Menos cortes gana

Si te llevás una sola cosa de esta guía, que sea ésta.

El instinto natural es escribir un guion de ocho escenas y pedirle al motor una escena a la vez. Es exactamente lo que hicimos primero, y es la razón por la que la primera versión salió mal: cada corte le cuesta identidad al personaje. Cuando encadenás la escena 2 usando la escena 1 como referencia, y la 3 usando la 2, la cara va derivando de a poco. En la quinta escena ya no es la misma persona — y el error es invisible mientras revisás clip por clip, porque cada uno se parece al anterior.

La solución tiene dos mitades, y las dos importan:

1. Un clip continuo con timeline interno le gana a varios clips encadenados. En vez de pedir cinco escenas de 3 segundos, se pide una toma de 15 segundos y dentro del prompt se escribe la coreografía por tramos («0-2s… 2-4s… 4-6s»). El motor mantiene la continuidad porque nunca sale del plano.
2. Las referencias de identidad se reinyectan en cada generación, no solo en la primera. Aunque una escena venga después de otra, el prompt vuelve a mandar las mismas fotos de referencia. Esto es lo que corta la deriva.

El personaje no es una foto: es una biblia

Acá está el error que casi todo el mundo comete. Subís una selfie, escribís «hazme un superhéroe» y el motor te devuelve un superhéroe distinto cada vez: otro traje, otro emblema, otro tono de piel. No porque falle — porque nunca le dijiste qué cosa es constante.

Un personaje reproducible necesita una biblia canónica: un documento que fija identidad, cuerpo, vestuario con códigos de color exactos, reglas de continuidad y una lista de negativos. Después, cada generación cita esa biblia. Ésta es la nuestra:

Las cinco vistas canónicas

De la foto ancla se generan cinco vistas por image-to-image, todas con el mismo vestuario y sobre fondo de estudio gris. Estas cinco imágenes son las que después viajan como referencia a cada video.

Este es el prompt literal que genera cada vista. Lo único que cambia entre las cinco es la línea de la pose:

Character turnaround sheet of an ORIGINAL character (not derived from any existing franchise). Use the uploaded image as the ONLY face reference: preserve the person's face exactly — same features, beard, hairstyle, skin tone, age and body proportions. Absolutely no face drift, no beautification, no stylization. {POSE}. OUTFIT: {TRAJE_DE_LA_BIBLIA}. Seamless neutral grey studio background, soft even studio lighting, full body head to feet, photorealistic. No text, no watermark, no logos drawn by the model.

Las cinco poses, textuales:

frontal      → front-facing full-body view, neutral confident standing pose, arms relaxed at sides
tresCuartos  → three-quarter full-body view turned to the right, relaxed confident stance
perfil       → full right side profile view, standing straight, arms relaxed
espalda      → full back view, standing straight, showing the back of the outfit
accion       → low athletic ready crouch, knees bent, one hand touching the floor, head up looking forward

El traje, palabra por palabra

Esta es la parte del vestuario que se copia idéntica en cada generación. Fijate el nivel de especificidad: hexadecimales, centímetros, milímetros, cantidad de nodos del emblema. Cada número que no escribís es un número que el motor va a inventar distinto cada vez.

Original VLA technical suit designed for urban traversal and impact mitigation. Base color deep navy blue (#0F2A44) in matte nano-weave with subtle ripstop texture; vivid orange (#e9511d) accents as thin edge piping and segmented reinforcement bands. Panel layout: geometric data-network patterns (printed and lightly embossed) combining circuit traces, topographic contour lines, and network-node dots; patterns are asymmetrical and map-like (never radial webs). Seams: bonded seams with visible micro-stitching only at stress points (shoulders, hips, inner thighs). Chest emblem: proprietary VLA kinetic-network emblem—an abstract triangular node-cluster forming a forward-leaning chevron made of 7 connected dots and 6 thin links, centered on sternum, 11 cm tall, orange on navy with a thin reflective graphite outline. Utility: wrist-mounted AI kinetic filament launchers integrated into forearm bracers (graphite composite with orange status strip, small circular emitter port 18 mm diameter at inner wrist). Filament: translucent smoky-gray kinetic line with faint orange pulse segments traveling along it during tension changes; thickness 2–4 mm depending on load. Belt: low-profile modular belt in graphite with orange latch, no external pouches swinging. Footwear: integrated boots with segmented sole and orange heel stabilizer; toe is navy matte, no bright franchise toe caps.

