Automatizar la producción de vídeo con agentes de IA: un flujo que funciona

Un vídeo corto de producto solía significar un briefing, un freelance, dos rondas de comentarios y una semana. Hoy un agente de código puede tomar un briefing de un párrafo, escribir el guion, generar cada plano, grabar la locución y renderizar un MP4 mientras usted revisa otra cosa. Todas las piezas existen. Lo que a la mayoría de los equipos les falta es el cableado: qué etapa corre en qué modelo, cuánto cuesta cada una y en qué punto una persona debe mirar antes de que algo salga publicado.

Este es el montaje que construiríamos hoy. Siete pasos, una hoja de costes que puede recalcular para su propio lote, dos puntos de aprobación y los pasos de declaración de las plataformas que la mayoría de los flujos automatizados olvida hasta que un vídeo se etiqueta o se retira.

El flujo, etapa por etapa

Los artículos publicados sobre flujos de vídeo con agentes convergen en la misma forma. MindStudio describe cinco agentes: guion, storyboard, generación de imagen o vídeo, voz y montaje. Un segundo texto de MindStudio sobre marketing de contenidos lo ordena así: guion y lista de planos, locución con marcas de tiempo por palabra, generación de vídeo y, al final, montaje, subtítulos y exportación. Usamos el mismo esqueleto con un añadido, una etapa de revisión explícita, porque ahí es donde se ahorra el dinero.

Del briefing al guion y la lista de planos. Un LLM convierte el briefing en un guion hablado y una lista numerada de planos, cada uno con su duración, un prompt visual y la línea de locución que acompaña.
Imágenes de storyboard. Una imagen fija barata por plano, para juzgar la composición antes de pagar el movimiento.
Control uno: aprobación humana del guion y de las imágenes.
Generación de planos. Cada imagen o prompt aprobado se convierte en un clip de vídeo con el modelo que encaja con ese plano.
Locución. Texto a voz a partir del guion aprobado, dividido por plano o por párrafo.
Montaje y subtítulos. Clips, voz, subtítulos y tarjeta final se ensamblan por código en el archivo final.
Control dos: revisión humana del corte, después declaración y publicación.

Etapa 1: el briefing y la lista de planos que el agente debe devolver

La palanca de calidad más importante de todo el flujo es obligar a la etapa de guion a devolver una lista de planos en un formato fijo, porque todas las etapas posteriores leen de ella. Este es el formato que pedimos. Péguelo tal cual en las instrucciones de su agente.

Para copiar y pegar: el contrato de la lista de planos

shot_id: s01, s02, y así sucesivamente, en orden.
duration_s: un número entero de segundos para el clip.
vo_line: las palabras exactas que se dicen sobre este plano, o vacío para un plano silencioso.
visual: una frase que describa sujeto, acción, escenario y movimiento de cámara. Sin marcas que el modelo no pueda representar.
needs_audio: true solo si el plano necesita sonido nativo (diálogo, sonido ambiente ligado a la acción).
model_hint: fast, premium o audio, elegido con las reglas de la sección de enrutado más abajo.
on_screen_text: el subtítulo o la superposición, lo bastante corto para leerse en un móvil.

Después añada tres reglas estrictas al briefing: duración total dentro del objetivo de la plataforma, una idea por plano y un último plano reservado para la llamada a la acción.

Esta es la etapa más barata del flujo. MindStudio sitúa el paso de guion de un vídeo explicativo de cinco minutos entre $0.05 y $0.20.

Etapas 2 y 4: enviar cada plano al modelo adecuado

El error que vemos con más frecuencia es elegir un único modelo de vídeo y mandarle todos los planos. Los planos no son iguales. Una rotación lenta de producto, una escena con diálogo y sonido ambiente y un plano de situación rápido tienen requisitos distintos, y los precios se separan mucho. En el momento de escribir esto, los precios de vídeo por segundo en Aitachyon van desde Hailuo 02 a $0.085/s hasta Seedance 2.5 a $0.44/s en 720p, con Kling v3 a $0.16/s sin sonido o $0.32/s con audio nativo, Veo 3.1 Fast desde $0.19/s y Wan 2.7 a $0.19/s. La tabla completa está en la página de modelos con el precio de cada llamada.

