Imagen a video es el flujo de trabajo que separa a quienes juegan con el video con IA de quienes lo publican. En lugar de describir una escena en texto y esperar que el modelo imagine correctamente tu producto o personaje, le entregas una imagen fija y le pides únicamente movimiento. La imagen fija el aspecto; el prompt controla lo que sucede después. En 2026 todos los modelos serios admiten entrada de imagen a video, y silenciosamente se ha convertido en el flujo de trabajo por defecto para cualquiera que produzca más de un clip.
Esta guía recorre el pipeline completo de imagen a video tal como funciona hoy en veo4.dev: preparar una imagen de referencia que los modelos realmente respeten, elegir entre entradas de imagen de referencia y de primer fotograma, escribir prompts de movimiento más cortos y construir un sistema de consistencia para contenido episódico. Cada afirmación de capacidades a continuación refleja lo que cada modelo expone en nuestra plataforma al momento de escribir esto. Si alguna vez generaste cuatro versiones de "una taza de cerámica sobre una mesa de madera" y obtuviste cuatro tazas distintas, esta es la solución.
Qué es imagen a video y por qué supera a texto a video en consistencia
Texto a video le pide al modelo que invente todo: sujeto, iluminación, composición, estilo y movimiento. Imagen a video elimina la mayor parte de esa invención. Tú aportas una imagen, y la tarea del modelo se reduce a una sola cosa: anima esto.
Esa reducción es la ventaja de consistencia. Tres casos donde imagen a video gana con claridad:
Productos
Un prompt de texto no puede reproducir de forma fiable tu producto real: la forma exacta del envase, la tipografía de la etiqueta, el color específico. Una generación de imagen a video que parte de una foto limpia del producto mantiene el producto real en pantalla: para e-commerce y publicidad, esa es la diferencia entre material utilizable e inutilizable.
Personajes
Texto a video reinventa las caras en cada generación. Si estás construyendo una mascota, un presentador virtual o cualquier personaje recurrente, imagen a video a partir de la misma hoja de personaje es la única forma práctica de mantenerlo reconocible entre clips. No es perfecto — las caras todavía derivan en duraciones largas —, pero supera a redescribir una cara con palabras.
Activos de marca
Logotipos, empaques, una tienda real, el retrato del fundador: cualquier cosa que deba verse como la cosa real tiene que entrar al pipeline como imagen. Las descripciones de texto de elementos visuales registrados producen aproximaciones.
La contrapartida es honesta: imagen a video restringe el modelo a lo que la imagen contiene. Cuando quieres una escena nueva y descabelladamente inventiva, texto a video sigue ganando. Para todo lo que necesita verse igual dos veces, empieza desde una imagen.
Paso 1: prepara una imagen de referencia que el modelo respete
La mayoría de los fallos de imagen a video son en realidad fallos de entrada. Los modelos siguen de cerca las imágenes buenas y tratan las malas como sugerencias vagas. Cuatro cosas importan más.
Resolución y nitidez
Sube la fuente de mayor calidad que tengas — idealmente igual o superior a tu resolución de salida objetivo (720p o 1080p en la mayoría de los modelos de aquí). Una imagen suave, comprimida o reescalada invita al modelo a alucinar detalle, y el detalle alucinado es donde los productos dejan de parecerse a tu producto. Evita marcas de agua, textos superpuestos y artefactos de JPEG.
Encuadre con espacio para moverse
Un sujeto recortado al ras de los cuatro bordes obliga al modelo a inventar el entorno o a apenas mover nada. Encuadra con espacio para respirar: la composición que quieres a mitad del clip, no en su momento más extremo.
Fondos limpios e intencionales
Los fondos cargados multiplican las superficies que pueden deformarse. Un producto sobre un fondo liso, un personaje contra un entorno simple, una separación de profundidad clara — todo eso se anima con mucha más fidelidad que el desorden. Si el fondo no importa para el plano, simplifícalo antes de generar.
Iguala la relación de aspecto de destino
Silenciosamente, el paso más importante. Sube una imagen cuadrada y pide un video 16:9, y el modelo tendrá que inventar los lados que faltan — las regiones inventadas son donde empieza la deriva de estilo. Recorta o expande tu referencia a la relación de aspecto exacta en la que vas a generar: 9:16 para redes verticales, 16:9 para horizontal. Diez segundos de recorte ahorran créditos en generaciones fallidas.
