Cómo convertir una foto en video con IA, paso a paso
Resumen
Convertir una foto en video con IA es más sencillo de lo que parece si sigues cuatro pasos: elegir una imagen que pueda moverse, subirla como primer fotograma, escribir un prompt con solo dos cláusulas (un movimiento de cámara y uno del sujeto) y generar clips de cinco segundos. Las herramientas importan menos que el encuadre y el prompt. Este método evita que la cara se derrita y que los créditos se vayan en regeneraciones.
Tienes una imagen que te encanta y quieres que se mueva. Así puedes convertir una foto en video en cuatro movimientos: elegir un encuadre que aguante el movimiento, subirlo a un modelo de imagen a video, escribir un movimiento de cámara y uno del sujeto, y generar en corto para iterar. Ese es todo el bucle. Lo que viene abajo es lo que hace que funcione a la segunda vez y no a la duodécima.
Las herramientas importan menos de lo que crees. El encuadre y el prompt importan más.
Por qué la mayoría de intentos de imagen a video salen como gelatina
Subiste un Flux precioso, escribiste "hazlo cinematográfico" y a los dos segundos la cara se derrite. A todos nos ha pasado. Los fallos se concentran en las mismas tres causas, da igual el modelo.
Primero, el encuadre ya venía sobrecargado: seis manos, una multitud, texto en un letrero, un reflejo en una ventana. Segundo, el prompt pedía tres cosas a la vez. Tercero, el clip duraba más de lo que el modelo puede sostener con el sujeto intacto.
Nada de esto es un problema del modelo. Es un problema del brief. Quédate con esta idea: la imagen es tu primer fotograma, no la película terminada.
Elige una imagen que de verdad pueda moverse
No todas las imágenes merecen movimiento. Antes de subir nada, haz una comprobación de diez segundos.
Un sujeto claro, con aire alrededor.
Profundidad que se pueda leer: primer plano, plano medio y fondo.
Nada que el modelo tenga que inventar desde cero, como manos escondidas o texto.
Las composiciones amplias y tranquilas se animan mejor. Una figura en una calle mojada por la lluvia, un puerto al amanecer, un sendero en el bosque. Los encuadres cerrados de manos sosteniendo objetos son la trampa clásica.
Esa tira es el modelo mental. Un video son fotogramas que difieren un poco. Si tu imagen le da al modelo una diferencia pequeña y obvia que hacer (un barco que se aleja, una luz que cambia, un abrigo que se mueve), ya has recorrido la mitad del camino.
Las imágenes generadas por IA y las fotos reales funcionan, pero fallan de forma distinta. Las imágenes de Midjourney o Flux son buenas para animar porque ya vienen limpias, centradas y bien iluminadas. Su punto débil son los disparates escondidos: un séptimo dedo, un letrero ilegible. El movimiento hace que esos fallos sean imposibles de ignorar, así que amplía al 200 por ciento y arregla la imagen antes de animarla.
Las fotos reales tienen profundidad y textura honestas, pero traen ruido visual. Fondos recargados, sombras duras y ruido de compresión confunden al modelo. Recorta cerrado sobre un solo sujeto, iguala la exposición y el resultado suele salir bien. Para copias familiares antiguas y negativos escaneados, mantén el prompt más suave de lo que crees. Un acercamiento lento y un ligero efecto de respiración bastan. Algo más audaz tiende a despertar una cara que no querías despierta.
El bucle de cuatro pasos para convertir una foto en video
Este es el flujo que usamos de verdad, sin depender de una herramienta concreta.
Sube la imagen como primer fotograma. Mantén la relación de aspecto en la que vas a publicar. Recortar después desperdicia píxeles.
Elige el modelo para el trabajo. ¿Movimiento humano y telas? Kling es el que la gente suele elegir. ¿Control fino y pincel de movimiento? Runway. ¿Consistencia de producto y logotipo? Varias comparativas recomiendan Seedance. No te cases con un solo modelo.
