Un personaje recurrente necesita una voz reconocible además de un rostro reconocible. Esta guía utiliza Vidu Q4 Preview en Arcloop para plantear una escena de 12 segundos con una imagen de personaje, otra del lugar y una grabación. Prepararás las referencias, escribirás el prompt y reutilizarás la voz en un segundo clip con frases nuevas.
La escena ocurre en un pequeño taller después del cierre. Una mujer mira hacia la puerta, reconoce a alguien y relaja su expresión. Dos frases breves sostienen el momento. El entorno sencillo deja espacio para valorar la interpretación. Es un plan de producción, no una prueba de voz ya completada.
Qué aporta la referencia de voz
Vidu Q4 admite referencias de voz junto a las visuales. La grabación aporta un ejemplo de voz; el prompt, las nuevas palabras y la dirección. Evalúa por separado la semejanza de voz, las palabras, el movimiento de la boca y la interpretación. Un resultado puede acertar en un aspecto y fallar en otro.
Sirve para un personaje que vuelve en otro episodio, una reacción tras una conversación fuera de plano o una presentación breve. Empieza con una sola persona hablando para entender qué indicaciones sigue el modelo.
Cómo crear una escena de diálogo con Vidu Q4 en Arcloop
Paso 1. Escribe una escena que encaje con el diálogo
Decide el cambio emocional antes de indicar la cámara. Aquí pasa de la incertidumbre al alivio. Sigue sentada, mira a la puerta y evita grandes gestos.
| Tiempo | Imagen y acción | Voz y sonido |
|---|---|---|
| 0 a 3 segundos | Oye llegar a alguien y mira hacia la puerta. | Campanilla suave y ambiente del taller. |
| 3 a 6 segundos | Reconocer a la persona reduce su cautela. | You came back. |
| 6 a 8 segundos | Hace una pausa y respira ligeramente. | Continúa el ambiente. |
| 8 a 11 segundos | Relaja los hombros sin apartar la mirada. | I kept the light on. |
| 11 a 12 segundos | Se mantiene su reacción. | Deja reposar la última palabra. |
Los tiempos proponen un ritmo, no un control por fotograma. Comprueba la pausa en el resultado. Las frases y los prompts se mantienen en inglés para copiarlos directamente.
Paso 2. Prepara las referencias de personaje, taller y voz
Usa una imagen clara con el rostro suficientemente grande. Una expresión neutra permite comparar pelo, cara y chaqueta cuando gira.
Referencia creada fuera de Arcloop con la herramienta integrada de generación de imágenes. Define el rostro, el pelo y la ropa.
Prompt de la imagen del personaje
Create one photorealistic casting reference photograph of an original adult woman in her early thirties. Short dark curls, brown eyes, a narrow oval face, a small natural freckle below her left eye, rust colored canvas work jacket over a plain gray cotton shirt. Chest up framing, body turned slightly to the right, both eyes visible, relaxed mouth, neutral attentive expression. Soft daylight on a plain pale gray background. Natural skin texture, realistic hair and fabric, no beauty filter. One person, no text, no logos, no collage, no illustration or animation.
La referencia del taller fija el banco, la puerta y la iluminación. No incluyas personas para evitar otra identidad visual.
Creada con la misma herramienta externa. El asiento vacío deja lugar al personaje; la puerta orienta su mirada.
Prompt de la imagen del taller
Create one photorealistic location photograph of a small independent repair shop after closing. A worn wooden workbench in the foreground, a dark green entrance door in the right background, neatly hung hand tools on the rear wall, one warm desk lamp on the left, cool evening light through a narrow window. Leave a clear seated position behind the workbench with an unobstructed view toward the door. Eye level medium wide composition, realistic scale and practical lighting. No people, no readable text, no brand marks, no illustration or animation.
Usa una grabación propia o una voz sintética con permiso de uso. Elige habla natural y limpia, sin música ni otra persona. Una frase clara facilita la comparación más que una grabación con estilos dramáticos distintos.
La API de referencias de Vidu exige MP3 de 3 a 12 segundos. Para este caso, intenta obtener entre 5 y 8 segundos de habla natural y verifica el archivo exportado. Comprueba también los requisitos adicionales del cargador de Arcloop.
Frase sugerida para grabar
I left a seat for you. Take your time.
Graba una frase distinta de las del video. Así puedes comprobar si la voz se aplica a palabras nuevas y no solo repite la muestra. Conserva la misma grabación para las siguientes tomas.
Paso 3. Adjunta las referencias y escribe el prompt completo
Abre Arcloop, adjunta las dos imágenes y la voz a la solicitud y pon nombres claros. Los nombres entre corchetes son marcadores: sustitúyelos por los nombres o menciones reales de tus archivos.