Y la lista de negativos, que es igual de importante

Un personaje original necesita defenderse activamente de los parecidos. Estos negativos existen porque el motor, si no le decís nada, deriva hacia lo que ya conoce — y ahí es donde te rechazan la generación por copyright.

spider symbol, spider logo, spider silhouette, arachnid emblem
web pattern fabric, web-mesh suit texture, radial webbing graphics
red and blue superhero suit, classic comic spandex look
large white eye lenses, bug-eye mask, full face covered mask that hides identity
iconic franchise poses, wall-crawling like an arachnid, sticky finger climbing
magic powers, biological webbing, wrist web shooters with classic design cues
cape, bat-like shapes, lightning bolt emblems, star shields, recognizable superhero insignias
cartoon/anime proportions, over-smooth plastic skin, heavy beauty filter
blood, gore, excessive brutality
copyrighted logos, brand names other than VLA

Si la cara es de una persona real, hay un trámite

Esta parte no se resuelve con prompting. Para que un motor de video acepte generar la cara de una persona real, esa persona tiene que estar registrada y verificada en la biblioteca de assets del proveedor. En BytePlus se hace desde la consola: My assets → Real-human, con una verificación por QR donde la persona graba el gesto que le piden.

Una vez verificada, la referencia se manda con un identificador propio en lugar de una URL:

asset://asset-20260705100457-l5pgx

Nosotros mandamos tres assets verificados de la misma persona (distintos ángulos) en cada llamada. Y un hallazgo útil que no está en la documentación: asset:// también funciona como first_frame, no solo como referencia.

La anatomía del prompt: cinco bloques que se repiten siempre

Acá está el corazón del método. Cada prompt de escena es la misma estructura: cinco bloques de bloqueo idénticos en todas las escenas, y al final el único bloque que cambia, que es la acción. Los bloques fijos son largos y redundantes a propósito — la redundancia es lo que compra consistencia.

Bloque 1 — Identidad

Primero y en mayúsculas, porque establece la prioridad: si la acción entra en conflicto con la identidad, gana la identidad.

IDENTITY IS THE TOP PRIORITY: the face must be EXACTLY the man in the reference photos in every single frame — same facial structure, same eyes, same nose, same beard shape and density, same hairline, same skin tone, same age. If any conflict arises between action and identity, preserve identity. He wears the same navy-blue technical suit with fine orange piping, circuit-network pattern and the full-color VLA logo centered on the chest. No mask, no cape.

Más adelante endurecimos este bloque con una frase que cambió los resultados de forma visible:

Use the uploaded person as the sole identity reference. The main character throughout the entire video must be exactly the uploaded person. Preserve the exact facial features, facial proportions, hairstyle, beard, skin tone, body shape and age in every frame. Absolutely no face drift, no identity change, no beautification, no stylization, no anatomy distortion, no replacement.

Bloque 2 — El objeto que el motor siempre malinterpreta

En nuestro caso el cable. En el tuyo será otra cosa: el arma, el vehículo, el producto. Identificá el objeto que el motor dibuja mal y dedicale un bloque entero, en negativo y en positivo.

The kinetic filament is a THIN SILVER-WHITE metallic cable. It is NOT red and NOT a spider web. The only orange is a small glow at the wrist emitter.

Este bloque nació de una corrección concreta: en la primera versión el filamento salía rojo, porque el motor lo asociaba con otra referencia. Decirle «plateado» no alcanzaba; hubo que decirle además «no es rojo y no es una telaraña».

Bloque 3 — Dirección del tiempo

Los motores de video, cuando dudan, generan movimiento reversible: alguien que aterriza y despega hacia atrás, un salto que se deshace. Se arregla con una línea.

DIRECTION LOCK: he always moves FORWARD and LEFT TO RIGHT. Time moves forward. Nothing ever moves backward or in reverse.

