Seedance 2.5 Prompt Guide:
prompts que funcionan.

Seedance 2.5 es el modelo de video de ByteDance, y hoy es el mejor generador de video con IA que podés usar. Ya está disponible en Magnific, que es donde trabajo todo mi sistema, y también en Dreamina.

Los números que importan, verificados contra la plataforma y no copiados de otro blog:

• Duración: de 4 a 30 segundos por generación.

  El doble que Seedance 2.0, que llega a 15.

• Referencias: hasta 50 en total.

  30 imágenes, 10 videos y 10 audios, todos citables con @ dentro del prompt. Los videos de referencia van de 2 a 30 segundos cada uno, y entre todos no pueden pasar de 30.

• Audio de referencia: de 2 a 30 segundos por clip.

  En mp3 o wav, hasta 10 clips que entre todos no pasen de 30 segundos. Le das una voz y el personaje la habla. Y a diferencia de 2.0, ya no exige una referencia visual acompañando el audio.

• Prompt: hasta 1.000 palabras, según ByteDance.

  Cada plataforma pone después su propio tope, y para un plano simple casi nunca vas a necesitar más de 500 caracteres.

• Cámara dirigible por nombre técnico.

  Push-in, tracking, orbit y el resto del vocabulario de cine. Los repasamos en la sección 5.

• Varios planos en una sola generación.

  Se marcan por segundos o como "Shot 1", "Shot 2", y no tienen un tope oficial. El límite de 6 planos que vas a ver en algunas plataformas corresponde a su modo multishot. Lo vemos en la sección 7.

• Resolución: 1080p, 720p o 480p.

  El 1080p nativo cuesta unas dos veces y media lo que el 720p. Mi flujo es generar en 720p y escalar con Topaz, que sale bastante más barato.

• Formatos: 9:16, 16:9, 1:1, 4:3, 3:4 y 21:9.

  Y un modo automático que decide solo. Para reels, 9:16.

Contra Seedance 2.0, el salto es concreto: de 15 a 30 segundos, de 9 a 30 imágenes de referencia, de 3 a 10 audios, el doble de video de referencia, y timestamps, que 2.0 directamente no lee. Lo único que resigna es la resolución máxima, porque 2.0 llega a 4K y 2.5 a 1080p.

Y hay un cambio menos visible pero más importante. Seedance 2.5 razona. Lee tus referencias, entiende qué es cada cosa y completa lo que no le dijiste. Eso cambia la forma de promptear. Con buenas referencias, los prompts cortos funcionan mejor que los kilométricos.

Antes de escribir una sola palabra tenés que entender esto. En Seedance, la imagen de referencia es el 80% del resultado. El prompt solo dirige la escena que ya traen tus referencias.

Por eso las referencias se preparan antes:

• Recortá todo lo más pulido posible.

  Si querés el logo, sacá el eslogan. Si querés la ropa de una foto, sacá la cara. Que cada referencia diga una sola cosa.

• El objeto solo, sin el escenario.

  Seedance copia todo lo que ve en una referencia, aunque no se lo pidas. Si la foto del producto trae una mesa, una mano o un cuarto, eso entra a tu escena. Me pasó con un recorte que traía la pierna de otra persona, y el video arrancó con la pierna correcta y en el último segundo se mudó a esa. El objeto va recortado, sobre fondo blanco o gris.

• Formato exacto.

  La referencia recortada al formato del video (9:16 para reels). Si queda en otra proporción, el video puede salir deformado o con franjas arriba y abajo.

• Calidad mínima 1080x1920, y sin comprimir.

  Subila con la resolución original, sin achicarla para que pese menos. Una referencia pixelada le hace inventar la textura, y el producto sale en baja calidad aunque el video sea nítido.

• Para personas: de 3 a 5 fotos.

  Frente, perfiles, cuerpo entero y alguna hablando, con la boca abierta, para que el modelo sepa cómo la mueve. Más fotos no suman, meten ruido.

