Ideas y soluciones para optimizar el coste de los cortometrajes con IA

Muchos usuarios se preguntan por qué, aunque el precio unitario de la generación de vídeo ha bajado bastante respecto al año pasado, el coste de generar un vídeo de 10 minutos no se ha reducido. Aquí quiero compartir algunas ideas y soluciones para optimizar costes, con la esperanza de que todos podáis crear más vídeos buenos.

A continuación, basándome en mis pruebas de generación y en las revisiones públicas de creadores, presento varios métodos para reducir el retrabajo y controlar los costes.

1. Hay que calcular con los planos realmente utilizables

En primer lugar, hay que tener claro que el mayor coste de la creación de vídeo es tener que generar repetidamente para conseguir un fragmento utilizable. Un creador compartió antes su experiencia: un cortometraje de IA de doce minutos costó unos mil doscientos dólares, se generaron más de novecientas tomas y al final solo se usaron unas doscientas. Para la creación de vídeos de duración media o larga, la tasa de material utilizable no es alta.

El coste real de la generación de vídeo a menudo depende de cuántos intentos se necesitan para obtener un plano utilizable. Por ejemplo, si un plano se genera tres veces antes de elegir una versión utilizable, su coste de generación es el triple del precio por generación. Si además solo la mitad de la duración del material seleccionado se puede montar en el vídeo final, el coste calculado por segundo finalmente utilizado se duplicaría. Estas proporciones son solo ejemplos de cálculo, no promedios del sector. El número real de intentos necesarios varía según el modelo, la dificultad del plano, el material de referencia y los criterios de aceptación. Por lo tanto, más que comparar el precio por generación, es más útil registrar el coste total de generación, el número de intentos y los segundos finalmente utilizados, para calcular cuánto cuesta realmente cada segundo del vídeo final.

2. Diseña primero tu montaje preliminar de planos

Antes decía que hay que elegir el modelo y asignar el presupuesto según la complejidad del plano. Pero hay una premisa: primero debes determinar qué planos necesita realmente la escena, qué debe expresar cada uno y si funcionan al montarlos juntos. Si estos problemas se descubren después de generar el vídeo, estarás eliminando material ya pagado, y volver a grabar y modificar supone otro gasto.

Por eso recomiendo hacer un diseño de planos antes de generar el vídeo: qué debe expresar cada plano, cuántos personajes intervienen y si hay acciones complejas. Una vez tengas el diseño, marca los planos normales y los planos clave. Los planos de ambiente y las transiciones simples se pueden probar primero con modelos de bajo coste; para los planos y contraplanos con varias personas, las acciones complejas y las interpretaciones clave, conviene verificar primero si un modelo de alta calidad puede reducir el retrabajo. Si un modelo es adecuado o no se debe juzgar por la tasa real de aprobación, no solo por la longitud del prompt.

Este paso no consiste en generar, sino en diseñar de antemano, para que puedas gestionar mejor qué modelos necesita tu vídeo y en cuáles conviene invertir más tokens. Si te resulta difícil describir claramente el prompt con palabras, al modelo de vídeo también le costará entender tu intención, así que no dudes en qué modelo usar en ese caso. El montaje preliminar estático tampoco puede verificar todas las acciones e interpretaciones, pero sirve para descartar de antemano una serie de generaciones innecesarias. Primero aclara con bajo coste la función y el orden de los planos, y luego paga para que se muevan.

Al mezclar modelos en una misma escena, también hay que comprobar si las imágenes encajan. Primero compara las diferencias de personajes, materiales, iluminación y expresiones usando las mismas referencias de personaje y descripciones de escena; si hay que retocar demasiado en posproducción, el ahorro de una sola generación puede quedar anulado. La elección de modelo y la asignación de presupuesto deben decidirse juntas en este paso.

Para probar este proceso en Arcloop, empieza con un guion o una idea en el generador de dramas cortos con IA. Usa tu plan de planos para revisar las escenas y decidir qué necesita otra versión.

