Por qué la IA dejó fuera los truenos: cómo escribir prompts de sonido y movimiento para videos ambientales
¿Un sonido que pediste no está en el clip, o en la imagen se mueve lo que no era? Cómo leen tu prompt los generadores de sonido y video con IA, por qué se pierden cosas, y cómo escribir prompts que salgan bien más a menudo.
Pides una tormenta y te llega una lluvia constante sin truenos. Añades cantos de pájaros a un bosque y los pájaros nunca cantan. Describes nieve que cae al otro lado de una ventana, y la nieve apenas se mueve mientras parpadea una vela en el alféizar. No falló nada y no se saltó ningún paso. La IA generativa a veces hace esto, y vale la pena saber por qué, porque el porqué te dice cómo escribir el siguiente prompt.
Usamos Every Mood Studio para los ejemplos, pero casi todo lo que sigue sirve para cualquier herramienta de sonido o video con IA.
¿Por qué el mismo prompt da resultados distintos?
Un generador de IA no busca un sonido o una imagen en una biblioteca. Crea uno nuevo cada vez, y parte de ese proceso es aleatoria. Si usas la misma descripción dos veces, obtienes dos versiones distintas: en una la lluvia es más intensa, en otra cambia el ritmo, en una hay truenos y en la siguiente no. Por eso ninguna herramienta puede prometer que se oirá o se verá cada palabra de tu descripción.
Por eso también Every Mood Studio incluye regeneraciones. Cada crédito que gastas en un proyecto incluye una regeneración gratis de cualquier cosa del proyecto: el sonido, una imagen o el bucle de video. Después, 1 crédito cubre 2 más, y la app siempre pregunta antes de cobrar. Las generaciones fallidas no cuentan.
Cómo convierte el modo Sonido tus palabras en sonido
En el modo Sonido, un modelo de efectos de sonido crea un solo clip de 30 segundos a partir de tu descripción, y ese clip se repite durante todo el video, dure 30 minutos o 10 horas. De ahí salen tres cosas:
- Tu descripción es la única instrucción que recibe el modelo. El texto del campo Descripción del sonido llega al generador tal como lo escribiste, hasta 400 caracteres, con una breve nota que pide un bucle sin cortes. Solo cuando la descripción tiene pocas palabras se le añade delante una descripción base más completa.
- Todo tiene que caber en los mismos 30 segundos. Cada sonido que añades compite con los demás por esos segundos.
- Lo que entra en el clip se repite. Un solo trueno en el clip vuelve cada 30 segundos. Un clip sin truenos es un video entero sin truenos.
Además, el generador está ajustado para sonar natural en lugar de seguir cada palabra al pie de la letra. Así el ambiente no suena sintético, pero cada palabra de tu descripción es una petición fuerte, no una orden.
Por qué faltan sonidos
Demasiados sonidos
En pruebas con proyectos reales, unos tres sonidos distintos salen de forma fiable en un clip de 30 segundos. Si añades un cuarto, uno de ellos suele desaparecer. «Lluvia, truenos, un fuego crepitante, campanillas de viento y un búho» son cinco sonidos, así que cuenta con que falten un par.
Un sonido fuerte tapa a los demás
Un sonido grande y denso, como un aguacero, una cascada o un fuego que ruge, es fácil de hacer bien para el modelo, y puede llenar todo el clip del primer segundo al último sin dejar sitio para nada que vaya y venga. Si lo que importa son los truenos, haz que sean el sonido principal y deja la lluvia moderada.
Las palabras suaves hacen desaparecer los sonidos
Un sonido descrito como suave, delicado, tenue o lejano ("soft", "gentle", "faint", "distant") suele salir tan bajo que no se distingue. Para un sonido de fondo que quieres oír, escribe "clearly audible" (claramente audible).
Los sonidos ocasionales son una apuesta en 30 segundos
Un trueno, un perro que ladra o la bocina de un tren son eventos, no texturas. En 30 segundos el modelo puede poner uno, varios o ninguno. Esa es la razón principal para escuchar la vista previa antes de seguir.
Cómo escribir un prompt de sonido que salga bien más a menudo
Los ejemplos van en inglés, como las plantillas del estudio, y puedes pegarlos tal cual. Al lado tienes lo que significa cada parte.
- Empieza por el sonido principal, el que suena todo el tiempo.
- Luego escribe "In the background:" (de fondo:) y como mucho dos sonidos más.
- Di con qué frecuencia: "throughout" (todo el tiempo), "every few seconds" (cada pocos segundos), "now and then" (de vez en cuando).
- Llama a los sonidos de fondo "clearly audible" (claramente audibles), nunca suaves ni lejanos.
- Di lo que no quieres: "no music, no voices" (sin música, sin voces).
Una tormenta, escrita así:
Truenos graves que retumban cada pocos segundos sobre una lluvia constante en una calle de la ciudad de noche. De fondo: agua que gorgotea en un bajante, claramente audible. Sin música ni voces.
Una playa:
Olas del mar que llegan a una playa de guijarros todo el tiempo. De fondo: gaviotas que graznan de vez en cuando y viento sobre el agua, claramente audibles. Sin música ni voces.