• Lo reconocible, con foto.

  Un producto real, un edificio conocido, una computadora de marca o cualquier cosa que el que mira va a reconocer. Si lo describís con texto, el modelo lo dibuja de memoria y sale deforme o con una marca parecida que no existe. Y si en el plano se ve una pantalla encendida, pasale la captura de lo que muestra.

Las imágenes se conectan como referencias, no como frame inicial y final. Y cada una se cita con @ en el prompt. Con eso controlás el modelo en vez de tirar los dados. Si querés ver cómo estas referencias alimentan un sistema completo de producción, eso lo cuento en mi tutorial de anuncios con IA.

Esa exclusión tiene un costo alto que conviene saber antes de gastar créditos. Si usás primer frame, perdés las referencias de identidad y también las de boca abierta. El frame te clava el encuadre al pixel, pero la performance de habla baja de forma notoria porque el modelo se queda sin material de labios y dientes. Para talking heads, referencias siempre. El keyframe se guarda para transiciones sin diálogo.

Todo prompt que funciona tiene este orden, porque el modelo pondera más lo que va primero.

• Estilo, primero que nada.

  La dirección visual abre el prompt: "Comercial cinematográfico de lujo, estilo oscuro, sombras profundas". Si el estilo va al final, el modelo ya decidió otro.

• La escena y las referencias.

  Qué pasa y quién es quién: "La mujer @01 camina por el pasillo del hotel @02".

• Micro-acciones, nunca adjetivos.

  El modelo no entiende emociones, entiende física. "Está triste" no genera nada. "Baja la mirada, los hombros caen, gira la cara hacia la ventana" genera exactamente eso.

• La cámara, con nombre técnico.

  "Slow push-in", "tracking shot", "extreme close-up". Nunca "un ángulo interesante".

• El audio, al final.

  SFX específicos y la instrucción de música (sección 6).

Un prompt con esta anatomía, del tipo que uso en anuncios de producto:

> Escena donde la caja en el piso @01 se abre y todos los productos salen volando @02, quedan suspendidos en cámara lenta en el aire. Por último, aparece un texto centrado en pantalla que dice "Summer Glow Kit" @03. Escena continua, en una sola toma. Solo SFX y sonido ambiente.

Fijate lo que NO tiene: adjetivos de emoción, descripciones de estética que ya está en las referencias, y relleno.

Una acción por mano

Si el personaje hace dos cosas con las manos al mismo tiempo, cada una va con su mano nombrada, por ejemplo "con la mano derecha sostiene el frasco frente a cámara, con la izquierda se baja los lentes". Escrito a secas ("levanta el frasco y se baja los lentes"), el modelo te devuelve una tercera mano en cuadro. Y si la segunda acción no hace falta, sacala.

La acción va antes o después de la línea

"Levanta la taza, toma un sorbo y dice..." hace que el personaje hable con la taza en la boca y los ojos bajos, y la línea termina pareciendo un pensamiento en vez de una respuesta. Primero la acción y después la línea, o al revés. Nunca las dos encimadas.

Ni un número en el prompt

Medidas, precios, pesos, años. Cualquier número que describa algo de la escena puede terminar escrito adentro de la escena. Pedí un rollo de papel "de unos 25 centímetros de ancho" y el modelo escribió "25 cm" sobre el papel, bien legible. Los tamaños van por comparación ("del ancho de un antebrazo") o con la foto del objeto, y las alturas también, del tipo "él le lleva una cabeza". Los segundos de los bloques de tiempo de la sección 7 son otra cosa, porque el modelo los lee como estructura.

El @ es el corazón de Seedance 2.5. Pero la mayoría lo usa mal. Tira cinco referencias y espera que el modelo adivine.

Cada @ necesita un propósito declarado

Mal: "@01 @02 @03 hacé un video". Bien: "@01 es el personaje principal, la escena ocurre en el bar @02, el movimiento de cámara sigue el estilo de @video1". El modelo tiene que saber qué aporta cada referencia.

