Crear video musical con ia gratis: 2 minutos en 7 días

Creamos un video musical animado de 2 minutos para una canción original, con Ava y Jordan presentes de principio a fin. La producción completa duró 7 días naturales, del 10 al 16 de agosto de 2026.

El embudo fue la verdadera historia. Generamos 205 piezas, obtuvimos 20 minutos de metraje y dejamos 1 minuto y 58 segundos en el montaje final: una proporción cercana a 10:1.

Esa proporción, más que la calidad de un clip aislado, es lo que se suele subestimar al hacer video musical con IA. Un buen generador de videos musicales con IA puede darte clips potentes, pero el video terminado nace de elegir, medir tiempos, reutilizar y cortar.

No animamos nada hasta tener claro el aspecto visual en imágenes fijas. El arte conceptual fijó la paleta, el vestuario y los rostros de ambos personajes antes de pasar a producir tomas.

Después, cada toma tuvo su propio fotograma inicial generado en Nano Banana 2 a partir del arte conceptual. Parte de esos fotogramas se refinó luego en un editor de imagen, y el proyecto utilizó 151 fotogramas en total.

Este orden fue clave porque el image-to-video hereda composición, luz y personaje desde la imagen fija. Un mal fotograma inicial no se arregla con un buen prompt de movimiento.

También dimos nombre a los personajes, Ava y Jordan, y usamos esos nombres en los prompts. Veintidós prompts los mencionaban por su nombre, y eso sostuvo mejor la identidad que volver a describir pelo y ropa cada vez; fue una de las lecciones más claras sobre consistencia de personaje en video con IA.

Arte conceptual creado antes de animar una sola toma. Fijó la paleta, el vestuario y los dos rostros: todo lo que vino después tenía una referencia que respetar.

Para generar video, 204 de las 205 ejecuciones usaron Seedance 2.0 image-to-video a 1080p. Dentro de ese trabajo, 155 fueron clips de 5 segundos a 15 créditos cada uno, y 35 fueron clips de 10 segundos a 30 créditos cada uno.

El render medio tardó 94 segundos, el más largo llegó a 19 minutos y el proyecto consumió 5.3 horas de tiempo de máquina en total. En el registro de video, la cifra fue exacta: 3,613 créditos cargados, 30 devueltos por dos ejecuciones fallidas y 3,583 créditos netos.

El proyecto completo rondó los 4,500 créditos, pero las dos mitades salieron de fuentes distintas. La cifra de video se midió desde el registro de la cuenta; los fotogramas y el lip sync se calcularon con la tarifa pública porque esas herramientas no se facturaron en la cuenta que usamos.

Las imágenes de Nano Banana 2 cuestan 2 créditos desde prompt o 4 desde el editor, y nosotros mezclamos ambas vías, así que 151 fotogramas sumaron unos 453 créditos. El lip sync de Kling 2.6 cobra 2 créditos por segundo de audio: los 27 clips sincronizados que conservamos sumaron 209 segundos facturados, es decir, 402 créditos, mientras que las 33 ejecuciones de lip sync quedaron en torno a 491 créditos.

Fue la pelea más repetida del proyecto. Cuando pedíamos una interpretación de estribillo, el modelo volvía una y otra vez a su gesto por defecto: ojos muy abiertos, sinceridad intensa y un punto triste; nosotros queríamos algo más frío, consciente de sí mismo y ligeramente divertido.

Describirlo en positivo no bastaba. Funcionó mejor escribir la expresión como un arco dentro de la misma toma, de modo que la cara cambiara con el tiempo en lugar de sostener un solo adjetivo durante diez segundos; 26 de nuestros prompts usaron ese tipo de arco.

La otra solución fue nombrar el gesto no deseado y prohibirlo de forma directa. Usamos frases como «sin mirada de cervatillo, sin expresión inocente de ojos abiertos, sin tristeza de balada», y 19 prompts incluyeron una prohibición similar; cuando un modelo tiene un sesgo fuerte, una negación puede ser más eficaz que un adjetivo.