Escribe el movimiento, no la imagen. El modelo ya ve la imagen. Volver a describirla es gastar palabras.
Genera corto y luego extiende. Cinco segundos primero. Si aguantan, ya irás más largo.
Cada vez más interfaces te dan un espacio para el primer fotograma y algunas incluso admiten un último fotograma. El flujo de imagen a video de Adobe Firefly es un buen ejemplo: subes un primer fotograma, opcionalmente añades un último, eliges el movimiento de cámara y escribes el prompt. La lógica es la misma en el resto.
Si no quieres elegir modelo a ciegas, un agregador es la vía lista y espabilada. Higgsfield pone varios modelos punteros de video e imagen detrás de un solo acceso, y resulta útil cuando quieres pasar la misma imagen por dos motores y comparar.
Escribe el prompt: un movimiento de cámara, un movimiento del sujeto
Esta es la sección que te ahorra créditos. Un buen prompt de imagen a video tiene dos cláusulas, y solo dos.
Cámara: qué hace la cámara virtual. Sujeto: qué se mueve dentro del encuadre.
"Acercamiento lento de cámara. El vapor sube del café y la figura gira un poco la cabeza." Eso es un brief completo.
El error es acumular. Una guía de prompts para video de 2026 de SurePrompts lo dice sin rodeos: pide uno o dos comportamientos de cámara por clip, porque si pides a la vez un travelling, un cambio de foco, un paneo y una inclinación, el modelo los promedia y sale una deriva confusa. Estamos de acuerdo, e iríamos más lejos. Elige uno.
Este es el vocabulario que funciona en casi todos los modelos:
Acercamiento (dolly in): intimidad, énfasis.
Alejamiento: revelación, aislamiento.
Órbita: plano heroico para un producto o un personaje.
Inclinación hacia arriba o abajo: escala, una revelación en vertical.
Cámara fija: cuando el movimiento del sujeto es la historia.
El movimiento motivado gana al decorativo. Pregúntate por qué se mueve la cámara: para seguir una acción, para revelar algo fuera de encuadre, para empujar hacia una emoción. Si la respuesta es "porque queda bien", déjala fija y que las nubes hagan el trabajo.
Pégalo en Kling o en el motor que uses y mira qué hacen los primeros dos segundos. Te dicen casi todo.
Tres estructuras sobreviven en cualquier motor. Remixa si quieres, pero empieza por aquí.
La foto viva y tranquila. "Cámara fija. El viento mueve la hierba y el pelo, la luz parpadea ligeramente. Todo lo demás permanece quieto." Ideal para retratos y paisajes. Riesgo bajo, recompensa alta.
La revelación. "Alejamiento lento desde la cara del sujeto para mostrar la habitación vacía detrás. Deriva suave, como a mano alzada." Va bien cuando tu imagen está muy cerrada y quieres contexto.
La órbita. "Órbita suave de 360 grados alrededor del objeto a radio constante, encuadre estable, sin zoom." Úsala para productos y sujetos escultóricos, y prepárate para repetir.
Fíjate en lo que falta: adjetivos como "épico", "impresionante" u "obra maestra". No hacen nada. Los verbos son los que trabajan.
Kling se gana la fama justo en esto: movimiento de cámara creíble, y física razonable en telas, pelo y líquidos. Si tu imagen tiene un abrigo, un vestido o una taza de té, prueba Kling primero.
Mantén la cara, el logotipo y la paleta intactos
La consistencia es donde el paso de imagen a video rompe corazones. Tres hábitos ayudan.
Di lo que no debe cambiar. "La cara y el vestuario se mantienen estables, sin deformaciones, fondo fijo." Suena a cláusula legal, pero funciona más veces de las que falla.
Acorta el clip. La deriva crece con la duración. Cinco segundos que aguantan valen más que diez segundos que se tambalean. Puedes unir clips después.