Los objetos llevan la continuidad, las caras no

Entre generación y generación, un frasco de perfume, una laptop o una taza quedan clavados idénticos. Las caras derivan. Por eso las historias se anclan en objetos, y las personas se sostienen repitiendo la misma referencia y la misma descripción física en cada prompt. La ropa también se escribe entera, aunque esté en la referencia, porque si no la nombrás el modelo copia la de la foto que le toque.

Cada persona nueva, con su referencia y descrita

Si pedís un personaje nuevo sin describirlo, el modelo reusa una de las caras que ya le diste. Me pasó con un repartidor que salió con la cara de otro personaje de la misma escena. Cada persona que aparece, aunque sea un extra, lleva su imagen de referencia, y en el prompt va con lo que la separa de las demás (edad, pelo, contextura, ropa) y la aclaración de que es una persona distinta.

Referencias quirúrgicas para los detalles difíciles

Dientes, interior de la boca, gestos complejos. Nunca los describas con texto, porque la descripción anatómica desestabiliza toda la generación. En su lugar, poné una referencia inline en el momento exacto: "ríe a carcajadas @05", donde @05 es un primer plano certificado de esa risa exacta. Con el tiempo armás una biblioteca de gestos aprobados y los reusás.

El orden importa

El modelo pondera más las primeras referencias. La identidad del personaje va primero y el detalle decorativo, al final.

Seedance 2.5 entiende los movimientos de cámara por su nombre técnico, así que el vocabulario de cine ES el lenguaje del prompt. Los que más uso:

• push-in / slow push-inAcercamiento lento; tensión, intimidad.
• tracking shotLa cámara sigue al sujeto; energía, persecución.
• orbit / 360 orbitLa cámara gira alrededor; producto héroe, reveal.
• whip panBarrido violento; transición con energía.
• crane up / crane downLa cámara sube o baja; apertura o cierre de escena.
• handheldCámara en mano; realismo, urgencia, UGC.
• rack focus (focus change)El foco pasa de un plano a otro; dirigir la mirada.
• extreme close-upDetalle extremo; textura, emoción.
• static shotCámara fija; dejá que la acción hable.

Y para cuando quieras impresionar: FPV drone (vuelo en primera persona), crash zoom (zoom violento al rostro), dutch angle (cámara inclinada, incomodidad) y snorricam (cámara clavada al actor, el mundo se mueve detrás). Existen y funcionan.

Antes del movimiento, el lente

Todo el vocabulario de cámara habla de movimientos y casi nadie habla de óptica. En producción, la mayoría de los problemas de encuadre que parecen de ángulo son de lente.

El modelo por defecto te da gran angular. Fondo nítido hasta el horizonte, líneas que se estiran en diagonal, y una sensación de cámara de seguridad que arruina cualquier intento de look caro. Y hay algo peor. Un gran angular apoyado apenas por encima de la línea de los ojos te fabrica un plano picado solo, aunque el lente esté horizontal. Si tu plano sale "un poco desde arriba" y no entendés por qué, mirá el lente antes que el ángulo.

La instrucción que lo arregla:

> Telephoto lens, background heavily compressed and thrown well out of focus, only the subject is sharp. Shallow depth of field.

Y dos anclas geométricas que valen más que cualquier adjetivo de ángulo. Que no se vea piso entre la cámara y el sujeto, y que el horizonte quede apenas por encima de su cabeza. Con eso el picado desaparece. De regalo, con el fondo blando la acción de fondo se sugiere en vez de exhibirse, que casi siempre es lo que querés.

Zoom de lente y desplazamiento de cámara no son lo mismo

De todo el vocabulario de cámara, esta es la distinción que más plata ahorra. Zoom in / zoom out mueven el lente y la cámara se queda quieta. Push-in / pull-out mueven la cámara por el espacio. Son cosas distintas y el modelo las distingue.