Bloque 4 — La capa de vida

La diferencia más grande entre un video que parece IA y uno que parece real no es la resolución: es que la cara esté viva. Hay que pedirlo explícitamente, micro-gesto por micro-gesto.

LIFE LAYER: hair moves with the wind and settles, eyebrows react to effort, irregular natural blinking, visible breathing, subtle jaw tension, a brief genuine smile at the fastest moment. Never a frozen or mannequin face.

Fijate en «irregular natural blinking». Si solo pedís que parpadee, parpadea con métrica de reloj y se nota. La irregularidad es la que lee como humana.

Bloque 5 — El mundo y la física

Acá se define el lugar, la luz, y sobre todo la ley física que no se puede violar. «La gravedad actúa de forma continua; él nunca vuela» es la frase que evita el efecto flotante.

Realistic Manhattan avenue, late afternoon, dry street, warm sunlight from camera-left, yellow taxis, pedestrians, brick and limestone facades. Gravity acts continuously; he never flies. Photorealistic premium live-action commercial, one continuous camera move, no cuts.

Y así se arma el prompt final

Los cinco bloques se concatenan con línea en blanco entre cada uno, la acción va al final precedida por SHOT:, y los parámetros se pegan al final de la cadena de texto:

[LOCK]

[CABLE]

[DIR]

[LIFE]

[WORLD]

SHOT: [la acción de esta escena]  --ratio 9:16 --resolution 720p --duration 4

Los nueve prompts, escena por escena

Estos son los textos exactos. En las seis escenas de acción, lo que ves es el bloque SHOT: — los cinco bloques de bloqueo del paso anterior van adelante, iguales en todas. En las tres escenas nuevas (intro, transición y cierre) el prompt es completo, con timeline interno.

Un detalle de escritura que vale más que cualquier truco: fijate cómo cada acción describe biomecánica, no adjetivos. No dice «aterriza elegantemente»; dice «los antepiés hacen contacto primero, tobillos, rodillas y caderas flexionan para absorber, una mano toca el techo». El motor no sabe qué es elegante. Sí sabe qué es un antepié.

Intro · el reveal en el escritorio

Persona común en su oficina, mira a cámara, y el traje se forma sobre su cuerpo. Prompt completo con timeline interno.

6 s · prompt completo

INTRO_revealCopiar

Use the uploaded person as the sole identity reference. The main character throughout the entire video must be exactly the uploaded person. Preserve the exact facial features, facial proportions, hairstyle, beard, skin tone, body shape and age in every frame. Absolutely no face drift, no identity change, no beautification, no stylization, no anatomy distortion, no replacement.

TIMELINE:
0-2s: He sits at a modern desk in a warm, lived-in home office at golden hour, wearing an ordinary dark t-shirt, working at a laptop. Soft orange light comes through a window behind him with the Manhattan skyline out of focus. He is relaxed and real. Medium shot, eye level, camera slowly pushing in.
2-4s: He stops typing, lifts his eyes and looks directly into the lens with a calm confident half-smile. He breathes, blinks naturally, hair slightly moved by the air.
4-6s: A wave of fine orange light travels up his body and the ordinary t-shirt transforms into the navy-blue technical suit with fine orange piping, circuit-network pattern and the full-color VLA logo centered on the chest. The transformation is smooth and physical, following the shape of his body, like fabric materialising, not a cartoon effect. He straightens his shoulders. The camera holds on him.

Photorealistic premium live-action commercial, cinematic golden hour lighting, natural skin texture, one continuous camera move, no internal cuts, no text on screen. Audio: quiet room tone, keyboard, a low rising synth swell as the suit forms. --ratio 9:16 --resolution 720p --duration 6

Transición · ventana → azotea

El puente que faltaba entre el escritorio y la acción. Termina exactamente en la postura con la que arranca la escena siguiente: corriendo hacia el borde.

8 s · prompt completo

TRANSICION_ventana_azoteaCopiar

Use the uploaded person as the sole identity reference. Preserve the exact facial features, facial proportions, hairstyle, beard, skin tone, body shape and age in every frame. Absolutely no face drift, no identity change, no beautification, no stylization, no anatomy distortion. He wears the navy-blue technical suit with fine orange piping, circuit-network pattern and the full-color VLA logo centered on the chest. No mask, no cape.

