Generación de video con IA para principiantes: de imagen a video, de texto a video y el primer clip con Wan, LTX-2 y H3

Q: Falta de memoria a 720p

Cuadros por resolución exceden la VRAM. Baja a 480p o menos cuadros, descarga el codificador de texto; mira la guía de VRAM para video AI.

Tema: Modelos de vídeo

Por Lookout

Publicado el 2026-04-29

La primera semana con modelos de video abiertos: la diferencia entre texto a video y imagen a video y por qué empezar con este último, las tres familias de modelos que vale la pena aprender (Wan 2.2, LTX-2, MiniMax H3), conteos de cuadros y resoluciones que funcionan, cómo escribir un prompt de movimiento, qué esperar de una tarjeta de 16 o 24 GB frente a la nube, y cómo convertir clips de cinco segundos en algo más largo.

Resumen

Los modelos de video son modelos de imagen con un eje temporal: el mismo ciclo de denoising se aplica a un bloque de cuadros a la vez, así que todo lo que sabes sobre prompts, semillas y denoise se aplica igual, y también los costos, multiplicados por la cantidad de cuadros. Las consecuencias prácticas para un principiante son tres. Empieza con imagen a video (I2V), porque una buena imagen fija de un modelo de imagen fija la composición y el estilo, y deja que el modelo de video solo invente el movimiento. Mantén los clips cortos (unos cinco segundos), porque eso es para lo que entrenaron los modelos. Y espera usar los modelos grandes en la nube a menos que tengas una tarjeta de 24 GB.

Tres familias abiertas cubren la mayoría de las necesidades en 2026.

Wan 2.2

(Alibaba) es el todoterreno: un modelo de 5B que corre en 12-16 GB y un modelo de dos expertos de 14B con la mejor calidad abierta, además de un enorme ecosistema de

LoRA

para movimiento y estilo.

LTX-2

(Lightricks) es rápido y genera audio sincronizado pero necesita 24-32 GB.

MiniMax H3

es el modelo audio-video con diálogo y efectos de sonido, usado mayormente a través de flujos de trabajo alojados; las guías de prompting H3 de Mark White en este sitio profundizan en ello.

Hunyuan

Video 1.5 es una alternativa más ligera a

Wan

14B.

El catálogo lista cada modelo de video y sus LoRAs con la base y tamaño a los que apuntan (5B o 14B, experto de alto o bajo ruido), y las páginas de modelos muestran clips de ejemplo con sus prompts. El botón Run abre el modelo en

PirateDiffusion

, donde un comando de workflow produce el clip a partir de una respuesta a tu imagen, o en

BitVector

Referencia

Nombre	Tipo	Qué es
I2V (image to video)	mode	Animar una imagen fija. Mejor modo para empezar: la composición ya está bien; el prompt describe solo el movimiento.
T2V (text to video)	mode	Solo a partir de un prompt. Más variedad, menos control; úsalo para ideas y B-roll.
FLF2V / first-last frame	mode	Dos fotogramas clave; el modelo llena el movimiento entre ellos. Transiciones controladas.
Frames and fps	setting	Wan: 81 cuadros a 16 fps (5 s); LTX-2: 97-121 cuadros a 24-25 fps; H3: 145 cuadros a ~24 fps. La memoria escala con los cuadros.
Resolution	setting	Wan 2.2: 832x480 o 480x832 (rápido), 1280x720 (24 GB+); LTX-2 hasta 1080p+ con 32 GB. Retrato para personas, paisaje para escenas.
Motion prompt	prompt	Un movimiento del sujeto más uno de cámara: "ella se gira hacia la ventana y sonríe; acercamiento lento". Evita listar detalles de la escena que ya están en la imagen.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 pasos divididos 10/10 entre expertos, CFG 3.5, shift 5; 5B: 20-30 pasos, CFG 5; LTX-2: 25-30 pasos con su propio calendario; LoRAs destiladas (lightx2v) llevan a Wan a 4-8 pasos con CFG 1.
Motion LoRAs	file	Movimientos de cámara, bailes, gestos, física; adaptados a 5B/14B y al experto. Las páginas aquí nombran el objetivo.
Interpolation and upscale	post	RIFE o FILM a 32-60 fps; ESRGAN cuadro a cuadro o SeedVR para resolución.