Reglas de decisión para el campo model_hint

Imágenes de storyboard: use el modelo de imagen más barato que mantenga su composición. Seedream 4.0 a $0.057 por imagen o FLUX.2 [pro] de $0.057 a $0.086 son los valores por defecto en el momento de escribir esto. Reserve Nano Banana ($0.13) o gpt-image-2 ($0.10 a $0.40) para las imágenes que van directas al corte final. Nuestra comparativa de Nano Banana y FLUX.2 Pro explica dónde aguanta cada uno en fotos de producto.
Fast: planos de relleno, planos de situación y B-roll bajo la voz. Hailuo 02 marca el precio mínimo.
Audio: solo los planos con needs_audio en true. Kling v3 con audio nativo cuesta el doble que su tarifa sin sonido, así que el agente nunca debe pedir audio para un plano que va a quedar bajo una locución de todos modos.
Premium: el plano protagonista y los dos primeros segundos, donde el espectador decide si sigue mirando. Ahí es donde Seedance 2.5 o Veo 3.1 Fast justifica su precio. Comparamos los dos primeros en Kling v3 frente a Seedance 2.5.

Una nota sobre precios, por honestidad. Comprar directamente al proveedor puede salir más barato por unidad. Google publica Veo 3.1 Fast a $0.10 por segundo en 720p, $0.12 en 1080p y $0.30 en 4K, y Veo 3.1 Lite a $0.05 por segundo en 720p. Si su flujo solo usa un modelo, ir directo tiene sentido. El argumento a favor de una sola cuenta es el enrutado: una clave, un saldo y un único rastro de facturación para una docena de modelos, que es lo que necesitan las reglas anteriores.

Etapa 5: locución, sincronización y coste

La voz es la etapa en la que la automatización ahorra más calendario y menos dinero, porque ya es barata. La propia tabla de precios de API de ElevenLabs indica el texto a voz a $0.08 por 1.000 caracteres para v3 y Multilingual v2, y $0.04 para Flash y Turbo, con una tarifa reducida de v4 de $0.022 por 1.000 caracteres visible hasta el 12 de octubre. A través de Aitachyon, la locución de ElevenLabs cuesta de $0.043 a $0.086 por cada 450 caracteres en el momento de escribir esto. El detalle de costes está en nuestro desglose del coste de la locución con ElevenLabs.

Dos decisiones de sincronización que conviene tomar desde el principio

La voz manda sobre el montaje, o el montaje manda sobre la voz. En vídeos explicativos, genere primero la voz y corte los planos según su ritmo. El flujo de marketing de contenidos citado antes pide precisamente una locución con marcas de tiempo por palabra antes de generar el vídeo, para que el agente fije la duración de cada clip a partir del audio real.
Un archivo o un archivo por plano. Los archivos por plano abaratan las correcciones: cambia una línea y regenera unos cientos de caracteres en lugar de toda la lectura.

Etapa 6: montaje sin editor de línea de tiempo

El montaje es donde muchos flujos "automatizados" vuelven en silencio a una persona arrastrando clips en un editor. Dos enfoques lo mantienen en código.

FFmpeg para cortes directos

Si el vídeo es una secuencia de clips sobre una pista de voz con subtítulos quemados, FFmpeg lo resuelve. MindStudio señala que el montaje puede hacerse por código con FFmpeg.

Remotion para todo lo que lleve motion design

Para texto animado, rótulos, destacados de precio o tarjetas finales con plantilla, Remotion encaja mejor: el vídeo es un componente de React y lo escribe el agente. Remotion incluye habilidades oficiales para agentes, que se instalan con npx skills add remotion-dev/skills, cubren marcado, renderizado, subtítulos y más, y están pensadas para asistentes de código como Claude Code y Cursor. La habilidad /remotion-best-practices es la que engloba a las demás, así que instale primero esa.

Elija lo que elija, los subtítulos pertenecen a esta etapa, generados a partir del texto del guion en lugar de transcritos del audio. Nuestra nota sobre por qué los subtítulos ya no son opcionales explica su colocación en formatos verticales.

La hoja de costes: cuánto cuesta un lote real

Aquí está la aritmética, con los precios de Aitachyon en el momento de escribir esto. Cambie las duraciones por las suyas y la fórmula sigue valiendo.

Fórmula

Coste del lote = (imágenes x precio de imagen) + (segundos de vídeo x precio por segundo, por grupo de modelo) + (caracteres de voz / 450 x precio de voz) + margen para repeticiones. El montaje con FFmpeg o Remotion corre en su propia máquina y suma cómputo, no tarifas por llamada.