Ejemplo: reserva tiempo para el diálogo y las reacciones

A continuación se muestra un ejemplo de plan de planos para una escena corta de 18 segundos. Primero se determina la tarea de cada plano y luego se reserva tiempo para el diálogo y las reacciones de los personajes; estas duraciones son objetivos de diseño que deben validarse con sonido temporal y un montaje preliminar.

Tomando como ejemplo el segundo plano, primero se pueden dividir los seis segundos en tres fases: preparación, habla y pausa:

Camera: Eye-level medium close-up, locked off.

0–1 seconds: Maya looks down at her phone and takes a small breath.
1–5 seconds: She says quietly: If you are coming, this is your last chance.
5–6 seconds: She holds still, eyes on the phone. End before she looks up.

Sound: Temporary dialogue over low station ambience.

Graba primero un diálogo temporal y comprueba si seis segundos son suficientes para decirlo con naturalidad, y si el plano de reacción de los últimos cinco segundos puede recoger la emoción. Si el diálogo resulta apresurado o la reacción demasiado corta, ajusta primero el diseño de planos y la duración de edición antes de pasar a la generación de vídeo.

3. Usa primero un storyboard como prueba visual

El montaje preliminar de planos determina la función y el orden de los planos; el storyboard plasma esas ideas en imágenes. Dónde están los personajes, hacia dónde miran, si dos imágenes consecutivas encajan... suele ser más fácil juzgarlo viéndolas juntas. Sirve para hacer una prueba visual antes de generar el vídeo y comprobar la composición, las relaciones espaciales y los cambios de emoción.

Al escribir el prompt del storyboard, especifica primero los requisitos de la cuadrícula: cuántas filas y columnas, el orden de lectura, el formato de cada viñeta y que cada viñeta represente un único instante estático. Los personajes solo deben conservar los rasgos identificativos necesarios, y en cada viñeta se indica el encuadre y el estado clave. El texto no debe ser demasiado complejo; cuantos más detalles de apariencia, fondo, acción y restricciones se acumulen, más difícil será para el modelo de imagen cumplirlos todos a la vez, y es más probable que se pierda la información realmente importante.

El storyboard también añade una capa de trabajo de producción. El modelo de imagen tiene que gestionar a la vez la disposición de las viñetas, la coherencia de los personajes y la continuidad de la escena, y puede equivocarse en alguna viñeta o hacer que los detalles no coincidan entre imágenes consecutivas. En la práctica, conviene usar herramientas profesionales de storyboard, o herramientas de imagen que admitan imágenes de referencia, edición local y exportación de viñetas individuales, para separar la maquetación, la generación y la modificación.

Si solo quieres modificar una viñeta, te recomiendo recortar primero esa viñeta y, junto con las referencias necesarias de personaje o escena, editarla o regenerarla por separado; cuando esté confirmada, vuelve a colocarla en su sitio. Así se conservan las demás imágenes que ya te gustan y es más fácil comparar si la modificación encaja con las anteriores y posteriores. Si se va a usar como primer fotograma del vídeo, también hay que recortar primero la imagen correspondiente y comprobar la nitidez y el estado inicial.

Ejemplo: usar una cuadrícula de seis viñetas para revisar una misma escena

Siguiendo con el caso de la estación de la Parte 2, las seis viñetas muestran sucesivamente la espera, el primer plano del móvil, el habla, la aparición de la otra persona, la mirada hacia arriba y la sonrisa. En la última viñeta, Maya queda en primer plano a la izquierda y la otra persona permanece en la entrada al fondo a la derecha, mostrando a la vez su reacción y hacia dónde mira. A continuación se acorta el prompt, conservando solo la disposición, la identificación de los personajes y la imagen clave de cada viñeta.

Create a six-panel storyboard: 3 columns × 2 rows, six equal landscape panels with narrow white gutters. Read left to right, top row then bottom row. One still moment per panel.

