Herramientas de IA para producir vídeo corto

Grabar un vídeo de treinta segundos puede llevarte tres horas, y casi nada de ese tiempo se va en la idea. Se va en teclear subtítulos, quitar silencios, buscar un plano de apoyo y exportar cuatro veces. Las herramientas de IA para vídeo corto sirven justo para esa parte mecánica, y este artículo separa las fases donde te ahorran una tarde de las fases donde te estropean el vídeo sin que te des cuenta.

Las fases de un vídeo corto y dónde encaja la IA

Un vídeo vertical de menos de un minuto pasa por las mismas fases que uno de veinte, solo que comprimidas. Si intentas automatizar el proceso entero con una sola herramienta, el resultado se nota: todos los vídeos suenan igual y ninguno dice nada. Si en cambio decides fase por fase, ganas horas reales sin perder voz propia.

Esta es la foto general antes de entrar en detalle:

La regla que uso es sencilla: la IA es muy buena en tareas con una respuesta correcta y aburrida (transcribir, normalizar, recortar silencio) y mediocre en tareas donde el criterio es el producto (qué cuentas, cómo lo cuentas, cuándo callas).

La idea no se delega

Lo digo pronto para quitarlo de en medio. Pedirle a un modelo "dame diez ideas de vídeo corto sobre marketing" te devuelve diez titulares que ya has visto cien veces. Sirve, en cambio, para lo contrario: le das tu idea, tus notas desordenadas o la transcripción de una conversación con un cliente y le pides que la ordene, que detecte el punto más contraintuitivo y que te diga qué sobra. Ahí sí aporta, porque el material de partida es tuyo.

Guion: la IA estructura, tú pones el criterio

Un vídeo corto no tiene guion en el sentido clásico. Tiene un gancho, un desarrollo de tres o cuatro golpes y un cierre. La IA es útil en tres cosas concretas:

• Comprimir. Le pasas un texto de 400 palabras y le pides 120 sin perder el dato central. Esto lo hace muy bien.
• Variar el gancho. Diez versiones de la primera frase, y tú eliges. Escribir diez tú solo cuesta mucho más.
• Detectar relleno. "Marca las frases que no aportan información nueva" es una instrucción que funciona bien y que te obliga a defender cada línea que decides mantener.

Lo que no funciona es pedir el guion entero desde cero. Sale correcto y muerto. Sale con estructura de listado, con transiciones tipo "pero aquí viene lo mejor" y con afirmaciones que suenan a dato sin serlo. Ahí está el riesgo grande: un vídeo corto no tiene sitio para matizar, así que un dato inventado se propaga tal cual y sin contexto.

Un esquema que da mejor resultado que "escríbeme un guion": le das el tema, el público, la duración objetivo en segundos, tu conclusión (la tuya, escrita por ti aunque sea mal) y le pides tres estructuras distintas para llegar a esa conclusión. Tú eliges una y la reescribes con tus palabras.

Cuenta en segundos, no en palabras

Para hablar a ritmo natural en español, calcula unas dos palabras y media por segundo. Un vídeo de 30 segundos son unas 75 palabras habladas; uno de 45, unas 110. Escribe el guion con ese tope delante y verás enseguida cuánto sobra. Es el mejor filtro contra el texto inflado que suele salir de un modelo.

Voz y audio: dos problemas distintos

Se mezclan siempre y no tienen nada que ver. Uno es generar voz, el otro es que la tuya se entienda.

Voz sintética: cuándo sí y cuándo no

Las voces generadas han mejorado mucho y en español ya no cantan tanto. Funcionan bien en vídeos sin cara: tutoriales de pantalla, listas, explicaciones sobre imágenes fijas. Funcionan mal en cuanto apareces tú, porque el desajuste entre tu cara y una voz que no es la tuya se nota aunque el espectador no sepa explicar por qué.

Hay dos casos donde directamente diría que no la uses. El primero, contenido de opinión: si la voz no es tuya, el vídeo pierde exactamente aquello que lo hacía tuyo. El segundo, clonar una voz que no te pertenece, aunque sea "de broma". Ahí el problema ya no es técnico.

Limpieza de audio: la parte que más se nota

El espectador perdona una imagen mediocre. No perdona un audio con eco. Antes de tocar nada más, arregla el sonido. Dos pasadas sencillas con ffmpeg resuelven la mayoría de los casos:

ffmpeg -i bruto.mp4 -af "afftdn=nf=-25,loudnorm=I=-14:TP=-1.5:LRA=11" -c:v copy limpio.mp4

El primer filtro reduce ruido de fondo constante (un ventilador, un aire acondicionado). El segundo normaliza el volumen a un objetivo habitual en plataformas de vídeo y audio. El parámetro nf es el suelo de ruido estimado: cuanto más negativo, menos agresivo. Si la voz te sale con eco metálico o suena a lata, baja la agresividad (prueba -35 en lugar de -25) y vuelve a escuchar con auriculares antes de dar el audio por bueno.