Ejemplos con números

20 variantes de gancho, 5 segundos cada una, en Hailuo 02: 20 x 5 s x $0.085 = $8.50.
50 imágenes de producto: con Seedream 4.0, 50 x $0.057 = $2.85. Con FLUX.2 [pro], de $2.85 a $4.30. Con Nano Banana, 50 x $0.13 = $6.50.
Una semana de shorts (7 vídeos, 6 planos de 5 segundos cada uno, 210 segundos de metraje): todo en Hailuo 02, 210 x $0.085 = $17.85. Todo en Veo 3.1 Fast desde $0.19/s, $39.90. Todo en Kling v3 con audio, $67.20. Sume 7 storyboards de 6 imágenes Seedream (42 x $0.057 = $2.39) y dos bloques de voz de 450 caracteres por vídeo (14 x $0.043 a $0.086 = $0.60 a $1.20).
La versión enrutada de esa semana: el primer plano de cada vídeo en Veo 3.1 Fast (7 x 5 s x $0.19 = $6.65) y los otros 175 segundos en Hailuo 02 (175 x $0.085 = $14.88). Total de vídeo $21.53, frente a $39.90 con todo en Veo.

Reserve un margen para repeticiones. Si espera regenerar la mitad de sus planos una vez, multiplique la línea de vídeo por 1,5. Ese margen es el argumento a favor del control del storyboard: repetir una imagen cuesta céntimos, repetir un vídeo cuesta dólares.

Para tener una idea del rango, MindStudio estima un vídeo explicativo de cinco minutos en $2 a $7 en total, y $10 a $20 con modelos premium como Veo y las voces premium de ElevenLabs. El mismo proveedor compara un anuncio de marca tradicional de 60 segundos, a $2,000 a $20,000 frente a $5 a $50 generado. Tome ambas cifras como estimaciones de proveedor. Nuestra guía de precios de API modelo por modelo tiene el resto de la tabla.

Dónde las personas siguen en el circuito

Todos los artículos serios mantienen a una persona en el circuito. MindStudio recomienda un paso de revisión humana para todo lo que sea público, y su flujo de marketing especifica revisión manual de la salida, avisos automáticos para clips por debajo de umbrales de duración o de confianza y una aprobación humana antes del montaje final. Nosotros ponemos los controles en los dos puntos donde una decisión equivocada sale más cara.

Lista del control uno: antes de generar ningún vídeo

El guion dice una sola cosa, y la primera frase se gana la segunda.
Cada afirmación de la locución es defendible ante un revisor de la plataforma.
Cada imagen muestra el producto correcto, sin logotipos inventados ni texto de envase ilegible.
Solo los planos que necesitan sonido nativo tienen needs_audio en true.
El enrutado premium se limita al gancho y al plano protagonista.
El coste previsto con la fórmula anterior queda por debajo del presupuesto del lote.

Lista del control dos: antes de publicar

Vea el corte completo con sonido y una vez más en silencio, para comprobar que los subtítulos se sostienen solos.
Revise manos, caras y texto en pantalla fotograma a fotograma en el gancho.
Decida la respuesta de declaración (siguiente sección) y regístrela junto al archivo.
Haga coincidir la tarjeta final con la página de destino a la que enviará el vídeo.

Automatice los avisos para que quien revise solo mire donde importa: un clip más corto que su duration_s, un renderizado fallido, un archivo de voz más largo que su plano.

La declaración forma parte del flujo

Las plataformas esperan ahora que indique cuándo se ha generado metraje realista, y un flujo automatizado debe registrar esa respuesta por vídeo.

YouTube exige declaración para el contenido realista que hace que una persona real parezca decir o hacer algo que no dijo ni hizo, altera imágenes de un hecho o lugar real, o genera una escena realista que no ocurrió. El contenido claramente irreal y la ayuda de producción, como escribir guiones, subtítulos o corrección de color, no lo necesitan. La respuesta se indica en YouTube Studio al subir el vídeo. A los creadores que no declaran de forma reiterada se les puede aplicar una etiqueta, retirarles contenido o suspenderlos del Programa de Partners de YouTube, y YouTube afirma que declarar correctamente no limita el alcance ni la elegibilidad para monetizar.
TikTok exige a los creadores etiquetar el contenido realista generado con IA y fue la primera plataforma de vídeo en implementar las Content Credentials de C2PA, que lee desde el 9 de mayo de 2024 para etiquetar automáticamente el contenido creado en otras plataformas. TechCrunch informó de que el contenido de IA sin etiquetar puede ser retirado, y de que C2PA es una coalición liderada por Adobe, con Google, Meta, OpenAI, Microsoft e Intel entre sus miembros.

La regla práctica: añada un campo disclose al registro de cada vídeo, póngalo en true por defecto para cualquier metraje realista generado y haga que el paso de publicación se niegue a ejecutarse mientras esté vacío. En cuentas publicitarias, las trampas de política de cómo lograr que aprueben sus anuncios de vídeo en Meta y TikTok se aplican además.