Si escribís "zoom out to a full shot", el modelo lee cambio de tamaño de plano, lo resuelve como desplazamiento y te devuelve un plano dron alejándose. Ese es el error clásico. Para un zoom de camarógrafo real hay que nombrar el lente y prohibir el desplazamiento explícitamente: "fast lens zoom out, the camera never moves through space".

Un movimiento por plano

Dos como máximo. Apilar "cámara en mano, después zoom out, después reencuadre, después zoom in" es la receta del desastre. El modelo agarra la instrucción que entiende mejor y resuelve el resto a su manera. Si necesitás un movimiento compuesto, nombrá el principal y después el secundario, nunca cuatro.

Cuando las palabras no alcanzan: video de referencia

Si hay un movimiento de cámara que no lográs describir, filmalo. Cinco segundos con el celular haciendo el movimiento exacto, apuntando a algo que no compita con tu escena, como una pared lisa. Lo subís como referencia de video y le decís que define la cámara. Es la herramienta más subutilizada de 2.5.

Dos condiciones para que funcione. El clip tiene que durar entre 3 y 8 segundos con un movimiento limpio de un solo propósito, y hay que recortar el primer segundo, donde el operador todavía está acomodando la cámara. Clips largos que mezclan movimientos hacen que el modelo agarre partes al azar en cada corrida.

Ojo con un cambio de 2.5. El modelo lee el video de referencia entero, como material visual, con todo lo que se ve adentro. Si el clip tiene una persona o un cuarto, eso puede aparecer en tu escena, y a veces pasa a mitad de plano. Arranca con tus referencias y a los dos segundos se muda al clip. Me pasó con un video ajeno que quería usar para copiar un gesto, y ni la instrucción explícita de ignorar lo que se veía lo evitó. Para copiar el movimiento de un video con gente adentro, usá Seedance 2.0. Ahí el video controla la cámara y el movimiento, y lo que se ve lo deciden tus imágenes y tu texto.

Y una regla que no es de cámara pero lo parece. Pensá en planos. Cada plano lleva una acción simple. "Agarro la botella" es un plano. "Agarro la botella, tomo, miro por la ventana y vuelvo a la compu" es una escena entera metida en un plano, y ahí el modelo alucina. Esa escena son cuatro planos, y en la sección 7 te muestro cómo se marcan en una sola generación.

El que habla, cerca de la cámara

Cuanto más lejos está el personaje mientras habla, peor sale la boca y más se nota que es IA. Los diálogos van en primer plano o plano medio. En un plano general, además, el modelo pierde las alturas, y dos personas que se llevan una cabeza salen del mismo tamaño. El general sirve para ubicar la escena un instante, y enseguida se corta al cerrado de quien habla.

La mirada, dicha con todas las letras

Si pedís "primer plano cerrado de ella mirando a él" y él está sentado enfrente, la cámara ocupa el lugar de él y ella termina mirando al lente. Decí dónde está él, por ejemplo a la izquierda de cámara, y que los ojos de ella van hacia ese lado, apenas desviados del lente.

Seedance 2.5 genera el audio junto con la imagen. Eso es una ventaja enorme y una trampa.

La trampa: si escribís "sin música de fondo" o "no background music", el modelo ignora el "no" y te pone música. En todos los clips. Cada uno con SU música. Imposible de unificar en edición.

El hack: nunca negar, siempre afirmar lo que SÍ querés:

> Natural ambient sounds and raw Foley sound effects only. Pure diegetic audio.

O en mi versión corta en español, terminar el prompt con "Solo SFX y sonido ambiente". Y al final de cada bloque, los SFX específicos: "SFX: suspiro pesado, pasos sobre madera, motor de auto arrancando".