Prompt completo del video
Create one 12 second photorealistic drama scene in a real repair shop after closing.
Use [CHARACTER IMAGE] for the woman's identity, short dark curls, face, freckle, rust colored jacket, and gray shirt. Use [SHOP IMAGE] for the workbench, dark green doorway, tool wall, and practical lighting. Use [VOICE AUDIO] as the voice reference for this woman speaking the new dialogue below. The recording is a voice example, not a request to repeat its words.
One adult woman is seated behind the workbench. An unseen visitor has just arrived at the doorway to camera right. Keep her gaze toward that doorway, slightly past the camera. Begin in a medium close view at her eye level. Make one slow, subtle camera push toward her face throughout the scene. Keep her face and mouth unobstructed.
0 to 3 seconds: A soft door chime sounds. She raises her eyes toward the doorway, attentive but guarded. Her hands remain still below the frame.
3 to 6 seconds: Recognition softens her expression. She says the following line once, in natural conversational English:
You came back.
6 to 8 seconds: She pauses. A small breath and a slight release in her jaw show relief. Leave the pause quiet.
8 to 11 seconds: Her shoulders ease. Still looking toward the visitor, she says the following line once:
I kept the light on.
11 to 12 seconds: Hold on her quiet reaction as the last word settles.
Use warm light from the desk lamp and soft cool evening light from the window. Natural skin texture, restrained facial movement, realistic breathing, gentle focus falloff. Keep the character, clothes, shop layout, and lighting consistent. Generate the spoken dialogue, soft chime, and quiet room tone. No music, narration, subtitles, additional speakers, extra dialogue, sudden cuts, illustration, or animation.
El prompt asigna funciones distintas a voz, imágenes y diálogo. Para adaptarlo, cambia el personaje, el lugar y las frases; después ajusta la pausa a la interpretación.
Paso 4. Genera la escena y cambia las frases
Elige Vidu Q4 Preview y reference to video. Los ajustes propuestos son 12 segundos, 720p, 16:9 y audio generado activado. Confirma que las dos imágenes y la voz pertenecen a esa tarea.
La guía de Arcloop requiere imágenes y admite hasta tres referencias de audio en este modo. Revisa la estimación de créditos. Los intervalos del prompt no garantizan sincronización exacta: comprueba palabras, tiempos y boca en la salida.
Haz otra solicitud con las mismas imágenes, grabación, duración y audio. Cambia únicamente las dos frases por estas:
Line at 3 to 6 seconds:
I almost locked the door.
Line at 8 to 11 seconds:
Come in. It's cold out.
Compara acento y textura vocal, permitiendo variaciones naturales de énfasis. Esta prueba evalúa la escena, no establece una tasa general de éxito del modelo.
Opcionalmente, genera una tercera versión del diálogo original sin adjuntar voz. Elimina la indicación de referencia de voz y deja el audio generado activado. Calcula esa solicitud por separado.
Paso 5. Revisa palabras, voz, boca y reacción
Escucha con auriculares antes de valorar la imagen. Comprueba que las frases estén completas, no añada palabras y mantenga la pausa. Compara consonantes, textura y acento con la grabación. Una altura parecida no basta.
Mira la boca a velocidad normal: busca habla que empiece antes del movimiento, labios que sigan moviéndose al terminar o una expresión exagerada en la pausa. Compara el rostro y la chaqueta al inicio y al final con la referencia.
Si corre demasiado, acorta la frase o dale más tiempo. Si la voz no es clara, sustituye primero una grabación ruidosa. Si la interpretación está rígida, reduce la dirección emocional a un cambio visible. Modifica una cosa cada vez y compara la siguiente toma.
Preguntas frecuentes
¿Necesito programar o usar otra herramienta de sincronización labial?
Este flujo usa archivos adjuntos, texto y ajustes de Arcloop. Pide a Vidu Q4 Preview generar imagen y habla juntas. Revisa la boca antes de decidir si necesitas edición adicional.
¿Puedo subir solo una grabación?
La integración de Arcloop exige una imagen. El retrato define a la hablante y el taller define el lugar; el audio complementa esas referencias.
¿Una referencia garantiza la misma voz en todos los episodios?
No. Reutiliza muestra, personaje y asignación de hablante, pero compara cada clip. Las palabras y la emoción pueden cambiar la expresión vocal.
¿Cuánto cuesta la comparación?
Los dos diálogos necesitan dos solicitudes. La versión opcional sin muestra añade una tercera. Incluye la preparación de imágenes y voz, y revisa la estimación de Arcloop antes de cada tarea porque los ajustes y reintentos cambian el total.