Mejorar con IA escribe las descripciones con esta forma por su cuenta: primero el sonido principal, hasta dos más después de "In the background:" y ningún sonido que no hayas pedido. Puedes editar su texto antes de generar, y lo que dejes en el campo es exactamente lo que recibe el generador.
Después, escucha los 30 segundos enteros
La vista previa del paso Escuchar sonido es el clip exacto que se va a repetir, no una muestra de algo más largo. Escúchalo entero y hazte dos preguntas: ¿están todos los sonidos que necesito? ¿Hay algo que se volverá molesto al repetirse cada 30 segundos? Si falta un sonido que necesitas, presiona Generar nueva versión, o reescribe la descripción y prueba otra vez. Todas las versiones quedan en la lista, así que puedes volver atrás y quedarte con la mejor.
Por qué la imagen no se movió como la describiste
El bucle de video funciona de forma parecida. Eliges una de cuatro imágenes y un modelo de imagen a video la anima en un bucle de 10 segundos. Antes, una IA mira la imagen y escribe un prompt de movimiento corto: qué cosas deben moverse y cómo. El animador decide cuánto se mueve cada una, y un movimiento fuerte y evidente, como unas llamas que parpadean, puede acaparar la escena mientras lo que de verdad te importaba apenas se mueve.
Desde el 20 de octubre, cuando tu descripción visual dice qué es lo más importante (por ejemplo, "what matters most: the falling snow", es decir, lo más importante: la nieve que cae), el prompt de movimiento empieza por eso y lo pide como el movimiento más fuerte. También puedes tomar el control tú:
- Después del primer bucle, el prompt de movimiento aparece debajo del video. Si lo que te importa no va primero, presiona el lápiz (Editar Prompt de Movimiento), escribe el tuyo o presiona Análisis IA de Imagen para recibir una sugerencia nueva, y luego Generar con Este Prompt.
- Pon primero el movimiento principal y mantén la lista corta: "Snowflakes drift down steadily past the window. The candle flame flickers. Static camera." (Los copos de nieve caen sin parar al otro lado de la ventana. La llama de la vela parpadea. Cámara fija.)
- Deja fuera lo que no necesita moverse. Cada elemento de más se reparte el movimiento.
- Elige una imagen donde lo que se mueve sea grande y claro. Unas olas que llenan el encuadre muestran mucho más movimiento que una franja fina de mar en el horizonte.
Cuando una regeneración no basta
Si ya probaste un par de versiones y un sonido o un movimiento sigue sin salir, cambia la descripción en lugar de repetirla: menos sonidos, el que falta en primer lugar, sin "soft". Es mejor uso de una regeneración que volver a tirar los mismos dados.
La versión paso a paso de todo esto está en el tutorial un video de tormenta con lluvia corriendo por la ventana, y la guía completa del Modo Sonido cubre duraciones y precios.
Preguntas frecuentes
¿Cuántos sonidos puede incluir una generación del modo Sonido?
Unos tres sonidos distintos salen de forma fiable: un sonido principal que suena todo el tiempo y hasta dos más. Si pones más, el generador suele dejar alguno fuera.
¿Sirve separar el sonido principal de los ocasionales?
El generador recibe tu descripción como un solo texto; no hay un campo aparte para los sonidos de fondo. Escribir primero el sonido principal y el resto después de "In the background:" es la forma más clara de decir cuál importa más, y es la estructura que usa Mejorar con IA.
¿El texto de Mejorar con IA llega de verdad al generador de sonido?
Sí. El texto del campo Descripción del sonido se envía tal cual, hasta 400 caracteres, cortado al final de una frase o de una palabra. Antes del 6 de octubre, las descripciones más largas se cortaban a los 200 caracteres, así que los últimos sonidos podían perderse. Ya está corregido.
¿Cómo hago que un sonido sea continuo y los demás ocasionales?
Dilo con palabras: "throughout" (todo el tiempo) para el sonido principal, "every few seconds" (cada pocos segundos) o "now and then" (de vez en cuando) para el resto. El modelo lo respeta la mayoría de las veces, no siempre, así que revisa la vista previa. Un sonido ocasional que entre en el clip volverá cada 30 segundos.
¿Cómo mantengo constante el ritmo de un sonido?
Todo el video repite un solo clip de 30 segundos, así que el ritmo no puede cambiar con las horas: si es constante en la vista previa, es constante en el video. Describe el movimiento como movimiento ("walking through snow", caminando sobre la nieve; "waves rolling in", olas que llegan) y no como "at an even pace" (a ritmo uniforme), que en las pruebas hizo que los pasos sonaran como alguien que camina sin avanzar. Si el ritmo cambia dentro de la vista previa, genera una nueva versión.
¿Me devuelven los créditos si el resultado no es lo que quería?
Los créditos pagan la generación en sí. Por eso cada crédito trae una regeneración gratis, y los resultados que simplemente no coinciden con lo que imaginabas no se reembolsan. Las generaciones fallidas no gastan tus regeneraciones, y si algo está realmente roto, escríbenos.