Los negativos en 2.5 sí funcionan, si los escribís bien

Afirmar sigue siendo la mejor práctica para el audio, y esa parte no cambia. Lo que cambió es el resto. En 2.0 los negativos directamente no se seguían, y en 2.5 sí funcionan cuando van como oraciones completas y al final del prompt, que es donde el modelo los lee de forma más confiable. Palabras sueltas tipo "sin sombras" o "no música" siguen fallando, porque ahí el modelo lee la palabra clave y se olvida del "no".

> Do not use a wide angle lens. Do not keep the background in focus. Do not cut at any point.

Ese bloque final de negativos es lo que me salvó un plano continuo de 27 segundos.

Diálogo y lip-sync

Describí la acción física y poné las palabras exactas entre comillas:

> Mira directo a cámara y dice, en español con acento rioplatense: "Esto lo hice en una tarde, sin cámara y sin actores".

El modelo genera el lip-sync de esas palabras exactas. Y con Seedance 2.5 podés ir más lejos. Conectás un audio de referencia de hasta 30 segundos (tu voz real, un cliente, una locución de Fish Audio) y el personaje lo habla con tu timbre.

Pero el audio solo no alcanza, y esto es lo que más créditos me costó aprender. El audio le da el ritmo y el timbre, y los fonemas se los dan las palabras escritas. Si conectás el audio y no escribís el diálogo entre comillas, el modelo arma movimientos de boca aproximados y el personaje termina balbuceando. Van las dos cosas siempre, el audio de referencia conectado y el texto exacto entre comillas dobles dentro del prompt.

Y el texto tiene que coincidir palabra por palabra con el audio, incluido el voseo. Si el audio dice "ejecutás" y el texto dice "ejecutas", el modelo tiene dos fuentes distintas para los mismos fonemas y la boca se le desarma.

El idioma y el acento, escritos

Si no decís en qué idioma y con qué acento habla cada personaje, el modelo elige el neutro de doblaje. Y lo hace incluso con un audio de referencia conectado, que es lo que más desconcierta. El idioma y el acento van escritos para cada personaje, pegados a su línea, como en el ejemplo de arriba. Si en la escena hablan dos, cada uno con el suyo.

Un audio por línea

Cuando conversan varios personajes, cada línea va en su propio audio, citado en el momento en que se dice, del tipo "ella responde con la voz de @audio2: ...". Así el modelo sabe qué boca dice qué cosa. Tenés hasta 10 audios y 30 segundos entre todos. Si el diálogo tiene más líneas que eso, juntá en un mismo audio las líneas seguidas del mismo personaje.

Revisá cada audio antes de subirlo

Un audio en silencio dura y pesa lo mismo que uno con voz. Si se exportó o se recortó mal, no te enterás hasta ver el video generado y ya pagado, y el síntoma engaña porque parece un problema de acento o de prompt. A mí me costó una tirada entera. Antes de subir los audios, escuchalos completos o pedíselo a Claude Code:

> Revisá los audios de esta carpeta antes de que los mande a generar video. Medí el volumen de cada uno, avisame si alguno está en silencio o casi, y decime cuánto dura cada uno. Si te falta alguna herramienta para medirlo, instalala.

Una última de producción. La duración del video se elige a partir del audio, nunca al revés. Un audio de 26,68 segundos necesita un clip de 27. Si generás 26, perdés el final, que suele ser justo el llamado a la acción.

Seedance 2.5 aguanta hasta 30 segundos y lee timestamps, y esas dos cosas juntas cambian la forma de trabajar. Hoy armo la escena entera en una sola generación, con los cortes marcados adentro del prompt, en vez de generar plano por plano y pelear en la edición para que la luz, la ropa y el lugar coincidan.

Los planos se marcan con bloques de tiempo. El modelo necesita saber qué pasa cuándo:

> Comercial cinematográfico, luz cálida de atardecer.
0-4 segundos: la mujer @01 entra al café, la cámara la sigue en tracking shot.
4-8 segundos: se sienta junto a la ventana, slow push-in hacia su rostro.
8-12 segundos: mira la taza @02, sonríe apenas, extreme close-up del vapor.
Solo SFX y sonido ambiente. SFX: murmullo de café, tazas, pasos.