Cuando una localización ya existía, regresar a ella desde un segundo ángulo se convirtió en una de las partes más caras del flujo. Reescribir el prompt solía cambiar demasiadas cosas, así que obtuvimos más valor repitiendo exactamente el mismo prompt.

En total, 21 prompts se enviaron más de una vez byte por byte, lo que generó 29 generaciones extra. También fijamos los dos extremos de un movimiento con un primer y un último fotograma; para eso fue la única generación de Kling 2.6 del proyecto.

La profundidad de campo ayudó a tapar el resto de diferencias. Treinta y cuatro prompts mandaban el fondo a un plano suave y secundario, así que un set regenerado no tenía que coincidir al milímetro en cada detalle.

Nuestro orden fue sencillo: primero generar la toma y después aplicar lip sync en Kling 2.6, guiado por la voz de la pista terminada. Así hicimos 33 clips con sincronización labial.

La parte contraintuitiva estaba en el prompt de movimiento. Tenía que mantener la boca sutil y relajada porque luego se reemplazaba; 10 prompts lo decían de forma explícita, y las tomas con articulación de boca demasiado expresiva peleaban contra el lip sync aplicado encima.

La lección más importante del proyecto fue que saber generar sin saber editar produce un showreel, no un videoclip. La canción iba a 130 BPM y el video final tuvo 142 tomas en 118 segundos.

La duración mediana de cada toma fue de 0.70 segundos, equivalente a una negra con puntillo. Ochenta y cinco tomas duraban exactamente 1.5 tiempos, 31 duraban exactamente 2 tiempos, y 117 de los 141 cortes cayeron a menos de medio fotograma de la cuadrícula de medio tiempo.

La densidad también vino de dónde colocamos los cortes. Ochenta de los 141 cortes saltaban a otra localización, de modo que el video cruzaba escuela, café, dormitorio y fiesta en lugar de reproducir cada escena como un bloque cerrado.

Reutilizamos material a propósito: 82 clips fuente cubrieron 123 tomas, y algunos clips aparecieron hasta cuatro veces. El tempo también se diseñó desde la generación, no solo desde la edición, con 19 prompts que mencionaban un BPM y 3 que guionizaban la coreografía tiempo por tiempo; los dos planos largos entre los segundos 77 y 84 fueron el único respiro, y estaban ahí por decisión propia.

Dos fallos siguieron colándose. En planos largos y casi estáticos, el modelo podía alucinar figuras extra, con una segunda persona apareciendo de la nada; las letras también se degradaban cuando la cámara se movía, así que WESTFIELD en los uniformes de animadoras se convertía en un sinsentido a lo largo de una toma.

Las soluciones prácticas no eran glamurosas, pero ayudaron. Mantuvimos los planos cortos, algo que el montaje rápido ya favorecía, dejamos el texto legible fuera de encuadre o desenfocado y repetimos generaciones en lugar de reescribir cuando un clip estaba cerca de funcionar.

Esta es la secuencia que repetiríamos, en este orden.

1. 1Termina primero la canción. El montaje se construye sobre su tempo, así que necesitas el audio final antes de generar una sola toma.
2. 2Diseña el look sobre papel. Un arte conceptual que fija paleta, vestuario y los dos rostros le da a cada prompt posterior algo concreto que respetar.
3. 3Pon nombre a tus personajes y úsalo en cada prompt: «Ava» y «Jordan» sostuvieron la identidad entre generaciones mejor que la descripción física por sí sola.
4. 4Genera un fotograma por toma en Nano Banana 2, partiendo del arte conceptual en lugar de empezar desde cero.
5. 5Anima cada fotograma en Seedance 2.0. Cinco segundos a 1080p es el caballo de batalla; usa diez solo cuando la acción realmente lo necesite.
6. 6Escribe el movimiento por tiempos al tempo de la canción, para que lo generado caiga en la misma cuadrícula que usará el montaje.
7. 7Di lo que no quieres. Los gestos emocionales por defecto son la razón más común por la que una toma técnicamente correcta se lee mal.
8. 8Añade el lip sync al final, en Kling 2.6, y solo en las tomas donde la cámara se queda sobre una cara.
9. 9Corta al ritmo y cruza localizaciones en lugar de reproducir cada escena como un bloque.