Ir al contenido principal
Español— Elegir un idioma
Menú

Escribe indicaciones de vídeo eficaces

Lección 2 de 12 Actualizado el 3 de noviembre de 2026 Intermedio
En esta página
  1. El arte de la indicación de vídeo
  2. Los cuatro componentes de una buena descripción
  3. Dos capas específicas del vídeo: cámara y sonido
  4. Tres indicaciones, tres estilos
  5. Adaptar los parámetros al contenido
  6. Qué hace fallar una indicación
  7. Puntos clave

Actualizado el 3 de noviembre de 2026. Basado en las páginas Video Overview y Video Generation de xAI y su guía de indicaciones para imágenes: xAI te pide que describas la toma completa, incluyendo el movimiento de cámara, la luz y el sonido. La regla de «máximo dos o tres frases» de la versión anterior no aparece en ninguna página de xAI; de hecho, la guía de imágenes recomienda de cuatro a seis frases para una sola imagen. Esta lección también cubre la resolución 1080p para los modelos 1.5, las nueve relaciones de aspecto y la pista de audio generada por defecto. Fuentes: Video Overview · Video Generation · Image Prompting Guide.

El arte de la indicación de vídeo

La calidad del vídeo generado depende directamente de la precisión de tu indicación, y una indicación de vídeo exige más que una de imagen. Mientras que una descripción estática basta para producir una ilustración, una indicación de vídeo debe transmitir también el movimiento, la temporalidad y la dinámica de la escena y, dado que el vídeo se exporta con su banda sonora, lo que se oye en él. Una indicación que describe perfectamente un entorno sin especificar nunca qué se mueve corre el riesgo de producir una toma casi congelada, técnicamente animada pero visualmente lifeless. Esta lección te enseña a estructurar tus descripciones para sacar el máximo provecho de los modelos Grok Imagine Video.

Los cuatro componentes de una buena descripción

Una indicación de vídeo eficaz articula cuatro capas de información, y trabajas cada una por separado.

La primera es el sujeto: el elemento o elementos principales de la escena, descritos con la suficiente precisión para que el modelo no tenga que inventar nada. Escribir «un pájaro» deja el campo muy abierto; escribir «un colibrí con plumas irisadas azules y verdes» fija la apariencia y hace que tus generaciones sean más consistentes de un intento a otro.

A continuación llega la acción, el componente más decisivo en el vídeo. No basta con decir que algo se mueve; debes especificar el movimiento, su dirección y su intensidad. «Un pájaro volando» es una intención, no una instrucción de puesta en escena. «Un colibrí alimentándose de una flor de hibisco rojo, con las alas batiendo rápidamente» le da al modelo un gesto, un objetivo y un ritmo.

La tercera capa es el entorno: el lugar, la luz, el clima y el ambiente. Un simple «en un jardín» deja que el modelo elija la hora y la estación por ti. «En un exuberante jardín tropical, con la luz dorada del atardecer filtrándose a través del follaje» establece la atmósfera y, de paso, la dirección de la luz sobre tu sujeto.

Por último, el estilo visual, que determina el renderizado: cinematográfico, documental, animado. Una frase como «estilo cinematográfico, poca profundidad de campo, colores cálidos» establece un registro publicitario, mientras que «animación 3D estilizada, paleta de colores pastel» te lleva a un universo completamente distinto con la misma escena de entrada.

El orden importa. La guía de indicaciones de imágenes de xAI, escrita para imágenes fijas pero útil aquí, observa que una indicación que comienza con el estado de ánimo, el grano de película o una lista de prohibiciones produce una escena pulida donde el sujeto es meramente un extra de fondo. Así que empieza con el sujeto y su acción, y deja el estilo para el final.

Dos capas específicas del vídeo: cámara y sonido

Para texto a vídeo, xAI resume su instrucción en una frase: describe la toma, incluyendo el movimiento de cámara, la luz y el sonido. Dos de estos elementos no existen en las imágenes fijas.

La cámara se controla con vocabulario de rodaje: toma estática, zoom lento, travelling, vista de dron, timelapse. Los ejemplos de la documentación de xAI los usan tal cual: un zoom lento sobre un podio de pasarela, una cámara deslizándose desde una puerta soleada hacia una ventana, una toma de dron entre picos, un timelapse de una flor abriéndose. Si no dices nada, dejas esta elección al modelo.

La luz gana si se describe como indica la guía de imágenes de xAI: su fuente, dirección y dureza, lo bastante fuerte para que el sujeto permanezca legible. «Sol duro de tarde desde la izquierda» le dice al modelo qué iluminar; «luz bonita» no le dice nada.

El sonido es parte del resultado: un vídeo generado incluye una pista de audio por defecto, con sincronización labial en grok-imagine-video-1.5 y su versión -lite. Así que describe el paisaje sonoro que quieres —lluvia sobre el pavimento, murmullo de sala, música suave— o corta la pista con "generate_audio": false si vas a poner tu propia banda sonora en la edición.

Un último detalle operativo cambia cómo escribes: en los modelos 1.5, el texto a vídeo primero renderiza una imagen fija a partir de la indicación y luego la anima. Por tanto, la escena inicial debe leerse como una imagen nítida —sujeto, decorado, luz— y el movimiento como lo que ocurre después.