Los limpiadores de audio con IA hacen esto mismo con un botón y, en grabaciones malas, bastante mejor. El límite es el de siempre: no reconstruyen lo que no se grabó. Un micro de portátil a dos metros no lo salva ningún modelo.

Subtítulos: donde las herramientas de IA para vídeo corto rinden mejor

Si solo vas a automatizar una fase, que sea esta. Una transcripción automática buena es indistinguible de la manual salvo en nombres propios y términos técnicos, y sincronizarla a mano son veinte minutos por vídeo que no recuperas nunca.

Tienes dos caminos. El subtitulado automático de cada plataforma es gratis y no da trabajo, pero no controlas el estilo, cambia según dónde publiques y no te deja ningún archivo. Generar el subtítulo tú te da un fichero reutilizable en todas las plataformas y en tu propio montaje. Si vas por esa vía, en transcribir y subtitular vídeo con Whisper en tu propio equipo está el proceso completo, incluidos los tamaños de modelo y lo que pide cada uno.

La versión corta, con el modelo ya instalado en local:

whisper entrevista.mp4 --model medium --language Spanish --output_format srt

Los modelos más grandes aciertan más con nombres propios y con acentos marcados, pero piden bastante más memoria de gráfica. Con una RTX de gama media y 8 GB de VRAM te mueves cómodo en los modelos intermedios; para los grandes hace falta más VRAM o versiones optimizadas que reducen el consumo.

Elegir formato importa más de lo que parece:

Un archivo SRT es texto plano y lo corriges en treinta segundos:

1
00:00:00,480 --> 00:00:02,140
Esto es lo que nadie te cuenta

Para quemarlos ya con estilo propio:

ffmpeg -i limpio.mp4 -vf "subtitles=subs.srt:force_style='Fontname=Inter,Fontsize=16,Outline=2'" -c:a copy final.mp4

Fíjate en las comillas simples dentro de force_style: sin ellas, ffmpeg interpreta las comas como separadores de filtros y el comando falla. Es el error más habitual al quemar subtítulos por línea de comandos.

Dos avisos honestos. Uno: revisa siempre nombres propios, marcas y números. Es lo único que falla de verdad y es justo lo que te hace quedar mal. Dos: si quemas los subtítulos, respeta las zonas de seguridad. En vertical, la franja inferior se la come la interfaz de la aplicación y buena parte de tu texto acaba detrás del botón de compartir.

Cortes y montaje: automatiza lo mecánico, el ritmo lo decides tú

Aquí es donde más se promete y más se decepciona. Las herramientas que "montan solas" hacen bien una cosa: quitar silencios y descartes obvios para dejarte un corte bruto sobre el que trabajar. Eso te ahorra la parte tediosa. Lo que no saben es cuándo un silencio es un silencio y cuándo es un remate.

Si prefieres verlo antes de decidir, ffmpeg te lista los silencios sin tocar el vídeo:

ffmpeg -i limpio.mp4 -af silencedetect=noise=-30dB:d=0.4 -f null -

Te devuelve por consola los tiempos de inicio y fin de cada silencio de más de 0,4 segundos. Con esa lista delante decides tú qué cae. Baja el umbral de duración y el vídeo queda acelerado y agobiante; súbelo y se arrastra.

Del reencuadre automático diría lo mismo. Pasar de horizontal a vertical siguiendo la cara funciona en un plano fijo de una persona hablando, y falla en cuanto hay dos personas, movimiento lateral o algo escrito en pantalla que se sale del recorte. Para un plano estable, un recorte manual y fijo suele quedar mejor:

ffmpeg -i horizontal.mp4 -vf "crop=ih*9/16:ih,scale=1080:1920" -c:a copy vertical.mp4

Una advertencia sobre formatos: 9:16 y 1080x1920 son estables y te sirven para cualquier plataforma vertical. Los límites de duración, en cambio, cambian cada temporada. Comprueba el que se aplica hoy en lugar de fiarte de una cifra leída en un artículo.

Material de apoyo: B-roll, imágenes y capturas

Un vídeo corto se sostiene con dos o tres planos de apoyo bien puestos. Tienes tres fuentes y cada una tiene su momento.