Paso 2: elige un modelo de imagen a video en veo4.dev
Distintos modelos aceptan distintos tipos de entrada de imagen, y la distinción importa. Un primer fotograma se convierte literalmente en el fotograma inicial de tu video; una imagen de referencia guía la generación de forma más laxa; un último fotograma define dónde termina el plano. Esto es lo que cada modelo expone en veo4.dev al momento de escribir esto:
| Modelo | Entrada de imagen | ¿Obligatoria? | Duraciones | Notas |
|---|---|---|---|---|
| Veo 3.1 | Primer fotograma + último fotograma | Opcional | 4 / 6 / 8 s | El único modelo aquí con ambos extremos; audio nativo; 720p/1080p |
| Veo 4 | Imagen de referencia | Opcional | 4 / 6 / 8 s | Audio nativo, prompt negativo, semilla; 16:9 o 9:16 |
| Kling v2.5 Turbo Pro | Primer fotograma | Opcional | 5 / 10 s | Gran realismo de movimiento; 16:9, 9:16 o 1:1 |
| Hailuo 2 | Primer fotograma | Opcional | 6 / 10 s | Enfocado en física; hasta 1080p; optimizador de prompts opcional |
| Seedance 2.0 | Imagen de referencia | Opcional | 5 / 10 s | El rango de relaciones de aspecto más amplio, incluidos 21:9 y 9:21 |
| Wan AI 2.2 | Imagen de referencia | Obligatoria | 81–121 fotogramas a FPS ajustables | Modelo dedicado de imagen a video; admite pesos LoRA |
| Happy Horse 1.0 | Imagen de referencia | Opcional | 5 / 10 / 15 s | Los clips individuales más largos de aquí; cinco relaciones de aspecto |
| Sora 2 | Imagen de referencia | Opcional | 4 / 8 / 12 s | Preajustes de vertical u horizontal |
Cómo elegir, en la práctica:
- Puntos de inicio y fin controlados — una transición, una revelación, un plano en bucle: Veo 3.1 es la única opción con entrada de primer más último fotograma, y genera audio de forma nativa.
- Un aspecto guiado con sonido: Veo 4 con imagen de referencia, prompt y semilla opcional.
- Tu imagen debe ser el fotograma inicial literal: Kling v2.5 Turbo Pro o Hailuo 2, que toman un primer fotograma y lo preservan de forma estricta.
- Animación pura de imágenes en volumen: Wan AI 2.2 es exclusivamente imagen a video — la imagen de referencia es obligatoria — y sus controles de número de fotogramas, FPS y LoRA lo convierten en la opción de quien le gusta trastear.
- Una relación de aspecto inusual: Seedance 2.0 cubre desde 21:9 ultrapanorámico hasta 9:21 vertical.
Puedes probar todos desde un solo panel en nuestra página de IA de imagen a video y comparar resultados antes de comprometer una campaña con un modelo.
Paso 3: escribe el prompt de movimiento — más corto de lo que crees
El error clásico al pasar a imagen a video: conservar los hábitos de texto a video — largas descripciones de sujeto, iluminación y estilo que la imagen ya contiene.
Cuando la imagen define el aspecto, tu prompt debería definir solo dos cosas:
Movimiento. Qué se mueve, a qué velocidad y adónde va la cámara. "Lento acercamiento mientras el vapor sube de la taza." "La cámara orbita la zapatilla 90 grados, de izquierda a derecha."
Audio, donde esté disponible. En Veo 4 y Veo 3.1, que generan sonido nativo, añade una breve indicación de audio: "ambiente suave de cafetería, jazz tranquilo".
Ese suele ser todo el prompt — una o dos frases. Redescribir la imagen perjudica activamente: si tu texto contradice los píxeles aunque sea un poco, le das al modelo dos amos, y la salida se deforma entre lo que ve y lo que lee. Describe lo que debe cambiar, no lo que ya existe.
Una plantilla útil: movimiento de cámara, luego acción del sujeto, luego movimiento del entorno, luego audio si está disponible. Los prompts negativos (Veo 4, Veo 3.1, Kling) son el lugar correcto para exclusiones como "sin deformaciones, sin distorsión, sin texto".
El flujo de trabajo de consistencia de serie para contenido episódico y de marca
Un buen clip es suerte; diez clips consistentes son un flujo de trabajo. Para una serie episódica, una campaña de línea de productos o contenido de marca recurrente, imagen a video se convierte en la columna vertebral de un sistema repetible:
- Crea un conjunto de activos canónicos. Una imagen maestra por personaje, producto o escenario — mismo estilo de iluminación, misma relación de aspecto, resolución completa. Esta es tu biblia visual.
- Genera cada clip a partir de la imagen canónica, nunca a partir de un fotograma de un video anterior. Encadenar fotograma a fotograma acumula deriva; para el quinto clip tu personaje es un desconocido. Vuelve siempre a la fuente.
- Mantén una biblia de prompts junto a la biblia de imágenes. Reutiliza la misma redacción para los movimientos de cámara y los momentos de audio recurrentes.
- Usa semillas donde estén disponibles. Veo 4, Veo 3.1, Hailuo 2, Seedance 2.0, Wan AI 2.2 y Happy Horse 1.0 exponen un campo de semilla para regeneraciones casi reproducibles.
- Para continuidad de escena a escena, usa los extremos de Veo 3.1. Establece el plano final del episodio uno como primer fotograma de la apertura del episodio dos, y el corte se vuelve invisible.