Tu primer clip sin GPU

BitVector Prism anima una imagen fija con los modelos Wan de esta guía en el navegador: sube la imagen, escribe la frase de movimiento, descarga el clip. Nada que instalar, funciona desde una laptop.

Probar BitVector

Paso a paso

Haz o elige una imagen fija: un render 1024x1024 o 832x1216 con un sujeto claro y fondo simple. Las caras más grandes que una décima parte del cuadro animan mejor.
Abre una página del modelo Wan 2.2 I2V en este sitio, copia el patrón de prompt de movimiento de ejemplo y presiona el botón Run (PirateDiffusion: responde a tu imagen con el comando /workflow; BitVector: sube y elige el modelo).
Escribe un prompt de movimiento con una frase para el sujeto y una para la cámara. Nada sobre ropa, colores o iluminación; la imagen ya tiene eso.
Genera a 832x480 (paisaje) o 480x832 (retrato), 81 cuadros, pasos por defecto. Mira todo el clip; juzga el movimiento, no la nitidez.
Itera solo en el prompt de movimiento: verbos más lentos ("lentamente", "suavemente") reducen movimientos bruscos; una sola instrucción de cámara evita saltos.
Localmente, con una tarjeta de 16 GB: Wan 2.2 5B fp8 o GGUF, 832x480, 49-81 cuadros, codificador de texto en CPU. Con 24 GB: 14B fp8 a 480p, 720p con el codificador descargado. Mira la guía de
VRAM
para video AI.
Piezas más largas: toma el último cuadro del clip uno como imagen inicial del clip dos con un prompt de movimiento continuo; une en un editor; interpola a 30 fps y escala al final.
Agrega sonido: LTX-2 y H3 generan audio con el clip; para Wan, añade música o efectos en el editor.

Ejemplos

Prompt de movimiento para I2V

Positive: she lifts the coffee cup, takes a sip and looks out of the window; slow push-in, shallow depth of field, natural motion

Negative (Wan): static, blurry, distorted face, extra fingers, jump cut, text

Comando workflow de PirateDiffusion

/workflow /run:wan22-i2v she lifts the coffee cup and looks out of the window, slow push-in /length:81 (as a reply to the still)

ComfyUI Wan 2.2 5B en 16 GB

Consejos

Los verbos de movimiento importan más que los adjetivos: "gira, camina, levanta, vierte, saluda" producen movimientos distintos y confiables; "hermoso cinematográfico" no produce nada.
Un movimiento de cámara por clip: acercamiento, alejamiento, paneo a la izquierda, órbita. Dos movimientos causan un temblor.
Las imágenes en retrato animan mejor las caras; las en paisaje animan mejor los ambientes.
Las LoRAs Wan para el experto de alto ruido moldean el movimiento; las de bajo ruido moldean el detalle. Muchos paquetes traen ambos; carga cada una en su experto.
Las LoRAs destiladas (lightx2v, FastWan) reducen Wan de 20 pasos a 4-6 con CFG 1 sin mucha pérdida de calidad; las páginas de modelos las listan.
Espera 3-10 minutos por clip en una 4090 para Wan 14B y unos 90 segundos para LTX-2; la nube devuelve la mayoría de clips en uno o dos minutos.

Revisa la página del modelo para 5B/14B y alto/bajo ruido; carga según su palabra clave.

Wan 2.2 14B, LTX-2 y H3 desde Telegram

PirateDiffusion ejecuta los modelos grandes de video en GPUs de servidor: responde a cualquier imagen con un comando workflow y el clip vuelve en el chat. Generación ilimitada a precio fijo, no necesitas tarjeta de 24 GB.