Las reglas de los bloques salen de la guía oficial de ByteDance:

• Segundos enteros.

  "0-3 segundos", nunca "0-2,5".

• Seguidos y sin huecos.

  Si un bloque termina en 4, el siguiente arranca en 4. Un "0-3, 5-6" deja dos segundos sin dirección.

• En cada bloque, lo que entra en su tiempo.

  Si cargás demasiado un bloque, el modelo mete cortes de más o se saltea parte de la acción.

• Sin tope de planos.

  Los ejemplos oficiales llevan ocho y nueve planos en una sola generación. También se pueden marcar como "Shot 1", "Shot 2". El límite de 6 que trae el modo multishot de algunas plataformas pertenece a ese modo, y ByteDance no pone ninguno.

Todo esto es de 2.5. Seedance 2.0 ignora los timestamps y solo responde a números de plano.

Cada plano sale del anterior

Cortar de plano da ritmo, pero el espacio tiene que seguir siendo el mismo. Si venís de un plano de los dos de frente y saltás a uno de él en la otra punta del cuarto, el ojo lo lee como un error. Leé los bloques como los leería un editor, preguntándote de dónde viene la cámara y a dónde va. Si alguien tiene que estar en otro lugar, se lo ve llegar.

Una toma larga, sin cortes

Si lo que necesitás es una toma larga sin ningún corte, también se puede. El riesgo ahí es la deriva. A los veinte segundos la temperatura de color se te fue y la cara del personaje ya cambió. Eso se ancla nombrando explícitamente que la luz mantiene el mismo tono de punta a punta, y que cara, pelo y ropa quedan idénticos del primer al último frame. Con esas dos líneas adentro del prompt, 27 segundos en una sola toma se sostienen.

Cuándo NO usar timestamps

Los timestamps sirven cuando querés cortes. En un plano continuo te los fabrican.

Escribir "0-4s pasa esto, 4-8s pasa aquello" le da al modelo bloques separados, y el modelo los separa como sabe, cortando. Peor todavía si cada evento entra y sale dentro de su ventana, porque entre uno y otro el cuadro queda vacío y ese vacío es la costura donde mete el corte. Me pasó con un plano de seis eventos de fondo, con cortes en cada transición, aunque el prompt pedía explícitamente no cortar.

En toma continua se escribe con simultaneidad. Nada de horarios, y las acciones pisándose entre sí:

> Detrás de él el campo está ocupado todo el tiempo. Varias cosas pasan a la vez a distintas profundidades, entrando y saliendo a su propio ritmo. En ningún momento el campo queda vacío. Al principio cruza un carrito sin conductor con un tipo de traje corriéndolo. Mientras él todavía corre, dos tipos ya están entrando con un sofá que se les cae justo cuando pasa alguien con un flamenco inflable en dirección contraria. Una banda cruza el fondo lejano mientras el flamenco todavía está saliendo.

Las palabras que hacen el trabajo son "mientras", "todavía" y "en ningún momento el campo queda vacío". Eso es lenguaje de simultaneidad. Con eso el modelo entiende un solo espacio con cosas pasando, y no una lista de planos.

Extensiones

Para alargar un video que ya te gustó, la guía oficial lo pide así:

> Extend @Video 1 by 5 seconds.

Y después describís SOLO lo que pasa a continuación, como si dirigieras la escena siguiente. Nunca re-describas lo que ya pasó. El modelo lee la trayectoria completa de movimiento, luz y composición del video y la continúa. Repetí la descripción física de los personajes y la línea de estilo, y los timestamps arrancan de nuevo en 0. También se puede extender hacia atrás, para sumar lo que pasó antes del clip, diciéndolo así en el prompt.

Ojo con dónde estás trabajando, porque el modo de extensión no está en todas las plataformas. Si en la tuya no aparece, la alternativa es pasar el clip anterior como referencia de video y pedirle que continúe desde ahí.

