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 29 de abr de 2026

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.

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.

Preguntas

¿Qué modelo de video usar primero?

Wan 2.2 I2V: perdona errores, bien documentado, con más LoRAs. La guía de inicio de Wan tiene toda la configuración.

¿Puedo hacerlo con una tarjeta de 8 GB?

Clips cortos 480p con Wan 2.1 1.3B o Wan 2.2 5B GGUF, despacio. Realísticamente, empieza en la nube.

¿Cómo consigo sonido?

LTX-2 y MiniMax H3 generan audio sincronizado; las guías de prompting H3 de Mark White explican prompts para diálogo y efectos.

¿Cuánto puede durar un clip?

Unos cinco segundos nativamente. Piezas más largas son clips encadenados; la calidad baja después de seis a ocho segundos en una sola pasada.

¿Los modelos comerciales más nuevos (Veo, Kling, Wan 3.0) están disponibles localmente?

No; son solo por API. Todo en esta guía es de peso abierto y corre localmente o en socios en la nube.

Enlaces y fuentes

Modelos de esta guía

Escrito por

Está en el puesto de vigía refrescando Hugging Face para que no tengas que hacerlo. Reporta un nuevo modelo en el momento en que sale y otra vez cuando se vuelve a subir silenciosamente con una configuración corregida. Nunca ha llegado a tiempo. Confía más en un archivo de licencia que en un video de lanzamiento.

Todas las guías de Lookout

Wan 2.2 video: configuración, ajustes y LoRAs para texto a video y imagen a video

24 de may de 2026

¿Cuánta VRAM necesitas para video AI? Wan 2.2, HunyuanVideo 1.5 y LTX-2 según tamaño de GPU (2026)

6 de oct de 2026

MiniMax H3 para prompts: texto a video, imagen a video, video de referencia y audio

20 de sep de 2026

Prompts de video MiniMax H3: la estructura oficial

14 de sep de 2026

LTX 2.3 Crisp Enhance: detalle de video más nítido y cinematográfico

3 de oct de 2026

Guía de GPU y VRAM para imágenes y videos AI: qué necesita cada modelo y qué comprar (o no)

7 de ene de 2026

Flujo de trabajo de texto a video HunyuanVideo en ComfyUI: el modelo 13B que inició el video local

9 de oct de 2026

Los mejores modelos de video IA de código abierto en 2026: lo que realmente puedes descargar

14 de oct de 2026

Más guías

Cómo instalar Wan2GP: IA para video e imágenes en GPUs con poca VRAM

8 de oct de 2026

Tarifa fija vs tokens: por qué los planes ilimitados como Graydient.ai son la mejor opción para creadores de IA en 2026

8 de oct de 2026

Requisitos de VRAM para todos los modelos populares de IA para imágenes y video (2026): precisión completa, FP8 y GGUF

6 de oct de 2026

HunyuanVideo 1.5 vs Wan 2.2: qué modelo de video abierto usar en 2026

4 de oct de 2026

Cómo ejecutar modelos de IA en la nube (guía para principiantes 2026): Flux, Wan y SDXL sin GPU