De la idea en bruto al vídeo cinematográfico: fichas de personaje y prompts JSON

Pasar horas con prompts largos y complejos sin lograr el plano imaginado quizá no sea un problema de talento. El presentador muestra cortometrajes hechos sin ninguna habilidad para escribir prompts y resume su tesis en una frase: describe la idea en bruto con palabras simples y deja que una herramienta aparte escriba el prompt profesional. Todo el vídeo es un flujo que pone a prueba esa tesis en dos escenas.

Pero por bueno que sea el prompt, una variable sin bloquear lo arruina todo: el personaje debe seguir siendo la misma persona en cada plano. La respuesta es la ficha de personaje , una página de referencia que fija el mismo rostro y vestuario desde varios ángulos. La guía de coherencia de InVideo dicta la misma regla: prepara una ficha multiángulo por adelantado, bloquea el vestuario en ella y adjunta la misma página como referencia en cada generación. Así la coherencia visual se vuelve sistema, no suerte.

Fichas bloqueadas: dos identidades para dentro y fuera

La producción corre en Higgsfield, una plataforma todo en uno que el presentador nombra abiertamente como patrocinador. Según la propia guía de Higgsfield, GPT Image 2.5 llega en dos variantes: Flare rápido para el día a día y Sunburst premium para ediciones precisas. El presentador elige Sunburst a conciencia para las fichas. La página de vídeo de la plataforma respalda la elección: modelos como Veo, Sora, Kling y Wan conviven en un solo espacio, con controles de continuidad como el bloqueo de primer y último fotograma.

La primera escena ocurre en una cabaña: el personaje se sirve café dentro y luego sale a cortar leña. El presentador construye primero la ficha interior, adjunta una foto real suya como referencia de identidad y pide cuatro paneles : frente, tres cuartos, perfil y primer plano del rostro, en 16:9 y resolución 2K. El resultado lo sorprende porque el rostro generado se le parece de verdad, hasta en pequeños detalles que prueban el realismo, como unos labios levemente agrietados.

La ficha exterior usa un truco más astuto: dos imágenes para dos trabajos. La primera es de nuevo su rostro real, que bloquea la identidad. La segunda solo sirve para la correspondencia de texturas , una imagen ya conocida por parecer una foto real, para que el modelo copie de ella piel y tejidos. La ficha de frío conserva así exactamente el rostro de la interior con realismo fotográfico. Juntas, ambas fichas forman el juego de referencias que sostendrá toda la escena.

¿Frase simple o prompt estructurado?

Las pruebas de vídeo corren en Seedance 2.5, el modelo de vídeo de ByteDance. Primero va la vía perezosa: la escena se escribe tal como viene a la mente, en 16:9, 30 segundos y 1080p, con ambas fichas adjuntas, y se genera. El resultado es aceptable pero trae dos defectos: cortes extraños que rompen el flujo y un error con el tronco, pues el personaje golpea el tronco grande que debería servir de base. Según la página Seed de ByteDance, el modelo construye narrativas de 30 segundos en una pasada y puede extender dos veces; la crónica de lanzamiento de TechNode añade que una entrada puede llevar 30 imágenes, 10 vídeos y 10 sonidos como referencia. El modelo es potente, pero un prompt simple le deja casi todas las decisiones reales: cámara, luz y ritmo.

La segunda vía es la estrella: una herramienta gratuita llamada videoprompt.studio. La idea en bruto va a una casilla con palabras simples, se elige el tipo de plano, el modelo objetivo queda en Seedance y el formato de salida es JSON. Una regla crítica se escribe dentro de la idea: la escena empieza dentro y sale fuera, así que el vestuario debe cambiar en el instante exacto. La herramienta devuelve un prompt estructurado listo para pegar, dividido en campos como luz y movimiento de cámara. Según la guía 2026 de Neurosignal, estas herramientas traducen entre la imaginación y el modelo: convierten la descripción casual al formato que los modelos de vídeo sí procesan.

El prompt estructurado entra con las mismas fichas y la diferencia es inmediata: la luz de la cabaña y el vaho en el cristal se ven mucho más reales. Pero una relectura detecta dos ausencias: el perro y ciertos detalles de movimiento y sonido nunca llegaron al JSON. La lección es dura: lo que el prompt omite, el modelo jamás lo ve. Tras añadir lo perdido y reconstruir, la tercera versión cobra vida y el personaje recoge el tronco del suelo. La comparativa de SeedanceTool explica por qué: Seedance responde mejor a prompts escritos con movimientos de cámara explícitos, esquemas de luz y duraciones. Plantilla y modelo coinciden.

La prueba difícil: una tormenta donde todo cambia a la vez

La escena de la cabaña era la versión fácil porque casi nada cambia de estado en pantalla. La segunda es lo contrario: una tormenta nocturna donde la puerta pasa de cerrada a abierta, el farol de apagado a encendido y la tormenta misma de plena fuerza a la calma. La ficha del personaje se hereda de la primera escena y solo el vestuario cambia a modo noche, mientras el perro se construye desde cero, de una descripción escrita a una ficha de cuatro paneles. Tanto el prompt simple como el estructurado crudo tropiezan: el personaje espera sin propósito junto a la puerta y enciende el farol a través del cristal. El diagnóstico es claro: esos prompts dicen qué pasa pero nunca cuándo , y el orden de los cambios se desplaza.

La solución es escenificar el prompt: primero se corta la luz, luego la puerta se abre con el viento, el personaje la empuja, el farol solo prende hacia el final y la tormenta amaina al cierre. Esa versión ordenada enciende bien el farol y el movimiento se vuelve natural. La lección final trata del ir y venir entre plataformas: herramientas separadas significan créditos separados, y el presentador defiende mantener la cadena bajo un mismo techo. Léelo con descuento de patrocinio, pero el método es independiente de la herramienta: bloquea la ficha, estructura el prompt, programa el cambio.