Reference to video: cómo funciona y cómo hacerlo bien

El texto a vídeo parte solo de palabras. El modelo decide cómo es el sujeto, así que dos clips con el mismo prompt muestran dos personas distintas.

La imagen a vídeo parte de una sola foto y la anima. El primer fotograma coincide con tu imagen, pero lo que la foto no muestra, como el otro lado de una cara, se inventa al moverse la cámara. Además, cada escena nueva necesita su propia imagen inicial.

Este enfoque separa el sujeto de la escena. Las referencias indican quién es; el prompt, dónde está, qué pasa y cómo se mueve la cámara. El modelo puede situar al sujeto en una escena o desde un ángulo que ninguna imagen muestra y mantener aun así su identidad. Por eso encaja tan bien en series, anuncios y relatos cortos.

La mayoría de modelos de referencia te permiten señalar cada entrada dentro del prompt. Los modelos Omni de Kling agrupan las imágenes de un mismo sujeto en un elemento y lo nombran como @Element1; otros direccionan las imágenes por posición. Nombrarlas importa cuando un plano tiene dos sujetos: así el modelo sabe qué imagen es la persona y cuál el producto.

El modelo trata todo lo que aparece en una referencia como parte del sujeto, salvo que le indiques lo contrario. Una marca de agua, un fondo cargado o un filtro de color fuerte pueden colarse en el resultado. Pocas referencias limpias superan a muchas referencias.

Kling 3.0 Omni acepta hasta siete imágenes de referencia, o un vídeo de referencia de 3 a 10 segundos más hasta cuatro imágenes, según la guía del propio Kling. Genera hasta 15 segundos por solicitud en 720p o 1080p y está disponible a través de la API de Kling y de proveedores como fal.ai.

Kling 4.0 se lanzó en la app de Kling el 15 de octubre de 2026. Según su guía, admite hasta 15 entradas de referencia por solicitud, incluidas hasta 10 imágenes, y clips de 3 a 30 segundos. Su API para desarrolladores aparece todavía como próximamente.

Google Veo 3.1 llama a este modo Ingredients to Video. La documentación de Google admite hasta tres imágenes de referencia de una misma persona, personaje o producto, y las generaciones con referencias duran siempre 8 segundos.

Seedance 2.5 de ByteDance y MiniMax H3 también ofrecen modos con varias referencias. Sus límites varían según el proveedor de API, así que revisa el que vayas a usar.

Para una persona: una vista frontal clara, una de tres cuartos, un perfil y un primer plano de cualquier rasgo distintivo, como gafas o un tatuaje. Misma ropa y peinado en todas las imágenes.

Para un producto: el ángulo principal, la parte trasera o lateral, un primer plano nítido del logotipo o la etiqueta y una toma que muestre la escala, como el producto en una mano.

La luz debe ser suave y uniforme, los fondos lisos y las imágenes nítidas a tamaño completo. Evita filtros, textos superpuestos y compresión excesiva. Tres a cinco imágenes buenas suelen superar a diez mezcladas. Si un modelo tiene un tope de tres, elige las vistas que más identidad aportan por imagen.

Deja al sujeto fuera del prompt y pon la escena dentro. Omite el color del pelo y la ropa; describe lugar, acción, cámara y luz. Por ejemplo: "Está de pie en una playa ventosa al atardecer dorado, mira al mar y luego a cámara. Acercamiento lento de plano medio a primer plano."

No contradigas las referencias. Si las imágenes muestran pelo castaño y el prompt dice rubio, el modelo tiene que elegir y obtienes una mezcla. Si quieres un cambio, crea referencias nuevas.

Una acción por plano funciona mejor que tres. Un clip que debe encajar un paseo, un giro, una recogida y una risa en cinco segundos tiende a acelerarse y perder identidad en las partes rápidas.

La cara cambia cuando el sujeto se gira. Añade una referencia de perfil: el modelo está adivinando un ángulo que nunca le mostraste.

La etiqueta del producto se redibuja. Encuadra el plano para que la etiqueta no sea el foco o añade un primer plano más nítido. La letra pequeña sigue siendo el punto más débil de los modelos actuales.

El fondo de una referencia aparece en la escena. Sustituye esa imagen por otra sobre un fondo liso.

Un clip de un lote sale mal mientras los demás están bien. Suele ser azar: genera de nuevo con las mismas entradas antes de cambiar nada.

RefVid está diseñado en torno a este modo. Inicias sesión, creas un personaje o producto y subes entre 1 y 5 imágenes de referencia: JPG, PNG o WebP, de al menos 300 px y hasta 10 MB cada una, con la vista principal primero. Después escribes un prompt de escena, eliges una duración de 3 a 15 segundos y generas. Los clips se hacen con Kling 3.0 Omni y suelen tardar de 2 a 10 minutos. RefVid pasará a Kling 4.0 cuando abra su API.