Style: Black-and-white pencil storyboard, simple lines and light gray shading.
Character: Maya is an adult Western woman with shoulder-length blonde hair and a dark coat. Her phone stays in her right hand.
Setting: Night train platform. Maya is on the left; the lit entrance is on the right, on the same platform. Keep the character and station layout consistent.

GRID01 (top-left): Wide shot. Maya waits beneath the station clock. The entrance on the right is empty.
GRID02 (top-center): Close-up. The phone in Maya’s right hand. Blank screen, dark coat sleeve.
GRID03 (top-right): Medium close-up. Maya looks down at her phone, lips parted as she speaks quietly.
GRID04 (bottom-left): Medium-wide shot. One person stands at the lit entrance on the right, facing left. Maya is outside the frame.
GRID05 (bottom-center): Close-up. Maya looks up toward the entrance on the right, her expression softening.
GRID06 (bottom-right): Medium-wide shot. Maya smiles in the left foreground, phone lowered in her right hand. The arriving person remains at the entrance in the right background.

No captions, panel numbers, speech bubbles, or watermarks. Do not draw the GRID labels.

Estas seis viñetas son nodos visuales para revisar la historia; en la práctica se pueden organizar según los cuatro planos de la Parte 2. La última viñeta de la imagen es el estado final y no puede usarse directamente como imagen inicial de toda la escena. La imagen superior se generó con GPT Image 2.5 Flare; lo que se muestra aquí es una versión simplificada elaborada a partir del prompt largo original, que aún no se ha utilizado para regenerar la imagen ni se ha sometido a pruebas comparativas de coste.

Ejemplo en vídeo: tomar como referencia la historia del storyboard y dejar margen al modelo

Al pasar el storyboard de seis viñetas como imagen de referencia al modelo de vídeo, se le puede pedir solo que siga la historia y la progresión emocional, y dejar que él mismo organice el encuadre, los movimientos de cámara, el ritmo y las acciones sutiles. Basta con que la línea narrativa se mantenga clara: el personaje pasa de esperar, a hablar, a descubrir a la otra persona y a sonreír con alivio. No hace falta copiar el trazo en blanco y negro, las luces y sombras ni la disposición de las viñetas del storyboard; el vídeo usa colores naturales y una iluminación acorde con la escena.

En esta demostración en vídeo, el plan de 18 segundos de la Parte 2 se comprime a 15 segundos, usando Seedance 2.0 estándar, configurado a 720p, 16:9 y con sonido activado. Las acciones que no se pueden omitir deben indicarse explícitamente en el prompt: primero sacar el móvil del bolsillo, cortar a un primer plano de la mano para enlazar con el gesto de levantarlo, y luego cortar a un plano medio para hablar; después se enlaza con el plano de la otra persona, la reacción de levantar la mirada y una composición de dos personajes. El encuadre concreto y la duración de cada plano se dejan a criterio del modelo. Este es el prompt realmente utilizado:

Use Image 1 as a six-shot story guide. Keep the same woman, coat and station, with natural colors and believable lighting. Allow small changes in framing and performance.

1. Wide shot: she waits at the station, phone initially inside her right coat pocket. She reaches into that pocket and visibly pulls out the phone.
2. Cut to a hand close-up as the phone clears the pocket. Continue the same movement as she raises it and looks at the screen. Show this action clearly before the dialogue.
3. Match the movement into a medium close-up. Holding the phone in her right hand, eyes on the screen, she quietly says: "If you are coming, this is your last chance."
4. Cut to the entrance as a man arrives and pauses.
5. Cut back to her face: her eyes lift from the phone toward him, then her expression softens.
6. Finish wider, with her in the left foreground and him near the entrance on the right. She lowers the phone and smiles.

Keep the phone action continuous across cuts. Use full-screen shots, quiet station ambience, no grid or captions.