Usa una segunda imagen como último fotograma si tu herramienta lo permite. Ya no le pides al modelo que adivine dónde cae el plano. Se lo dices, y solo tiene que unir los puntos.
Esa pareja de azoteas es un montaje perfecto de primer y último fotograma. De la hora dorada a la hora azul, mismo encuadre. Genera la segunda imagen con la misma semilla o la misma referencia, y la interpolación hace algo realmente bonito en vez de algo inquietante.
Salta estos pasos y arregla lo que casi funciona
Toca opinar. Algunos consejos populares casi nunca compensan.
Olvida el botón de "animar" de un solo clic para lo que importa. Sirve para un meme y es una apuesta para un entregable de cliente. La ruta del prompt personalizado te cuesta treinta segundos y te ahorra tres regeneraciones.
No hagas clips largos en la primera pasada. Cada segundo extra multiplica la probabilidad de que una cara se desvíe.
No escribas prompts que describan otra vez la imagen. El modelo ya tiene la foto. Gasta tus palabras en el movimiento.
No persigas el 4K antes de que el movimiento funcione. Escala el ganador, nunca el experimento.
"Casi bien" es el estado normal del video con IA. Arréglalo por orden de lo más barato a lo más caro: primero cambia la semilla o regenera, que son arreglos gratis. Después corta el prompt a la mitad, porque menos instrucciones significan menos conflictos. Si sigue fallando, cambia el movimiento de cámara por "cámara fija" y mueve solo el sujeto. Y como último recurso, prueba otro modelo con la misma imagen y el mismo prompt corto.
Guarda lo que te funciona. Un estante con fotogramas pausados y clips favoritos se convierte en tu propio moodboard, del tipo de canal de Are.na al que de verdad vuelves. Con el tiempo aprendes qué imágenes se mueven bien y cuáles se quedan ahí mirándote mal.
Acabado: encuadre para el formato, color y sonido
Antes de subir la imagen, decide dónde va a vivir el video, porque eso define cómo debe estar encuadrada.
Un clip vertical 9:16 para Reels o Shorts quiere al sujeto centrado con espacio arriba, porque la interfaz de la plataforma tapa los bordes. Un 16:9 para el hero de una web necesita aire a la izquierda o a la derecha para que un paneo lento tenga adónde ir. El cuadrado queda en medio y perdona casi todo. Si tu imagen de origen tiene la forma equivocada, regénerala o amplíala con outpainting antes del paso de video. Dejar que el modelo rellene los bordes por su cuenta es como acabar con un cielo estirado y un horizonte torcido.
Una generación cruda es un clip, no una pieza. Recorta el primer y el último medio segundo, donde el modelo suele tambalearse. Aplica un color ligero para que clips de modelos distintos parezcan del mismo universo. Añade sonido, porque el silencio delata la IA más rápido que cualquier artefacto.
CapCut resuelve el recorte, los subtítulos y la capa de sonido sin obligarte a abrir un editor pesado. Basta para redes y es gratis para empezar.
Si estás montando una pieza más larga con varias imágenes, por ejemplo un reel de moodboard con escenas que se siguen, una herramienta de guion a video puede hacer el ensamblaje por ti.
TopView toma una URL o un guion y arma un video de varias escenas. Es un trabajo distinto al de una sola imagen animada, pero sirve cuando tu foto es uno de muchos recursos y necesitas un ensamblaje rápido.
¿Animas esta o la dejas quieta?
Última pregunta honesta. Algunas imágenes son mejores como imágenes. Si la foto ya lo dice todo, un paneo que se tambalea solo le quitará algo.
Anima cuando el movimiento aporta información: el clima, una revelación, un gesto, el giro de un producto. Déjala quieta cuando la quietud es lo que importa.
Coge una imagen de tu última sesión con Midjourney o Flux, escribe una cláusula de cámara y una del sujeto, y genera cinco segundos. Luego cuéntanos qué hicieron los primeros dos segundos. Esa es toda la prueba.