Para controlar los costes de generación y lograr el efecto de un plano secuencia, puedes probar la extensión de vídeo de MiniMax H3 empezando con un solo personaje y un mismo escenario. Primero define la imagen inicial del personaje y del entorno, genera el primer tramo de vídeo y luego extrae su último fotograma para usarlo como fotograma inicial del siguiente tramo. El fotograma inicial transmite la apariencia del personaje, su ropa y el entorno actual al tramo siguiente, ayudando a mantener una coherencia general entre ambos planos.
Cada generación individual en H3 dura un máximo de 15 segundos, por lo que el contenido más largo debe generarse por tramos y unirse después. Al continuar un clip mediante el último fotograma, conviene reducir el número de personajes, mantener la continuidad de la acción y del movimiento de cámara, evitar que entren varios personajes de forma sucesiva y no cambiar con frecuencia el ángulo ni el tipo de plano. Cuantos más cambios haya en la imagen, más fácil será que el personaje y el entorno se deformen, aumentando también los puntos que habrá que revisar y rehacer.
Continuar el mismo plano con el último fotograma
Veamos primero este caso de acción real de unos 13,2 segundos: un chico camina con un cuaderno hasta la puerta de un aula, se detiene y levanta la mano para abrirla. Al reproducirlo, fíjate en si hay algún corte evidente entre la acción de caminar hasta la puerta y la de alargar la mano para abrirla.
En conjunto, el movimiento es bastante fluido y, a primera vista, cuesta notar que está formado por dos clips unidos. Volvamos ahora a la primera mitad para ver cómo se hizo.
La primera mitad se generó mediante texto a vídeo y dura unos 6,58 segundos. El chico camina hasta la puerta del aula y se detiene, sin llegar a tocar el pomo.
Prompt real de la primera mitad:
Photorealistic live-action cinema, natural human movement, 16:9. A young adult East Asian man with short black hair wears a charcoal zip-up hoodie over a light gray T-shirt and dark trousers. He holds a small black notebook in his LEFT hand throughout. His empty RIGHT hand remains relaxed beside his body. A closed wooden classroom door with a brass lever handle is on screen right. Over six seconds he takes two unhurried steps from screen left toward the door, then stops within reach of the handle. He does not touch or open the door yet. Hold his final standing pose briefly. Fixed medium-wide three-quarter side view from his right side, both hands and the handle clearly visible, warm afternoon sunlight from screen left. One uninterrupted shot, no cuts, no camera movement. Audio: natural footsteps, subtle clothing rustle and quiet empty-school ambience. No speech, music, titles or subtitles.
Para que continúe abriendo la puerta, extrajimos mediante un programa el último fotograma de este vídeo para usarlo como el primer fotograma del siguiente. La imagen de abajo muestra el punto exacto de transición entre los dos clips.
El siguiente prompt solo describe lo que ocurre a continuación: el chico levanta la mano derecha, agarra el pomo y empuja la puerta. Aunque el prompt de la primera mitad especificaba una manilla de palanca, en la imagen se generó un pomo redondo plateado; por tanto, al continuar el vídeo se describió según el pomo que aparecía en pantalla, conservando la ropa del personaje, el cuaderno en su mano izquierda y la iluminación del pasillo.
Prompt real de la continuación con el último fotograma:
Photorealistic live-action continuation from the supplied first-frame image. Preserve the same adult man, face, charcoal hoodie, gray T-shirt, wooden double door, round silver doorknobs, and warm afternoon light. Over six seconds he raises his empty RIGHT hand, reaches for the round silver knob closest to him on the left door leaf, turns it and gently pushes that door leaf inward into the classroom. The other door leaf stays closed. His LEFT hand keeps holding the same small black notebook beside his torso. He stays beside the doorway. Keep the camera fixed with the same framing and perspective. One uninterrupted shot, no cuts. Audio: subtle sleeve rustle, one soft latch click, a brief natural hinge creak and quiet school ambience. No speech, music, titles or subtitles.
La segunda mitad también dura unos 6,58 segundos; al unir directamente ambos tramos, se obtiene el vídeo del principio. En este ejemplo se eligió continuar justo cuando el personaje se detiene, lo que facilita enlazar el movimiento anterior con el posterior. Tras unirlos, conviene reproducir el vídeo completo para comprobar si se percibe una pausa extra en el punto de unión.