El vídeo de arriba se generó con este prompt; la prueba real duró unos 15.1 segundos y 1280 × 720. Al principio se añadió la acción de sacar el móvil del bolsillo y cortar a un primer plano para mirarlo, y después se enlazó con el habla, la llegada de la otra persona y la reacción de levantar la mirada. El final conserva la relación de profundidad entre los dos personajes, pero la sonrisa es menos evidente que en la versión anterior, así que aún hay que comprobar si la interpretación cumple los requisitos del vídeo final. Este caso aún no se ha comparado en coste o calidad con la generación solo con texto.

4. Conserva primero la capacidad del modelo y luego reduce la resolución de salida

Elegir el modelo y elegir la resolución son dos cuestiones distintas. La imagen en 480p tiene menos nitidez, pero configurar la salida de Seedance 2.5 a 480p no equivale a cambiar a un modelo más débil. En la fase de prueba, primero hay que juzgar si entiende el orden de los planos, las acciones de los personajes y las emociones, y luego decidir si hace falta mejorar la calidad de imagen.

Para planos complejos, prefiero probar primero con Seedance 2.5 a 480p, en lugar de elegir Seedance 2.0 solo para tener 1080p. Según la documentación oficial, la versión 2.5 ha mejorado el seguimiento de instrucciones y el control de producción, y también admite organizar el contenido por puntos de tiempo en segundos enteros. Estas capacidades son una dimensión distinta de la cantidad de píxeles de salida y merece la pena verificarlas primero. Pero la afirmación de que «el 480p de 2.5 siempre entiende mejor cada plano que el 1080p de 2.0» requiere una comparación real con el mismo prompt; no se puede garantizar solo por el modelo y la resolución.

El coste también respalda probar primero en baja resolución. Tomando como referencia el ejemplo de precios oficiales en dólares de BytePlus ModelArk, en las mismas condiciones de 16:9, salida de 5 segundos y sin vídeo de referencia de entrada:

El primero es aproximadamente un 72.5% más barato. Esta comparación se refiere al coste total del vídeo: aunque el precio por token de 2.5 es más alto, al necesitar menos tokens de salida en 480p, en conjunto sigue siendo más barato que el 1080p de 2.0. Lo anterior es un ejemplo de estimación oficial, no una factura real de esta prueba; el vídeo de referencia, la duración, el formato y los recargos de la plataforma pueden cambiar el coste final.

En una escena concreta, se puede comprobar primero en 480p: si se ha sacado el móvil, si la otra persona está en la posición correcta, si la mirada de los personajes y las acciones consecutivas encajan. El 480p ya permite detectar estos problemas; la textura final de la piel, el cabello y los detalles del fondo se comprueban en la fase de alta resolución. Sin embargo, dos generaciones independientes en baja y alta resolución pueden cambiar las acciones y la interpretación, así que no se puede dar por hecho que se reproduzcan fotograma a fotograma.

Si la herramienta admite el flujo de trabajo Seedance 2.5 Draft, se puede generar primero un borrador en 480p, confirmar la estructura de la escena, la planificación de planos y las acciones, y luego usar la tarea de borrador para generar la versión en alta resolución. Este flujo es más adecuado que volver a enviar una generación independiente para mantener la coherencia entre los resultados; las tareas de borrador y de alta resolución se facturan por separado y deben incluirse en el coste total de la escena.

La entrada de referencia también debe limitarse a lo necesario. Si la apariencia del personaje y la composición estática se pueden explicar con una imagen, usa primero la imagen; cuando se necesite referencia de acción o movimiento de cámara, añade el fragmento de vídeo correspondiente. En los modelos que calculan la duración del vídeo de entrada, añadir más referencia también puede aumentar el coste, así que hay que calcular entrada y salida juntas.

Prueba real: validar primero en 480p y luego regenerar en 1080p con referencia

A continuación se usa la escena de «un soldado lee una carta bajo un árbol» para mostrar un proceso de validación en baja resolución y regeneración en alta. La versión en 480p usa el vídeo original como referencia y pide mostrar sucesivamente el plano sentado bajo el árbol, el primer plano de la carta, el plano cercano de la lectura y el plano general de alejamiento, y que alrededor del sexto segundo aparezca texto manuscrito en la carta.