Seis situaciones reales, seis prompts para adaptar. En todos, referencias conectadas como referencias y citadas con @.

1. Producto héroe (anuncio de e-commerce)

> Comercial cinematográfico de producto, fondo oscuro, luz dramática. El frasco @01 gira lentamente en orbit shot mientras gotas de agua caen en cámara lenta a su alrededor. Extreme close-up final de la etiqueta. Escena continua, en una sola toma. Solo SFX y sonido ambiente. SFX: gotas de agua, ambiente de estudio silencioso.

2. Personaje que habla a cámara (UGC / talking head)

> Video estilo UGC, cámara en mano, luz natural de departamento. La mujer @01 sostiene con la mano derecha el producto @02 a la altura del pecho, mira directo a cámara y dice, en español con acento [el de tu país]: "Lo probé una semana y no vuelvo atrás". Sonríe al final. Handheld sutil, encuadre de pecho hacia arriba. Solo SFX y sonido ambiente. SFX: ambiente de habitación, tráfico lejano.

3. Escena continua con acción física

> Estilo documental, luz de tarde. El hombre @01 agarra con la mano derecha la taza @02 de la mesa, la levanta, sopla el vapor y da un sorbo corto. Baja la taza sin soltarla. Static shot, plano medio. Escena continua, en una sola toma. Solo SFX y sonido ambiente. SFX: cerámica sobre madera, soplido, ambiente de cocina.

4. Lip-sync con tu voz real (audio de referencia)

> El personaje @01 está sentado frente al escritorio @02, luz cálida de lámpara. Habla a cámara con la voz de @audio1, en español con acento [el mismo del audio], y dice: "[acá va el texto exacto, palabra por palabra, igual al del audio]". Gesticula con las manos de forma natural. Slow push-in casi imperceptible. Solo SFX y sonido ambiente. SFX: ambiente de oficina en la noche.

El texto escrito tiene que coincidir palabra por palabra con el audio, incluido el voseo. Sin ese texto entre comillas, el audio de referencia solo te da ritmo y timbre, y el personaje termina balbuceando.

5. Talking head con acción de fondo (el gag de redes)

> El personaje @01 está parado en el parque @02, hablando a cámara con la voz de @audio1, en español con acento [el mismo del audio], tranquilo, sin registrar nada de lo que pasa atrás. Dice: "[texto exacto, igual al del audio]". Telephoto lens, background heavily compressed and thrown well out of focus, only the subject is sharp. Shallow depth of field. No se ve piso entre la cámara y él, y el horizonte queda apenas por encima de su cabeza.

Detrás de él el campo está ocupado todo el tiempo, a media distancia. Varias cosas pasan a la vez a distintas profundidades, entrando y saliendo a su propio ritmo. En ningún momento el campo queda vacío. Cruza un carrito sin conductor con un tipo de traje corriéndolo. Mientras él todavía corre, dos tipos ya están entrando con un sofá que se les cae justo cuando pasa alguien con un flamenco inflable en dirección contraria.

La luz mantiene el mismo tono cálido de punta a punta. Cara, pelo y ropa quedan idénticos del primer al último frame. Solo SFX y sonido ambiente. SFX: viento suave, pájaros, ruido lejano de gente.

Do not use a wide angle lens. Do not keep the background in focus. Do not cut at any point.

6. Extensión de un plano aprobado

> Extend @Video 1 by 5 seconds. La cámara continúa el tracking shot. La mujer llega a la puerta del café, la abre, y la luz del interior le ilumina la cara. Se detiene un instante en el umbral. Solo SFX y sonido ambiente. SFX: campanita de puerta, murmullo interior.

Todos estos los cometí yo o los vi cometer en mi mentoría. En orden de gravedad:

• Morfear humanos.