TIMELINE:
0-1.5s: Interior of a warm home office at golden hour. He stands at a large open window with the Manhattan skyline behind him, one hand on the frame, looking out and down at the city. Camera behind and slightly to his right.
1.5-3s: He steps up onto the windowsill and pushes off, launching himself out of the window into open air with real weight and intention — a deliberate jump, not a fall. The camera follows him out through the window in one continuous move.
3-5s: He drops through the air between buildings, body angled forward, arms out for balance, legs trailing, hair and fabric pushed by the rushing air. The street is far below. Warm golden light on his left side.
5-7s: He lands on a lower rooftop in a controlled crouch — both forefeet contact first, ankles, knees and hips flex deeply to absorb the impact, one hand touches the roof surface, the torso leans forward. Real weight and impact.
7-8s: Without pausing he rises out of the crouch and starts running forward across the rooftop toward the far edge, camera settling behind him. He is mid-stride when the shot ends.

He never flies or hovers; gravity acts continuously. He always moves FORWARD; nothing moves backward or in reverse. His face stays alive: eyes narrowing against the wind, hair pushed back, jaw set, a flicker of exhilaration. Photorealistic premium live-action commercial, one continuous camera move, no internal cuts, motion blur proportional to speed. Audio: room tone, the rush of air on the jump, wind rising, the impact of the landing on the roof, footsteps starting to run. --ratio 9:16 --resolution 720p --duration 8

Escena 1 · salto y primer filamento

Se levanta de la cuclilla, dos pasos, salta al vacío, dispara el cable y empieza el arco de péndulo.

4 s · va después de los 5 bloques

SHOT · 01_jump_launchCopiar

He rises from a crouch at the rooftop edge, takes two quick running steps forward, plants his left foot at the parapet and LEAPS FORWARD into open air over the avenue with real weight. Brief free fall, legs trailing from inertia, eyes on a metal bracket high on the building ahead-right. He extends his right arm and the silver cable launches from his wrist and connects; the cable goes taut, his hand closes, the shoulder rises, and he begins a pendulum arc rightward. Low-angle camera near street level tilting smoothly upward. Audio: city traffic, rooftop footfalls, wrist launcher, cable tension, rising wind.

Escena 2 · swing sobre la avenida

Baja al cañón de la avenida, la velocidad hace pico sobre los taxis, sube del otro lado y suelta el cable en la tangente.

5 s

SHOT · 02_swing_cityCopiar

Same man, same suit, same face as the reference photos. He descends into the avenue canyon on the taut silver cable, right arm extended overhead, legs trailing, left arm open. Speed peaks a few meters above the yellow taxis with the buildings blurring past, then he rises on the far side, looks toward the next building and releases the cable along the tangent, continuing forward on momentum. Side-tracking camera parallel with him. Audio: rushing wind, traffic below, cable tension.

Escena 3 · aterrizaje en el taxi

Cae sobre el techo de un taxi en movimiento, la suspensión se hunde y recupera, y rebota en diagonal disparando el segundo cable.

4 s

SHOT · 03_taxi_landingCopiar

Same man, same suit, same face as the reference photos. He descends toward the roof of a moving yellow taxi, extends both legs and lands on both forefeet; ankles, knees and hips flex to absorb, one hand briefly on the roof. The suspension dips and recovers, the taxi keeps moving. He looks toward the building on the right, drives up through both legs and pushes off diagonally, firing a second silver cable from his left wrist to a fire-escape bracket. Camera above the taxi hood looking backward. Audio: muted metal impact, suspension creak, boot traction.

Escena 4 · carrera por la pared

Tres pasos ascendentes por la fachada perdiendo velocidad porque la gravedad está activa, y agarre del pretil.

4 s

SHOT · 04_wall_runCopiar

Same man, same suit, same face as the reference photos. With the left cable taut he turns his hips so his feet meet the gray stone facade: right forefoot first with the knee flexing, then three quick ascending steps, right, left, right, losing speed because gravity is active. He pushes off with both legs, reaches the parapet and grips the stone with the right hand, elbow flexing, then the left hand joins. Side-tracking camera moving upward along the facade. Audio: three stone footfalls, cable retraction, glove grip, effort breath.