Tres indicaciones, tres estilos

Estas capas se combinan de forma distinta según el destino del clip. Para uso publicitario, te preocupas por el material y la luz, y la acción permanece mínima pero perfectamente descrita:

A steaming cup of coffee on a rustic wooden table,
steam rising in gentle spirals. Natural side light from
the left, very slow zoom toward the cup, shallow depth of
field, advertising style. Muted coffee shop ambiance.

Para la visualización de datos destinada a una presentación, el movimiento se vuelve estructural —transporta la información— y el estilo se vuelve deliberadamente sobrio. Este vídeo se reproducirá bajo un comentario en directo: genéralo sin sonido, con "generate_audio": false.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

Por último, en la animación creativa, el sujeto puede ser abstracto, siempre que la transformación se describa con precisión:

Abstract geometric shapes transforming fluidly
into one another, vivid color palette on black background.
Camera slowly orbits the shapes, contemporary motion design
style, synth pads.

Tómate un momento para identificar, en cada uno de estos tres bloques, dónde están el sujeto, la acción, el entorno y el estilo, y luego la cámara y el sonido. Este ejercicio de lectura hace que la escritura sea natural después.

Adaptar los parámetros al contenido

La indicación no trabaja sola: la duración, la relación de aspecto y la resolución deben responder a ella. La duración oscila entre 1 y 15 segundos, 8 por defecto. Una duración de 1 a 3 segundos conviene para una única acción, una transición o un renderizado tipo GIF; de 4 a 7 segundos, obtienes una escena corta con principio y fin; entre 8 y 15 segundos, entras en una secuencia narrativa con evolución. Cuanto más largo sea el vídeo, más tiempo de generación requiere, y el precio se cuenta por segundo: empieza corto y aumenta progresivamente.

Elige la relación de aspecto según el destino final. La API ofrece nueve: 16:9 (por defecto) para pantalla ancha, web y presentaciones, 9:16 para móvil, stories y Reels, 1:1 para publicaciones sociales y miniaturas, 4:3 y 3:4 para presentaciones y retratos, 3:2 y 2:3 para un renderizado fotográfico, 21:9 para un formato de cine ultra ancho, 5:2 para un banner o cabecera de sitio. En imagen a vídeo, esta elección desaparece: la salida sigue la relación de aspecto de la imagen.

En cuanto a la resolución, mantén 480p para previsualizaciones y borradores —este es el valor por defecto y el renderizado es más rápido— y luego sube a 720p o 1080p cuando el clip pase a producción. 1080p solo existe en los modelos 1.5: nativo en grok-imagine-video-1.5, obtenido por remuestreo desde 720p en su versión -lite, mientras que grok-imagine-video se detiene en 720p. Para vídeos sencillos, xAI recomienda grok-imagine-video-1.5-lite, el más barato por segundo, y reserva grok-imagine-video-1.5 para imágenes de referencia, voces, imágenes impuestas y 1080p nativo.

Qué hace fallar una indicación

Cinco trampas se repiten a menudo. La primera es la indicación demasiado vaga: «una escena bonita» no contiene información utilizable. La segunda es la indicación que quiere contarlo todo —múltiples sujetos, múltiples ubicaciones, múltiples escenas en pocos segundos—. Para una historia de varias tomas, sigue el ejemplo Storyboard to Short Film del recetario de xAI: divide la narrativa en cuatro tomas, genera cada una por separado, con su escena y movimiento de cámara, y luego ensámblalas en la edición. La tercera, ya mencionada, es la ausencia de movimiento descrito, lo que produce una toma estática. La cuarta reside en conflictos lógicos: pedir «un gato volando en el agua» pone al modelo ante una contradicción, y es probable que el resultado sea incoherente. La quinta es la lista de negativos —«sin coches, sin texto, sin multitud». La guía de imágenes de xAI señala que una larga lista de elementos a evitar se ignora fácilmente y llena la indicación con objetos que acaban apareciendo: describe lo que quieres ver en su lugar.

En cuanto a la longitud, la documentación de xAI no da una medida ideal para el vídeo, ni cuantifica el límite más allá del cual se rechaza una indicación demasiado larga (error invalid_argument). Su guía de imágenes sugiere de cuatro a seis frases para una sola imagen: el sujeto y sus detalles, luego el decorado, la luz y el encuadre. Para una toma de vídeo, parte de esta estructura y añade acción, cámara y sonido.

Para practicar, escribe una indicación completa para tres destinos diferentes: un vídeo de fondo para la web de un restaurante, un clip de 3 segundos para una story de Instagram de una marca de ropa y una animación abstracta para una presentación técnica. En cada una, verifica que las cuatro capas estén presentes, que la cámara y el sonido estén descritos —o la pista de audio cortada— y que la duración y la relación de aspecto se ajusten al uso previsto.

Puntos clave

  • Una buena indicación de vídeo contiene sujeto, acción, entorno y estilo, empezando por el sujeto
  • xAI te pide también que describas el movimiento de cámara, la luz y el sonido
  • La pista de audio se genera por defecto; "generate_audio": false da un vídeo mudo
  • Adapta la duración (de 1 a 15 s, 8 por defecto), la relación de aspecto (nueve formatos) y la resolución (hasta 1080p en modelos 1.5) al uso final
  • Una historia de varias tomas se genera toma a toma y luego se edita
  • Describe lo que quieres ver en lugar de lo que no quieres