clips de 5 a 20 segundos.
pixverse/pixverse-v6 — 7 créditos, de 1 a 15 segundos.
alibaba/wan-3.0 — 15 créditos, de 2 a 30 segundos, con cinco proporciones disponibles.
google/veo3.1-fast — 25 créditos, de 4, 6 u 8 segundos, con salida hasta 4k.
kwaivgi/kling-v3.0-pro — 51 créditos, de 3 a 15 segundos.
bytedance/seedance-2.5 — 72 créditos, de 4 a 30 segundos.
El dato útil no es el precio del clip: es que casi ninguna pieza sale al primer intento. Un plano con una mano en cuadro puede necesitar tres o cuatro generaciones antes de que la mano se comporte. Presupuestar un intento es presupuestar la mitad del trabajo.
La consecuencia práctica es elegir el modelo por el trabajo, no por el precio. Para decidir si la idea funciona, un modelo liviano con clips cortos alcanza y permite descartar rápido. Cuando la toma ya está resuelta, se produce en el modelo que da la duración y la resolución que el destino pide. Producir cada prueba en el modelo más caro es la forma más común de agotar el crédito antes de tener un plano bueno.
Dónde falla, sin adornos
Texto. Cualquier letra dentro del cuadro se rompe. No hay prompt que lo resuelva de forma confiable.
Manos y dedos. Mejoran generación tras generación, pero siguen siendo el punto débil cuando ocupan el centro del encuadre.
Reflejos y transparencias. Vidrio, agua, espejos y plástico transparente producen movimiento incoherente con el resto de la escena.
Planos largos. Cuanto más dura el clip, más oportunidades tiene el modelo de contradecirse. Un movimiento corto bien resuelto se puede repetir o encadenar; un plano largo mal resuelto no se arregla en edición.
Continuidad entre clips. Dos clips generados por separado, incluso desde el mismo fotograma, no comparten iluminación ni grano. Para una secuencia hace falta el truco del fotograma final o una corrección de color que los una.
Física de materiales. Líquidos, telas al viento y humo son los casos donde el resultado se nota artificial más rápido.
Cómo se entrega una pieza de imagen a video
La generación termina en un archivo, no en una pieza publicable. Antes de entregar, revisamos tres cosas.
La proporción corresponde al destino. Un clip generado en horizontal no se convierte en una historia vertical recortando: se pierde el movimiento de los bordes y el sujeto queda fuera de la zona segura. Se genera en la proporción final.
El audio está apagado o es intencional. Varios modelos pueden generar sonido. Para una pieza que va a llevar música y locución, ese audio se descarta, y conviene pedirlo desactivado desde el inicio para no pagar por algo que se va a tirar.
El archivo va rotulado como generado. Cuando la pieza se publica, la marca de contenido generado se declara en la plataforma. Es un paso de publicación, no de edición, y se olvida cuando el clip viaja por correo entre áreas.
Si la pieza forma parte de una campaña más grande, el reparto entre lo que se genera y lo que se filma se decide antes: lo cubrimos en qué se genera y qué se filma en una campaña con IA. Y si el problema es elegir modelo para video completo, no para un solo plano, el criterio está en qué modelo de video usar y cuántos créditos cuesta.
Un detalle que envejece rápido
Google retiró el preview de Veo 3.1 de su API de Gemini el 22 de octubre de 2026 y redirige a Gemini Omni Flash, según su propia página de documentación. El modelo sigue disponible por otros proveedores, así que no es una mala noticia para quien lo usa a través de Virtalio. Lo que muestra es otra cosa: un flujo atado a un slug concreto envejece.
Por eso la pieza se diseña por especificación —proporción, duración, resolución, uso— y no por nombre de modelo. Cuando el modelo cambia, se cambia el modelo. Cuando la especificación está en el prompt, se rehace la pieza.
Preguntas frecuentes
¿Puedo usar una foto de celular para imagen a video?
Sí, si el archivo tiene detalle suficiente en la zona que va a ocupar el cuadro y si el encuadre ya es el final. El límite habitual no es la cámara: es el recorte. Una foto de celular bien encuadrada funciona mejor que una foto de estudio mal recortada.
¿Cuántos segundos conviene generar por clip?
Lo suficiente para la acción, no más. Un movimiento corto se puede encadenar; un plano largo acumula errores. Si la acción no cabe en la duración máxima del modelo, se parte en dos planos.
¿Se puede corregir el resultado sin volver a generar?
Se puede estabilizar, recortar, ajustar color y cambiar el ritmo en edición. No se puede corregir una mano deformada ni un texto roto: eso requiere una generación nueva con otro fotograma de origen o un encuadre distinto.
¿Imagen a video reemplaza una producción grabada?
No. Sirve para planos que no se pueden filmar, para mover una foto existente y para pruebas de concepto. Una pieza con personas reales, producto físico y testimonio sigue necesitando rodaje. La comparación honesta es contra una sesión de estudio, no contra un spot completo.
Puedes ver los modelos disponibles y probar un plano en el AI Studio, o revisar cómo se integra esto en un flujo de producción en las funciones de IA y en los planes.