Escena 5 · llegada y giro a cámara

Sube el torso, pasa una pierna, dos pasos de recuperación, respira, y gira a cámara en secuencia anatómica: ojos, cabeza, hombros, torso, caderas, pies.

4 s

SHOT · 05_rooftop_turnCopiar

Same man, same suit, same face as the reference photos — his face must be clearly recognizable as the man in the reference photos. Both hands grip the parapet; he pulls his torso up, swings his right leg over, plants the right foot and brings the left leg over. Two short recovery steps forward, he stops, breathes, the wind moves his hair. He turns to camera in a natural sequence: eyes, head, shoulders, torso, hips, feet. He settles into a relaxed frontal medium shot from waist to head, VLA logo centered, mouth closed, calm confident expression. He does not speak. Camera arcs gently from behind him into a frontal eye-level medium shot. Audio: rooftop wind, fabric, footfalls, distant traffic.

Escena 6 · el cierre hablando a cámara

La única escena con audio de referencia: el motor sincroniza los labios con la voz clonada. El gesto está coreografiado por frase.

8 s · con reference_audio

CTA_rooftopCopiar

Use the uploaded person as the sole identity reference. Preserve the exact facial features, facial proportions, hairstyle, beard, skin tone, body shape and age in every frame. Absolutely no face drift, no identity change, no beautification, no stylization, no anatomy distortion.

Eye-level frontal medium close-up, waist to head, on a Manhattan rooftop at golden hour. He wears the navy-blue technical suit with orange piping and the full-color VLA logo centered on the chest, no mask. The camera is nearly locked with a very subtle push-in.

He looks directly into the lens, inhales gently, blinks once, and speaks the words of the reference audio in Spanish with accurate lip synchronization. During the first phrase he makes one small open-hand gesture toward the city with his right hand. When he names the brand he briefly indicates the VLA logo on his chest without covering it, then lowers the hand. Natural eyebrow and cheek movement, irregular blinking, visible breathing, hair moved by the rooftop wind. He finishes with a restrained confident smile and holds eye contact.

Manhattan skyline soft and out of focus behind him. Photorealistic premium live-action commercial, no internal cuts, no text on screen. --ratio 9:16 --resolution 720p --duration 8

La llamada exacta al motor

El prompt es solo el primer elemento de un arreglo. Lo que hace o rompe la consistencia es qué referencias acompañan a ese texto y en qué rol. Ésta es la estructura literal del cuerpo de la petición:

{
  "model": "dreamina-seedance-2-0-260128",
  "generate_audio": true,
  "content": [
    { "type": "text", "text": "<los 5 bloques + SHOT + --ratio 9:16 --resolution 720p --duration 4>" },

    // Los 3 assets verificados van SIEMPRE, en TODAS las escenas.
    { "type": "image_url", "role": "reference_image", "image_url": { "url": "asset://asset-...-l5pgx" } },
    { "type": "image_url", "role": "reference_image", "image_url": { "url": "asset://asset-...-tdxsp" } },
    { "type": "image_url", "role": "reference_image", "image_url": { "url": "asset://asset-...-2llt4" } },

    // Primera escena: la vista canónica como ancla visual.
    { "type": "image_url", "role": "reference_image", "image_url": { "url": "https://.../vista-canonica.jpg" } },

    // Escenas siguientes: el video anterior, para heredar encuadre y luz.
    { "type": "video_url", "role": "reference_video", "video_url": { "url": "<url del clip previo>" } },

    // Solo en la escena que habla: la voz manda el lip-sync.
    { "type": "audio_url", "role": "reference_audio", "audio_url": { "url": "https://.../voz.mp3" } }
  ]
}

Las cuatro reglas del motor que aprendimos rompiéndolas

• Los assets verificados van en cada escena. Ésta es la corrección que salvó el proyecto. Encadenar solo por reference_video acumula deriva; reinyectar las referencias la corta.
• reference_video y reference_image se pueden combinar. No está documentado, pero funciona, y es justamente lo que permite heredar la continuidad del plano anterior sin perder la identidad.
• first_frame/last_frame y los reference_* son escenarios mutuamente excluyentes. Si los mezclás, el motor devuelve InvalidParameter. Hay que elegir: o trabajás por fotogramas fijos, o trabajás por referencias.
• La duración solo acepta enteros de 4 a 15 segundos. No hay 3,5 ni 20. Si tu escena necesita más, se parte — y ahí volvés a la regla de menos cortes: partila lo menos posible.