Esta versión tuvo una salida real de 864 × 496 y unos 15.1 segundos. La baja resolución ya es suficiente para juzgar si los cuatro planos funcionan y si la acción de leer encaja. También apareció texto manuscrito en el papel, pero el modelo amplió la frase especificada «Come home safe.» a varias líneas, sin cumplir con exactitud el requisito de texto. Este tipo de error se puede detectar en la fase de prueba; si el texto debe ser exacto, hay que seguir ajustando o tratarlo en posproducción, no basta con subir la resolución para darlo por resuelto.

Después, se usó este vídeo en 480p como referencia, manteniendo Seedance 2.0 estándar, y se cambió la salida a 1080p y 15 segundos. El prompt se simplificó para conservar el personaje, la escena, las acciones y el orden de planos, y se potenció la iluminación natural y el aspecto cinematográfico:

Use Video 1 as the reference. Keep the same soldier, face, uniform, tree, meadow, letter, actions and shot order. Maintain visual continuity and the original pacing. Enhance the scene with cinematic natural morning light, realistic skin and fabric detail, and restrained film color grading. Preserve the handwritten letter. No added subtitles or dialogue.

La versión en alta resolución tuvo una salida real de 1920 × 1080 y unos 15.1 segundos. A juzgar por los fotogramas clave, el personaje, el uniforme militar, el árbol grande y la hierba se mantienen en general coherentes, y también se conserva la estructura de los cuatro planos. Esto demuestra que un vídeo en baja resolución puede servir para validar acciones y estructura, y luego proporcionar referencia para la generación en alta; pero que la salida sea en 1080p no garantiza que los detalles se recuperen con exactitud, ni que el personaje y las acciones coincidan fotograma a fotograma.

Estos dos vídeos son tareas de generación con referencia facturadas por separado, y utilizan la referencia de vídeo asset:// de la biblioteca de activos de Volcengine. Es un método de operación distinto del flujo de trabajo Seedance 2.5 Draft presentado antes. Lo que se muestra aquí es el proceso de producción; no se ha verificado la factura en dólares ni se ha completado una comparación de costes entre modelos; la tabla de precios anterior sigue siendo una estimación oficial, no el coste real de estos dos vídeos. Solo contando juntos los intentos necesarios y las generaciones en alta resolución se puede juzgar si todo el proceso ahorra dinero.

5. Con el material fallido, mira primero si se puede salvar en edición

Imagina un clip de seis segundos cuya interpretación resulta convincente durante los tres primeros, pero después aparece una mano deformada. Antes de regenerarlo, prueba a cortar justo antes del error, insertar un plano de reacción y mantener el audio. Quizá puedas conservar la parte útil dentro de la escena. Decide si necesitas más material después de comprobar el montaje.

Por supuesto, hay que tener límites: si la cara del protagonista está mal, si un objeto clave está mal, si no se entiende la causa y el efecto de una acción, esos problemas que afectan a la comprensión de la historia no se pueden pasar por alto para ahorrar dinero.

Al editar, marca primero los intervalos de tiempo utilizables y luego decide qué planos faltan por añadir. Cuando un personaje habla, se puede cortar a la reacción del oyente antes del error de acción y dejar que el diálogo continúe; los planos de ambiente también ayudan a enlazar. Aun así, después de cortar hay que comprobar si la mirada, la acción y el sonido son continuos. Esta es una idea de rescate, no una garantía de que todo material fallido se pueda salvar.

Para terminar

Controlar el coste, en definitiva, es controlar el retrabajo. El precio de las herramientas seguirá bajando, pero si empiezas a generar sin tener claro lo que quieres, gastarás dinero más rápido de lo que bajan los precios. Primero piensa bien qué quieres, valida con el método más barato y luego pon el presupuesto en los planos que lo merecen; eso es más eficaz que cualquier comparación de precios.