Ejecutarlo desde Claude Code o Cursor

Todo el flujo puede correr dentro de una sola sesión de agente. El agente lee el briefing, escribe la lista de planos en un archivo, llama a los modelos de imagen y vídeo, consulta el estado hasta que termina cada renderizado, escribe el comando de FFmpeg o la composición de Remotion y renderiza. Lo que lo mantiene unido es que cada archivo generado tiene una referencia estable a la que el agente puede volver, y que cada llamada informa de lo que costó. En Aitachyon, cada salida recibe una referencia como img_, scn_ o vo_ que el código puede recuperar con GET /api/generations/{ref}, y cada trabajo se detalla con su modelo y su precio, de modo que el agente puede anotar un coste real junto a cada plano en lugar de una estimación. Conectar Claude Code al servidor MCP alojado es un solo comando: claude mcp add --transport http aitachyon https://aitachyon.com/api/mcp --header "Authorization: Bearer ait_...". La misma clave funciona con la API HTTP normal si prefiere ejecutar el flujo como un script.

Un briefing que puede entregar al agente

Haz un vídeo vertical de 30 segundos para [producto]. Devuelve primero la lista de planos en el formato del contrato y detente para que la apruebe. Tras la aprobación, genera una imagen por plano con el modelo de imagen más barato y vuelve a detenerte. Tras mi segunda aprobación, genera el vídeo según las reglas de enrutado, genera la locución por plano, monta con Remotion con subtítulos tomados del guion y escribe una tabla de costes con cada referencia, modelo y precio. Pon disclose en true.

Las dos paradas explícitas son los controles humanos. Sin ellas, el agente gastará con gusto todo el presupuesto en la primera versión del guion. Para los pasos de configuración, consulte cómo generar vídeo con IA desde Claude Code con un servidor MCP.

FAQ

¿Puede la IA automatizar por completo la producción de vídeo de principio a fin?

Técnicamente sí: guion, planos, voz y montaje pueden correr desde un único agente. En la práctica, todos los flujos publicados que hemos encontrado mantienen una revisión humana antes de publicar nada, y las normas de declaración de las plataformas hacen responsable a una persona del archivo final de todos modos. Deje que el agente produzca y reserve el juicio final para una persona.

¿Cuánto cuesta automatizar un vídeo corto con IA?

Depende de los segundos de metraje y del modelo que los renderice. En el momento de escribir esto en Aitachyon, 30 segundos cuestan $2.55 en Hailuo 02, desde $5.70 en Veo 3.1 Fast y $9.60 en Kling v3 con audio, más unos céntimos por imágenes y voz. La estimación de MindStudio para un vídeo explicativo de cinco minutos es de $2 a $7, o de $10 a $20 con modelos premium.

¿Cuánto tarda en producirse un vídeo de IA automatizado?

MindStudio indica de 5 a 15 minutos desde el prompt hasta la exportación para un clip social de 60 segundos y de 20 a 40 minutos para un vídeo explicativo de 2 a 3 minutos, y de 30 a 60 minutos para un vídeo de 3 a 5 minutos construido con clips generados.

¿Debo usar FFmpeg o Remotion para montar vídeo de IA?

FFmpeg para cortes directos sobre una pista de voz con subtítulos quemados. Remotion cuando necesita texto animado, plantillas o cualquier cosa que de otro modo construiría en una herramienta de motion design, ya que el agente puede escribir la composición en React y renderizarla a MP4.

¿Tengo que etiquetar los vídeos generados con IA en YouTube y TikTok?

Para metraje realista generado, sí en ambas. YouTube lo pregunta al subir el vídeo en YouTube Studio, y TikTok exige una etiqueta y puede detectar por sí mismo las Content Credentials de C2PA. El contenido fantástico o claramente irreal, y la IA usada solo para guiones o subtítulos, no requiere declaración en YouTube.

Fuentes

Si quiere ejecutar este flujo sin abrir cinco cuentas de proveedores, Aitachyon reúne los modelos de imagen, vídeo y voz mencionados bajo un único saldo prepagado y una sola clave, utilizable desde el estudio web, la API HTTP o un servidor MCP alojado al que Claude Code se conecta con un solo comando. Los renderizados fallidos se reembolsan automáticamente, cada clave tiene su propia alerta de gasto y la guía rápida de API y MCP lleva unos minutos.

Automatizar la producción de vídeo con agentes de IA: un flujo que funciona