• Capturas de pantalla y grabaciones tuyas. Siempre la mejor opción cuando explicas una herramienta. Son reales, son específicas y nadie más las tiene.
• Imágenes generadas. Útiles para fondos, texturas, ilustraciones abstractas y cabeceras. Si vas a usarlas a menudo, montarlo en tu equipo sale a cuenta: en generar imágenes en tu PC con Stable Diffusion y ComfyUI tienes el proceso y los requisitos. No las uses para representar hechos: una imagen generada de un producto real o de una persona real induce a error aunque tu intención sea decorativa.
• Vídeo de archivo. Cómodo y peligroso a partes iguales, porque tres creadores del mismo nicho acaban usando el mismo plano de una persona escribiendo en un portátil.

Para trabajar con material propio o con material del que tienes derechos, Daun te deja descargar el vídeo o quedarte solo con el audio, que es lo que necesitas cuando vas a transcribir una intervención tuya y no quieres arrastrar un archivo enorme por todo el flujo de trabajo. Con material de terceros la pregunta previa no es técnica: si no tienes permiso ni encaja en una excepción legal como la cita, no lo publiques.

Portada, título y descripción

En vídeo corto la portada pesa menos que en formato largo, pero sigue siendo lo que ve alguien que entra en tu perfil y decide si se queda. La IA sirve bien para generar variantes rápidas y compararlas: composición, encuadre del texto, versiones con y sin cara. El proceso concreto está en cómo generar miniaturas para YouTube con ChatGPT, y se aplica igual a una portada vertical cambiando la proporción.

Para el texto que acompaña, tres reglas que ahorran disgustos:

1. El título tiene que cumplir lo que promete el vídeo. Un gancho generado que exagera te da vistas un día y suscriptores enfadados el resto del mes.
2. La primera línea de la descripción es lo único que se lee de verdad. El resto es para el buscador.
3. Genera tres o cuatro variantes y elige tú. Aceptar la primera es lo que hace que todos los vídeos del nicho acaben llamándose igual.

Flujo completo y qué revisar siempre a mano

Así queda el proceso ordenado, con la parte automatizada y la parte que no conviene delegar:

1. Idea y ángulo. Manual. La IA solo ordena notas que ya son tuyas.
2. Guion. Asistido. Tú escribes la conclusión, el modelo propone estructura y comprime.
3. Grabación. Manual, con el mejor audio que puedas conseguir.
4. Limpieza de audio. Automática, escuchando el resultado con auriculares.
5. Corte bruto. Automático por silencios, revisado plano a plano.
6. Subtítulos. Automáticos, con repaso de nombres propios y números.
7. B-roll y gráficos. Mixto, con preferencia por material propio.
8. Portada y copy. Variantes generadas, elección manual.

Si esto forma parte de algo más grande (calendario de publicación, campañas, reciclaje de contenido), el reparto entre lo que conviene automatizar y lo que no sigue la misma lógica en el resto del embudo, y lo desarrollo por fases en software de IA para marketing.

Queda una última comprobación antes de publicar: mira el vídeo sin sonido y con el móvil en la mano. Si se entiende, si los subtítulos están bien colocados y si el texto no queda debajo de un botón, está listo. Esa revisión no la hace ninguna herramienta por ti, y es la que separa un vídeo publicable de uno que ya nadie va a ver entero.

Preguntas frecuentes

¿Merece la pena una herramienta de montaje automático todo en uno?

Para volumen alto y formato repetitivo, sí: te deja el corte bruto y los subtítulos hechos y tú solo pules. Para piezas donde el ritmo es el producto (humor, narrativa, cualquier cosa con un remate), acabas recolocando tanto que no ganas tiempo. La prueba honesta es cronometrar dos vídeos, uno por cada camino, y comparar.

¿Se nota si uso voz sintética?

En vídeos de pantalla con texto explicativo, la mayoría de la gente no lo distingue. En cuanto sales tú en pantalla, se nota. También se nota en frases largas con subordinadas, porque la entonación se aplana y todo suena igual de importante. Si vas a usarla, escribe frases cortas.

¿Los subtítulos automáticos de la plataforma valen o mejor los genero yo?

Para publicar en un solo sitio y salir del paso, valen. Si publicas el mismo vídeo en varias plataformas, si quieres controlar el estilo o si necesitas el texto para otras cosas (descripción, artículo, cortes), genera tú el archivo y reutilízalo. Además te queda una transcripción que puedes buscar meses después.

¿Hace falta un equipo potente para hacer todo esto en local?

Depende de la fase. Transcribir y limpiar audio va bien en cualquier portátil moderno, con más o menos paciencia. Generar imágenes es lo que de verdad pide gráfica: con 8 GB de VRAM trabajas sin problemas en resoluciones normales, y a partir de 12 GB dejas de preocuparte por el tamaño de los modelos. Lo que consume tiempo, en cualquier caso, no suele ser el ordenador: es revisar lo que la máquina te ha devuelto.