Experimento · Prototipo
Cinco anuncios en vídeo producidos en autónomo
Cinco anuncios verticales de 30 a 40 segundos con formatos distintos, producidos por agentes de principio a fin: guion, voz, imágenes y montaje.
Qué problema resuelve
Probar varios enfoques de anuncio en redes cuesta días de producción: guionista, locución, rodaje, montaje. Aquí el material para comparar sale de una sola sesión de trabajo, y la pregunta del experimento es qué partes de ese proceso se pueden dejar a la IA sin que el resultado se note.
Cómo funciona
- 01
Cinco formatos, no cinco copias
Cada anuncio usa un formato distinto: un noticiero con presentadora y rótulos de última hora, un testimonio en primera persona grabado como selfie, un directo en el que se adivina cuánta gente hay conectada, un día entero resumido en 30 segundos y un recibo de caja que se imprime con lo que costaría lo mismo por separado. Cada uno aprovecha un gancho distinto para poder comparar cuál funciona.
- 02
Cada cifra, comprobable
La regla de partida fue que cada dato que sale en un anuncio tiene que poder comprobarse con una captura real. Antes de escribir ningún guion se hizo un inventario de datos verificables a partir de una grabación de pantalla de la propia comunidad.
- 03
Presentadora y voces generadas
La presentadora se genera con IA y se sincroniza con su voz. Hay tres voces: una voz propia clonada en local con el consentimiento de su titular, y dos voces de locución comercial con licencia. Los clips con personas hablando son la pieza de más riesgo de todo el proceso.
- 04
Gráficos por programa, no por programa de edición
Los rótulos, los subtítulos palabra a palabra y los tickets de caja se dibujan con código (páginas web que se capturan fotograma a fotograma con transparencia), de modo que se pueden rehacer cambiando solo el guion.
- 05
Montaje reproducible
Un script monta cada anuncio desde un fichero de línea de tiempo: concatena los planos, superpone los gráficos, mezcla la voz con la música con reducción automática del volumen de la música cuando se habla y normaliza el nivel de sonido.
Cómo se produjo
El proceso se montó como una cadena de piezas que se pueden rehacer por separado:
- Inventario de datos. Se revisó una grabación de pantalla de dos minutos de la comunidad y se anotó qué cifras podían ponerse con garantía.
- Cinco guiones, uno por formato, con los primeros dos segundos pensados como gancho.
- Voces. Primero el guion completo de una vez por voz; después se corta por frases.
- Imágenes y vídeo. Se generan con IA las personas (presentadora, un presentador en formato selfie, un reportero) y planos de apoyo de cinco segundos; el resto es material real recortado a vertical.
- Gráficos con código y montaje con un script.
El stack, explicado
El «stack» son las herramientas con las que está hecho. Cada una resuelve una parte:
- Generadores de imagen y vídeo con IA para las personas y los planos de apoyo.
- Clonación de voz en local: el audio de referencia no sale del ordenador y solo se usa con permiso de su titular.
- Whisper, un modelo de transcripción, para los subtítulos palabra a palabra, con una lista de correcciones para los nombres propios que se transcriben mal.
- ffmpeg, el programa estándar de vídeo, para recortar, superponer, mezclar el sonido y normalizarlo.
- Un navegador controlado por código para dibujar los gráficos con transparencia.
Qué aprendimos
- El avatar que habla es lo más caro y lo menos fiable. Un modelo de vídeo acertaba la boca en unos clips y fallaba en otros, sin patrón. La regla que salió: solo se usa si se puede revisar clip a clip antes de montar; si no, voz en off más planos de apoyo y capturas reales, que fue lo que mejor funcionó en tres de los cinco.
- Los clips con persona hablando necesitan medio segundo de aire delante: sin él, la boca arranca tarde respecto a la voz.
- Elegir modelo antes de gastar. Un modelo más barato ya estaba señalado en nuestro radar de novedades de IA; llegamos a la misma conclusión gastando unos 500 créditos en clips desechados. Desde entonces se consulta el radar antes de elegir modelo de vídeo o de voz.
- Una voz clonada, de una tirada. Si se genera por frases sueltas, el timbre cambia y el oyente percibe «tres voces distintas».
Límites honestos
Es un experimento de producción, no un estudio de resultados. Nos dice qué se puede producir con agentes en una sesión y dónde hay que revisar a mano; no dice qué formato convertiría más. Para eso haría falta ponerlos en campaña y medir el coste por contacto.
Con qué está hecho
- Generación de imagen y vídeo con IA
- Clonación de voz en local
- Whisper (subtítulos palabra a palabra)
- ffmpeg
- Gráficos con código y Playwright
- Python
Qué hicimos
- Cinco anuncios terminados, de 30 a 40 segundos cada uno, en formato vertical 1080 × 1920, con el sonido normalizado a un nivel de emisión estándar.
- Producción completa de los cinco en una sola sesión de trabajo.
- Un cambio de modelo de vídeo para sincronizar los labios bajó el coste por clip largo (de unos 11 segundos) de unos 97 créditos a unos 16 y, además, dio sincronía exacta en el audio incrustado.
- La voz clonada cambiaba de timbre entre frases cortas. Se resolvió generando el guion entero de una sola tirada y troceándolo después con las marcas de tiempo de la transcripción.
- La pronunciación se corrige por perfil de voz: una grafía forzada funciona para la voz clonada y es incorrecta para la locutora, así que cada voz tiene la suya.
Qué no entraba
- No se ha medido el rendimiento de los anuncios en campaña: lo que se probó es la producción, no la conversión.
- El avatar hablando no es fiable en todos los clips, por eso en dos de los cinco anuncios se descartó.
¿Tienes un proyecto parecido?
Cuéntanos qué necesitas y te decimos cómo lo haríamos y si te sale a cuenta.
Hablemos