Se recomienda automatizar la extracción de fotogramas mediante un programa: leer la secuencia de fotogramas del vídeo original, exportar un archivo PNG con el ancho y alto originales y verificar que las dimensiones de salida coincidan con el fotograma decodificado. Así se evitan el reescalado, el recorte y la compresión adicional que suelen provocar las capturas de pantalla manuales. En este ejemplo, la imagen exportada mantiene unas dimensiones de 1344 × 768, coincidiendo píxel por píxel con el fotograma decodificado del vídeo de origen. Sin embargo, extraer el fotograma no corrige por sí mismo las deformaciones visuales; si al final aparece desenfoque de movimiento o alguna extremidad deformada, se puede programar la extracción de un fotograma nítido ligeramente anterior y, al editar, recortar la parte posterior a ese fotograma en el vídeo original para evitar que se repita el movimiento.
En este ejemplo se probaron tanto la generación con fotograma inicial como la generación por referencia. Al usar la generación con fotograma inicial, no es posible añadir al mismo tiempo imágenes de referencia de personajes o escenarios; si se necesita aportar referencias adicionales, se puede recurrir a la generación por referencia. Una imagen de referencia proporciona información sobre el personaje, el vestuario, el entorno y la composición, pero no fija el primer fotograma del vídeo.
¿Qué tal funciona la transición con la generación por referencia?
Para comparar el resultado de la generación por referencia, utilizamos ese mismo último fotograma como imagen de referencia en H3, manteniendo las mismas instrucciones para abrir la puerta, la misma resolución y la misma duración. En este caso no se fijó el fotograma inicial ni se añadieron otras imágenes de referencia. Se generó una vez en cada modo para comparar directamente cómo enlazaban las imágenes.
Resultado de unir directamente la primera mitad con la versión generada por referencia:
La versión generada por referencia también dura unos 6,58 segundos. Aunque el personaje, la sudadera con capucha y el entorno frente a la puerta se conservan en gran medida, la postura inicial, la posición de los hombros y los brazos, así como la composición del plano, no coinciden exactamente con el final del tramo anterior, por lo que al unirlos directamente se aprecia un salto visual evidente.
Transiciones mediante cambio de plano para resolver saltos en la unión
Cuando la unión directa de una generación por referencia desde una posición de cámara similar produce un salto, se puede insertar un primer plano en el punto necesario para suavizar la transición. Aquí solo empleamos un par de cortes para disimular la unión, manteniendo la secuencia centrada en la misma acción de abrir la puerta. Mediante un programa, extrajimos un fotograma alrededor del segundo 2,5 del vídeo en el que se abre la puerta —donde la mano derecha ya sujeta el pomo redondo plateado— y cargamos la imagen completa en la generación por referencia de H3 como referencia del entorno, la manga y la mano, pidiendo directamente un primer plano cerrado del pomo. En este paso no se dibujó ningún fotograma nuevo de storyboard ni se configuró esta imagen como fotograma inicial.
Prompt real del primer plano del pomo:
Photorealistic live-action close-up insert. Use <Picture 1> as the reference for the SAME right hand already gripping the SAME round silver doorknob, the charcoal hoodie sleeve, wooden door and afternoon sunlight. Reframe to a TIGHT CLOSE-UP from the same corridor side. Show ONLY the hand-covered knob on the IMAGE-LEFT door leaf, to the LEFT of the vertical center seam. The other knob on the image-right door leaf must remain completely outside the frame. Start already close on his RIGHT hand gripping this knob exactly as in the reference. Over four seconds, the fingers tighten naturally and the wrist makes one small turn to release the latch. Keep the wooden door closed; hold the turned knob at the end, ready for the next opening shot. Show one anatomically natural right hand and one knob only. Locked camera, no zoom, no cuts, no face or full body. Audio: faint sleeve rustle, a quiet metallic turn and one latch click over quiet school ambience. No speech, music or text.
Este clip original en primer plano dura unos 4,46 segundos. En el montaje, se conservaron unos 3,75 segundos de la primera mitad, se añadieron unos 2,5 segundos del primer plano del pomo y luego se volvió al vídeo de apertura de la puerta generado por referencia, recortando la parte en la que vuelve a alargar la mano y girar el pomo para enlazar directamente desde el momento en que la puerta se empuja hacia dentro. En los tres clips solo se aplicaron cortes de plano y recortes de duración, sin interpolación de fotogramas, cambios de velocidad ni fundidos encadenados, sumando en total unos 9,83 segundos.
Al insertar el plano corto, los dos cortes enlazan la acción de abrir la puerta y crean una transición entre los dos planos medios. Al resolver una unión de esta manera, conviene verificar sobre todo que los detalles concretos coincidan antes y después: si es la misma mano, si el pomo está en el mismo lado, si hay cambios bruscos en el color de la manga o en la luz del pasillo y si, al volver al plano medio, no se repite el gesto de alargar la mano. Añadir nuevas posiciones de cámara con demasiada frecuencia dificulta mantener la coherencia visual entre planos, por lo que aquí solo se incluye el primer plano necesario para hacer avanzar la acción.
