Describir una escena para un vídeo generado por IA

Una IA de vídeo filma lo que le describes. Lo que no describes, lo inventa. Para el vídeo de fondo de un sitio, bastan tres o cuatro frases, siempre que pongas en ellas lo que cuenta.

Las guías publicadas por Google para Veo, por OpenAI para Sora 2 (archivada desde entonces) y por Runway para sus modelos Gen coinciden en lo esencial. Este es su método, aplicado a un vídeo que tiene que llevar un titular.

El lugar, en detalles visibles

OpenAI aconseja redactar tu prompt como si informaras a un director de fotografía: detalles concretos que la cámara puede ver. Compara:

• vago: «una panadería»;
• preciso: «un mostrador de madera clara, hogazas de campo alineadas en estantes, harina flotando en la luz».

Añade el momento y el ambiente: la hora del día, la estación, el tiempo que hace, la época. Google clasifica estos detalles en el contexto de la escena. Las palabras abstractas, como «cálido» o «auténtico», ayudan poco; Runway aconseja traducir cada intención en elementos físicos. Describe, pues, lo que hace cálido el lugar: una lámpara baja, un cristal empañado, una madera gastada.

Quédate con un solo lugar por vídeo. Runway recomienda tratar cada generación como una única escena: cambiar de decorado en mitad del plano enturbia el resultado.

La luz

La luz hace la mitad del ambiente. Nombra su fuente y su calidad:

• «luz rasante de final de tarde a través del escaparate, sombras largas en el suelo»;
• «neones fríos en el techo, reflejos sobre baldosas mojadas»;
• «una sola lámpara de taller, el resto en penumbra».

La guía de Sora 2 aconseja también fijar el estilo desde el principio, por ejemplo «película de los años setenta» o «imágenes documentales», y nombrar de tres a cinco colores. Una paleta anunciada mantiene la imagen coherente, y te ayuda a acordar después los colores del sitio con los del vídeo.

El movimiento: la cámara, luego la escena

Un vídeo de fondo se mueve poco y despacio, para que el texto siga legible encima. Describe dos movimientos como mucho:

• El de la cámara. El vocabulario del cine funciona: plano fijo, panorámica lenta hacia la izquierda, travelling hacia delante, plano de grúa, cámara en mano. Google los enumera en su guía de Veo.
• El de la escena. El vapor de una taza, la lluvia en un cristal, una cortina levantada por el aire, unas manos que amasan al fondo. OpenAI aconseja una sola acción por plano, descrita en gestos sencillos.

Escribe lo que debe pasar, en forma afirmativa. Runway advierte que un prompt negativo como «la cámara no se mueve» puede producir el efecto contrario: escribe mejor «cámara fija». En Google, lo que hay que evitar va en un campo aparte, el prompt negativo, en forma de lista simple: «texto, logotipo, marca de agua».

La duración y el bucle

Los modelos filman planos cortos: 4, 6 u 8 segundos para Veo en Vertex AI, 5 o 10 segundos para Gen-4 en Runway. La guía de Sora 2 observa también que el modelo sigue mejor los prompts en los planos cortos.

Para un fondo que se repite en bucle, elige un movimiento regular y continuo: un travelling muy lento, lluvia, humo, agua que corre. Evita las acciones que tienen un principio y un final, como una puerta que se abre o alguien que entra en el encuadre: la costura se vería en cada vuelta.

Una zona tranquila para el titular

Tu titular, tu eslogan y tu botón se colocan sobre el vídeo. Prevé su sitio desde la descripción:

• coloca el sujeto a un lado, por ejemplo «el mostrador ocupa el tercio derecho de la imagen», y deja el otro lado sencillo: una pared, un cielo, una mesa desnuda, una zona en sombra;
• evita los motivos apretados y los contrastes duros allí donde va el texto;
• piensa en el teléfono. Veo filma en horizontal (16:9) o en vertical (9:16); un vídeo horizontal, recortado en una pantalla vertical, pierde los dos bordes. Mantén lo esencial cerca del centro.

Lo que los modelos hacen mal

Las propias empresas lo admiten. Para Veo 3, Google escribe que mantener una coherencia total en las escenas complejas, o con movimientos complejos, sigue siendo difícil. Para Gen-4.5, Runway cita efectos que llegan antes que su causa, como una puerta que se abre antes de que nadie toque el pomo, y objetos que desaparecen de un fotograma al siguiente.

De ahí algunas precauciones:

• Nada de texto en el vídeo. No pidas ningún rótulo legible ni carta escrita: tu titular se escribe en la página, donde queda nítido, se retoca en una frase y lo leen los buscadores. Pon «texto, letras, logotipo» entre lo que hay que evitar.
• Personas a distancia. Un rostro en primer plano atrae todas las miradas, justo bajo tu titular, y es ahí donde más se nota un defecto en las manos o los ojos. Prefiere siluetas, personas de espaldas, gestos al fondo.
• Personas descritas. Google constató que Veo 3 tiende hacia pieles claras cuando el prompt no precisa nada. Si aparecen personas, di quiénes son.
• Una escena sencilla. Un lugar, una luz, dos movimientos. Cuanto más cargada está la escena, más probable es que el modelo se pierda.

Decir que la escena es creada

Desde el 2 de agosto de 2026, el reglamento europeo sobre la IA exige señalar las ultrasuplantaciones (deepfakes): imágenes o vídeos generados que se parecen a personas, objetos, lugares o acontecimientos existentes, y podrían pasar por auténticos. La Comisión Europea precisa que deben cumplirse los tres criterios, y que cuentan el contexto y lo que espera el público. No zanja el caso del vídeo de fondo de un sitio web.

Prudencia sencilla: si la escena pudiera pasar por imágenes de tu propio local, di que es creada, con una mención discreta cerca del vídeo. Y no muestres nunca, en una escena generada, a una persona real reconocible.

En el estudio 29webs, describes esta escena, y una IA de vídeo filma el fondo de tu página. La escena se inventa a partir de tu descripción: evoca tu oficio sin mostrar tu local. El vídeo se vuelve a codificar y se aligera, sin pista de sonido, con una imagen fija, y se desvanece cuando los visitantes han pedido menos animación: la imagen fija se queda. Los detalles están en la página del fondo de vídeo.

En resumen: un lugar preciso, una luz nombrada, un movimiento de cámara, una sola acción en la escena, unos segundos que se repiten sin tropiezo, y un lado tranquilo para el titular. Deja el texto a la página, y los rostros a lo lejos.