  Los objetos se pueden transformar suavemente ("el labial se transforma en frasco de perfume"). Funciona hermoso. Con personas, NUNCA. Deformaciones grotescas garantizadas. Para cambiar de actor, cortes rápidos: "fast match-cut".

• Negar con palabras sueltas.

  "Sin sombras", "no música". Así el modelo lee la palabra clave y se olvida del "no". Pero en 2.5 los negativos sí funcionan si van como oraciones completas y al final del prompt, que es donde el modelo los lee de forma más confiable. "Do not use a wide angle lens. Do not keep the background in focus. Do not cut at any point." Ese bloque final es lo que salva un plano de 27 segundos.

• Adjetivos de emoción.

  "Se ve feliz" no es dirección. "Sonríe amplio, los ojos se le achinan, echa la cabeza levemente hacia atrás" sí.

• Describir anatomía difícil con texto.

  Dientes, lenguas, dedos entrelazados. Referencia inline o nada.

• Escenas largas con múltiples locaciones en una toma continua.

  El modelo clona personajes y alucina. Cortes duros y planos detalle.

• Referencias sin propósito.

  Cada @ sin rol declarado es una moneda al aire.

• Dos acciones de manos sin repartir.

  "Levanta el frasco y se acomoda los lentes" termina con una tercera mano en cuadro. Cada acción con su mano nombrada, o una sola acción.

• Números en el prompt.

  Una medida, un precio o un año que describen la escena pueden aparecer escritos adentro de ella. Tamaños por comparación o con foto.

• Subir un audio sin revisarlo.

  Un audio mudo dura lo mismo que uno con voz, y te enterás con el video ya pagado. Escuchalo o medilo antes de subirlo.

• Regenerar para ajustes finos.

  ¿El logo quedó 5% chico? Eso se arregla en un editor en dos minutos, no quemando otra generación.

• Ignorar el primer frame.

  Tu video se juzga en el primer segundo. La imagen de apertura merece más iteraciones que todo el resto.

• Acción de fondo con física compleja.

  Un tipo en monopatín tirado por tres perros son cuatro cuerpos coordinados y el modelo se rompe. Los gags que aguantan son de física simple: alguien camina, corre, carga algo, algo se cae. El mismo tipo caminando arrastrado por los perros funciona perfecto. Lo que rompe al modelo es la cantidad de cuerpos que tienen que moverse juntos, y no lo ambiciosa que sea la idea.

• Pedir acción de película para el fondo.

  Explosiones, helicópteros, persecuciones de autos. En el cine real esas cosas también son VFX, así que el modelo aprendió cómo se ven en pantalla, con todo el promedio de calidad incluido, y te devuelve el efecto. Sale a croma barato y no hay prompt que lo salve. La acción de fondo que se ve real es la mundana y absurda: un carrito de golf sin conductor, dos tipos cargando un sofá, alguien con un flamenco inflable. Cosas que se filman de verdad porque pasan de verdad.

• Poner la acción de fondo lejos.

  "Far in the background" es el enemigo. Un objeto lejano moviéndose rápido no comparte foco ni grano con el primer plano, y se lee como una capa pegada arriba. Media distancia, y que lo que pasa atrás toque el primer plano. Que el pasto cerca del sujeto se aplaste con el impacto, que la luz cambie.

• Mezclar un frame de salida con las referencias de identidad.

  Si agarrás un frame de un video que te gustó y lo metés entre tus fotos de referencia, contamina. En una prueba, un frame generado metido junto a las 8 fotos de identidad hizo que el personaje hablara distinto y perdiera nitidez. Sacándolo, volvió. Las referencias de identidad son fotos tuyas y nada más.

Con estas reglas ya tenés más criterio que el 95% de la gente que está generando videos hoy. Lo que sigue es práctica. Elegí una receta de la sección 8, prepará dos referencias limpias y hacé tu primera tirada.

¿Producís para clientes? Los números de este negocio (costos reales con IA frente al camino tradicional) están en mi guía de IA para agencias.