Cómo escribir prompts de escena para vídeo con referencias
Cuando un modelo de vídeo ya tiene imágenes de referencia de tu personaje o producto, el prompt cumple otra función: describe la escena, no el sujeto. Un buen prompt de escena indica el escenario, una acción principal, el movimiento de cámara, la luz y el final, en ese orden y en dos a cuatro frases sencillas. Esta guía te da esa estructura, ejemplos resueltos y los hábitos que rompen la consistencia sin que te des cuenta.
Por qué los prompts con referencias son distintos
En texto a vídeo, el prompt lo carga todo, así que la gente aprende a llenarlo de detalles de apariencia. Con referencias, esos detalles compiten con las imágenes. Si las referencias muestran pelo castaño corto y el prompt dice ondas caoba, el modelo mezcla ambas cosas y obtienes una tercera versión. La regla es sencilla: la identidad vive en las referencias y todo lo demás en el prompt.
Así, el prompt queda libre para lo que las referencias no pueden aportar: dónde ocurre el plano, qué se mueve y cómo se filma.
La estructura de cinco partes
1. Escenario. Una frase sobre el lugar y el momento: "Una pequeña cocina de panadería al amanecer, harina sobre la encimera de acero." Los sustantivos concretos funcionan mejor que los adjetivos. "Encimera de acero" le dice más al modelo que "cocina moderna".
2. Acción. Una acción principal por clip, en presente: "Ella saca una bandeja de pan del horno y la deja sobre la encimera." Dos acciones seguidas van bien en clips de ocho segundos o más. Con tres o más, suele salir movimiento apresurado o saltado.
3. Cámara. Indica el tamaño del plano y el movimiento: "Plano medio, avance lento." "Primer plano, en mano, leve balanceo." "Plano general, estático." Si no mencionas la cámara, el modelo elige una y lo hace distinto cada vez, lo que dificulta montar los clips juntos.
4. Luz. Indica la fuente y la dirección: "Luz cálida entrando por una ventana a la izquierda." La luz es uno de los principales desencadenantes de la deriva del rostro, así que descríbela de forma clara y mantenla similar en los clips que vayas a editar juntos.
5. Final. Di dónde termina el clip: "Termina cuando ella levanta la vista hacia la cámara y sonríe." Un fotograma final definido facilita el corte al siguiente plano.
Ejemplos prácticos
Personaje, plano cotidiano: "De pie en una cocina minimalista con luz cálida de la mañana, sirve café de una jarra de cristal en una taza blanca y luego levanta la vista y sonríe a la cámara. Plano medio, luz natural suave." Se parece mucho al prompt del clip de esta página.
Producto, plano protagonista: "La botella está sobre una piedra negra mojada, con pequeñas gotas en el cristal. Una órbita lenta alrededor, desde un ángulo bajo. Una sola luz dura desde atrás dibuja un contorno en los bordes. Termina con la etiqueta frontal mirando a la cámara."
Personaje, plano de diálogo: "Un despacho en casa con estanterías al fondo. Se inclina hacia la cámara y explica algo con una mano. Plano medio corto, cámara estática, a la altura de los ojos. Luz de día suave desde la derecha. Termina con una breve pausa y un asentimiento."
Fíjate en lo que falta en los tres: ni color de pelo, ni de ojos, ni ropa, ni descripción del logotipo. Las referencias se encargan de eso.
Duración, planos y formato
La duración cambia lo que cabe en un prompt. Según la guía de Kling de octubre de 2026, Kling 3.0 Omni genera hasta 15 segundos por solicitud y admite generación multiplano. Los clips de referencia de Veo 3.1 duran siempre 8 segundos, según la documentación de Google. Para un clip de tres o cinco segundos, escribe una acción. Para diez segundos o más, escribe dos, o usa descripciones de plano separadas si el modelo lo admite.
Cuando dos sujetos comparten escena, menciónalos por su etiqueta, como @Element1 y @Element2 en los modelos Omni de Kling, para que el modelo sepa quién hace qué. La relación de aspecto es un ajuste, no texto del prompt. Elige 9:16 para vídeo vertical en redes sociales y 16:9 para web y YouTube, en lugar de escribir "vertical" en el prompt.
Errores comunes y lista de comprobación
Repetir detalles de apariencia que ya están en las referencias. Palabras de estilo que chocan con las referencias, como "anime" cuando las referencias son fotos; si quieres un aspecto estilizado, usa referencias estilizadas. Relleno de calidad como "obra maestra, 8k, ultradetallado", que dificulta comparar prompts. Cambiar varias cosas a la vez cuando un clip falla; cambia una parte por intento para saber qué causó el problema.
Lista de comprobación: escenario en una frase; una acción por cada cinco segundos; tamaño de plano y movimiento de cámara indicados; fuente y dirección de la luz indicadas; un fotograma final; sin detalles de apariencia; relación de aspecto configurada en los ajustes.
RefVid está pensado para esta separación. El personaje o producto se guarda una vez con sus referencias, y el cuadro de prompt, de hasta 2.000 caracteres, es solo para la escena. No necesitas etiquetar el sujeto; RefVid adjunta el recurso al prompt por ti en Kling 3.0 Omni.
Preguntas frecuentes
- ¿Qué longitud debe tener un prompt de escena?
- Entre dos y cuatro frases, unas 30 a 70 palabras. Lo suficiente para cubrir escenario, acción, cámara, luz y final; lo bastante corto para que cada palabra cumpla una función.
- ¿Debo describir la apariencia de mi personaje en el prompt?
- No. Cuando las imágenes de referencia ya muestran al personaje, las palabras de apariencia compiten con ellas y provocan deriva. Describe la escena.
- ¿Puedo usar prompts negativos con vídeo de referencia?
- Algunos modelos y APIs aceptan un campo de prompt negativo. Puede suprimir artefactos concretos, como texto en pantalla, pero no corrige la deriva de identidad. Mejores referencias sí lo hacen.
- ¿Cuánto cuesta probar un prompt en RefVid?
- 31 créditos por segundo: 93 para un borrador de 3 segundos, 155 para 5, 310 para 10 y 465 para 15. Las primeras 50 cuentas reciben 630 créditos gratis. Las cuentas posteriores reciben 100, es decir, un clip de 3 segundos.
- ¿Funcionan los prompts generales de vídeo con IA con modelos de referencia?
- En parte. Los modelos de referencia ya conocen al sujeto, así que elimina las palabras de apariencia y conserva la escena: escenario, acción, cámara, luz y final.
- ¿Cómo funciona un prompt de escena a vídeo con referencias?
- Las referencias aportan quién o qué aparece en el plano; el prompt de escena indica dónde ocurre, qué pasa y cómo se mueve la cámara, en dos a cuatro frases.