Vídeo largo de 30 s
Este mismo método de continuación mediante el último fotograma también sirve para producir secuencias narrativas más largas. El relato corto de terror nocturno en acción real Nadie al otro lado de la puerta se generó en tres tramos: un hombre oye que llaman a la puerta, se acerca a abrir y descubre que no hay nadie fuera; cuando se da la vuelta, una mujer ya está de pie dentro de la habitación. El primer tramo se creó con texto a vídeo, y los dos siguientes se generaron extrayendo mediante un programa el último fotograma del tramo anterior para usarlo como fotograma inicial del siguiente, con una duración aproximada de 10 segundos por tramo.
El primer tramo termina con la mano derecha sujetando el pomo; el segundo empieza abriendo la puerta y termina cuando el personaje está a punto de volverse; el tercero completa el giro y deja ver a la mujer dentro de la habitación. En los prompts se describe primero el estado del personaje al final del tramo anterior y luego la acción que debe ocurrir en el siguiente, dejando así más claro el punto de partida de la continuación.
A continuación se muestra el montaje editado de 26 segundos, generado con MiniMax H3 a 768p. Primero se unieron los tres clips originales para formar un vídeo de 30 segundos y después se recortaron 4 segundos sobrantes del principio. Al recortar la imagen inicial, también se eliminó el sonido original de los golpes en la puerta; por ello, en posproducción se extrajo por separado ese audio del clip original y se volvió a colocar al principio del vídeo final, manteniendo la secuencia de «primero oír los golpes y luego levantarse a abrir».
Este caso enlaza sucesivamente el último fotograma con el primero del tramo siguiente, manteniendo la ropa del protagonista así como las cortinas, el sofá y la lámpara de la habitación, mientras que en el último tramo se introduce a la mujer únicamente mediante descripción de texto, sin aportar ninguna imagen de referencia adicional para su personaje. Dado que la mujer solo aparece al final, aquí no se ha comprobado si mantendría su coherencia en planos posteriores. El sonido del vídeo final también se editó por separado, por lo que no debe tomarse como el resultado íntegro de una única generación directa del modelo.
Coherencia de personajes, escenarios y sonido
Cuando un personaje o un objeto que estaba fuera de campo vuelve a entrar en plano, depender únicamente del último fotograma del tramo anterior puede no ser suficiente. En los debates de Reddit sobre la extensión de vídeo en H3, un usuario ponía el siguiente ejemplo: en el primer tramo aparecen tres personajes, pero en el fotograma final solo se ve a dos; si en el tramo siguiente no se añade información de referencia del tercer personaje, su aspecto puede cambiar cuando vuelva a entrar en escena. En estos casos, se puede añadir la imagen original del personaje en la generación por referencia o bien usar esas referencias para crear primero la siguiente imagen del storyboard.
Encadenar varias rondas de generación también puede acumular gradualmente desviaciones de color, cambios en los rasgos faciales y ruido en la imagen. En las experiencias compartidas por la comunidad en Reddit, algunos creadores intentan usar fotogramas clave para restringir la imagen, mientras que otros advierten de que, tras varias continuaciones sucesivas, la imagen puede seguir deteriorándose. Al terminar de generar cada tramo, conviene revisar primero el personaje, el vestuario y la iluminación; si se observa que el último fotograma ya está borroso o deformado, es preferible retroceder a un fotograma anterior que sea nítido y reajustar el clip actual antes que arrastrar el problema al tramo siguiente.
Tips: la coherencia del sonido requiere posproducción
El fotograma inicial aporta principalmente información visual, por lo que resulta difícil mantener la coherencia sonora entre varios tramos de vídeo basándose solo en él. Incluso conservando el audio nativo generado por el modelo, no siempre es seguro que los clips consecutivos enlacen con naturalidad. En los puntos de unión pueden aparecer cambios de volumen, diferencias en el sonido ambiente, cortes en el ritmo de la música o variaciones en el timbre de las voces; de hecho, en hilos de consulta sobre extensión de vídeo en Reddit, algunos usuarios también mencionan que el audio se va degradando tras generar varios tramos seguidos.
Aplicar breves fundidos de entrada y salida de audio en los cortes durante el montaje, solapar ligeramente el sonido ambiente de ambos tramos o colocar una pista continua de sonido ambiente de fondo solo atenúa parte de la brusquedad, pero difícilmente resuelve por completo los problemas de continuidad sonora. Si se producen repeticiones en los diálogos, cambios evidentes en la voz o cortes en la música que no encajan, es posible que haya que volver a generar el tramo, o bien doblar las voces y sustituir el sonido ambiente y la música por separado.