- Genera por lotes y luego selecciona. Generar tres tomas por plano y elegir la mejor es práctica estándar, no un fracaso.
Los equipos que comparan plataformas deberían leer nuestro desglose del mejor generador de imagen a video con IA — la versión corta: ocho modelos detrás de un solo sistema de créditos te permiten enviar cada plano al modelo que mejor lo maneje.
Fallos comunes de imagen a video — y sus soluciones
Tres patrones de fallo explican la mayoría de los créditos desperdiciados.
La imagen es ignorada
La salida apenas se parece a lo que subiste. Causas habituales: una imagen de baja resolución, una discrepancia de relación de aspecto que obliga a una reinvención mayor, o un prompt largo que contradice la imagen. Arregla primero la entrada; acorta el prompt después. En Wan AI 2.2, donde la imagen es la entrada central obligatoria, este fallo es el más raro.
Deformación que se aleja de la referencia
El clip empieza fiel y luego el sujeto se deforma — las caras cambian, las etiquetas se emborronan, la geometría se derrite. Esto empeora con la duración y la intensidad del movimiento. Soluciones: pide clips más cortos (4–6 segundos conservan la identidad mucho mejor que 10 o más), calma el movimiento, usa prompts negativos contra las deformaciones y mantén el sujeto clave lejos de los bordes del encuadre, donde los modelos inventan con libertad.
Deriva de estilo
El aspecto cambia a mitad del clip — la iluminación pasa de suave a dura, un producto fotorrealista se vuelve ligeramente ilustrado. Es común cuando el prompt implica un estilo que la imagen no tiene. Elimina por completo las palabras de estilo y deja que la imagen hable. Si la deriva persiste, prueba otro modelo; los estilos que se rompen en uno a menudo se sostienen en otro.
Cuando una generación falla, cambia una sola variable a la vez — imagen, prompt, duración o modelo — o nunca sabrás qué solución funcionó.
Preguntas frecuentes
¿Cuál es la diferencia entre una imagen de referencia y un primer fotograma?
Un primer fotograma (Veo 3.1, Kling v2.5 Turbo Pro, Hailuo 2) se convierte en el fotograma inicial literal, así que la preservación es estricta. Una imagen de referencia (Veo 4, Seedance 2.0, Wan AI 2.2, Happy Horse 1.0, Sora 2) guía el sujeto y el aspecto con más libertad interpretativa. Usa los modelos de primer fotograma cuando importe la continuidad exacta de píxeles.
¿Qué modelos de veo4.dev requieren una imagen?
Solo Wan AI 2.2 — es un modelo dedicado de imagen a video, así que su campo de imagen de referencia es obligatorio. En el resto de los modelos la entrada de imagen es opcional, de modo que el mismo modelo cubre trabajos tanto de texto a video como de imagen a video.
¿Puedo definir tanto el inicio como el final de un clip?
Sí, en Veo 3.1, que acepta un primer fotograma y un último fotograma en nuestra plataforma — la opción de referencia para transiciones, revelaciones y para unir planos consecutivos. Ningún otro modelo de nuestro catálogo expone actualmente una entrada de último fotograma.
¿Imagen a video cuesta más créditos que texto a video?
No — en veo4.dev el costo en créditos depende del modelo, la duración y la resolución que elijas, no de si adjuntas una imagen. Los clips más largos y las resoluciones más altas cuestan más; los usuarios nuevos reciben créditos iniciales gratuitos.
¿Qué resolución debería tener mi imagen de referencia?
Igual o superior a tu salida objetivo — al menos 1920x1080 para una generación de 1080p en 16:9. La nitidez importa tanto como el número de píxeles: una foto limpia en 1080p supera siempre a un reescalado borroso de 4K.
¿Puedo mantener el mismo personaje a lo largo de toda una serie?
En su mayor parte, sí — genera cada clip a partir de una única imagen canónica del personaje en lugar de encadenar salidas anteriores, mantén los prompts cortos y consistentes, y fija la semilla donde esté disponible. Espera variaciones menores y selecciona entre varias tomas; la consistencia perfecta todavía no es un problema resuelto.
En resumen
Imagen a video es el hábito de mayor apalancamiento en el video con IA ahora mismo: convierte una máquina tragamonedas creativa impredecible en una herramienta de producción controlable. Prepara una imagen nítida y bien encuadrada en la relación de aspecto correcta; elige el tipo de entrada que tu plano necesita — primer fotograma para continuidad estricta, imagen de referencia para aspectos guiados, primero más último en Veo 3.1 para transiciones —; limita el prompt a movimiento y audio; y construye las series sobre imágenes canónicas, no sobre salidas encadenadas.
Los modelos seguirán mejorando, pero este flujo de trabajo de imagen a video es duradero. La forma más rápida de interiorizarlo: pasa la misma imagen por dos o tres modelos y observa lo distinto que la mueven.