La voz, y una lección de redacción que no es técnica

La voz es un clon de la voz real, generado con ElevenLabs. Los parámetros importan menos de lo que parece; lo que importa es la estabilidad baja con similitud alta: deja entrar entonación natural sin dejar de sonar a la misma persona.

voiceSettings: { stability: 0.45, similarity_boost: 0.95 }

Ahora la parte interesante. El primer cierre decía el nombre del programa en inglés dentro de una frase en español, y sonaba mal — no por la voz, sino porque obliga a un cambio de acento en medio de la oración. Se probaron tres versiones:

A — Si querés crear contenido así, matriculate en la Máquina de Contenido de VLA.
B — ¿Querés crear contenido así? Matriculate en VLA, en nuestro programa Máquina de Contenido.
C — Si querés crear contenido así, matriculate en VLA, en el programa AI Content Machine.

La A es la más limpia: una sola frase, un solo idioma. La B respira mejor porque parte en dos. La C conserva el nombre comercial real y paga el precio fonético. No hay una respuesta universal — pero sí una regla: escribí el guion para la boca, no para el documento.

Ensamblar y cerrar la marca

Los clips salen sueltos. El ensamblado es un concat de ffmpeg, sin transiciones: los cortes funcionan porque cada escena termina en la postura con la que arranca la siguiente.

ffmpeg -f concat -safe 0 -i lista.txt -c:v libx264 -crf 20 -pix_fmt yuv420p -c:a aac salida.mp4

Donde lista.txt tiene una línea file '01_jump_launch.mp4' por clip, en orden.

Y las piezas gráficas del mismo mundo

El video no viaja solo. Con el mismo personaje y el mismo vestuario canónico se generan los estáticos del carrusel — misma biblia, otro formato.

Seis errores reales y cómo se arreglaron

Esta tabla vale más que el resto de la guía, porque es lo que nadie publica.

La lista, en orden

• Escribí la biblia del personaje: identidad, cuerpo, vestuario con hexadecimales y medidas, reglas de continuidad y negativos.
• Generá cinco vistas canónicas por image-to-image desde una sola foto ancla, sobre fondo de estudio gris.
• Si la cara es de una persona real, registrala y verificala en la biblioteca de assets del proveedor.
• Armá los cinco bloques de bloqueo una vez. No los vuelvas a escribir: se copian idénticos en cada escena.
• Escribí cada acción en biomecánica, no en adjetivos. Antepiés, rodillas, caderas, vectores.
• Preferí una toma larga con timeline interno antes que varias escenas cortas.
• Generá la voz primero y dejá que su duración real defina la escena que habla.
• Mandá los assets verificados en cada llamada, más el video previo para heredar continuidad.
• Componé el logo real encima y hacé una pasada de integración a la tela.
• Ensamblá con concat y revisá cuatro cosas: identidad, el objeto crítico, la dirección del movimiento y el peso.

Lo que cuesta de verdad

El corte final se compone de nueve clips generados. A un costo estimado de $0,75 por clip de video y $0,10 por línea de voz, el material que quedó en pantalla cuesta menos de diez dólares. Contando los descartes —dos versiones completas del bloque de acción, tres variantes de voz, varias generaciones rechazadas por el filtro y la tanda de vistas del personaje— la producción entera se movió en el orden de las decenas de dólares, no de los miles.

El tiempo real no se fue en generar: se fue en descubrir las reglas del motor. Cada clip tarda unos minutos. La parte cara fue entender por qué la cara derivaba, por qué el cable salía rojo y por qué el filtro rechazaba las referencias. Eso es lo que esta guía te ahorra.

Aprendé a hacer esto con nosotros

Esta guía es el método de una pieza. Lo que no cabe acá es el criterio: cómo se escribe
una acción que el motor entienda, cuándo una toma sirve, y cómo se arma un sistema que
produzca esto cada semana en vez de una sola vez. Eso es AI Content Machine.