Cómo hacer un video con un video de referencia con IA (r2v): la guía del flujo en español

Generar video con IA a partir de una referencia —lo que en inglés llaman reference-to-video, o r2v— es dejar de describir la escena que querés y directamente mostrarla. En vez de rogarle al modelo que invente "un repartidor cruzando un mercado al amanecer con cámara en mano", adjuntás un clip de tres segundos con exactamente el movimiento que buscás, escribís qué cambia, y recibís un plano nuevo que ejecuta esa misma coreografía. La descripción narra un plan; la referencia carga un plan entero: velocidad, peso, trayectoria de cámara, cómo el cuerpo frena al final del movimiento.

Esta guía es el flujo completo en español: cuándo una referencia vale el esfuerzo, qué límites duros impone cada motor, cómo escribir el prompt anclado en la referencia, y cuánto cuesta todo en créditos honestos. Cada número sale de la configuración de cobro viva de la plataforma: el crédito vale US$ 0.01 (recarga mínima de US$ 5 = 500 créditos), el registro regala créditos de prueba, y el precio cerrado de tu toma aparece en pantalla antes de apretar generar.

Cuándo la referencia le gana al prompt puro

El texto solo (el modo clásico de generar video con IA) resuelve lo genérico: dron sobre montaña, lluvia sobre cartel de neón, timelapse de nubes. Para esas escenas la palabra alcanza. La referencia entra cuando lo que importa del plano no cabe en palabras:

• Consistencia de personaje. La misma cara, ropa y cuerpo tienen que aparecer en cinco planos seguidos. "Una mujer con campera roja" nunca sale igual cinco veces; una imagen de referencia fija la identidad.
• Consistencia de espacio. Un local, un escenario, una cocina que tiene que leerse como EL MISMO lugar en cortes distintos. La foto del espacio carga la arquitectura que el prompt inventaría de nuevo en cada render.
• Sensación de movimiento. Acá entra el video de referencia, el corazón del r2v: un clip corto condiciona al modelo hacia el movimiento de ese clip y su ritmo. ¿Tenés el gesto grabado? Adjuntalo y hacé que otro sujeto lo ejecute.
• Voz. Las referencias de audio sueltas (hasta 5) atan una voz a un personaje: adjuntás la muestra, escribís la línea, y no dependés de que el modelo "castee" una voz cualquiera.

Si nada de eso importa para tu plano, el r2v no compra nada: el prompt simple sale más barato y más rápido.

Los tres motores de referencia, y la elección honesta

La plataforma corre tres motores de referencia en un único saldo de créditos — el hub de referencia para video tiene la línea completa con ejemplos en vivo:

• Wan 3.0 R2V — el motor por defecto para movimiento y cámara: acepta hasta 10 imágenes de referencia, 5 videos de referencia y 5 audios sueltos, con salida de hasta 1080p y 30 segundos. Es el composer de entrada cuando el plano se trata de movimiento transferido desde un clip: cámara en mano, un giro, una persecución.
• MiniMax H3 Ref2V — el carril del diálogo: cuando el personaje habla, es el que sostiene voz por referencia con labios sincronizados a la línea escrita. Barato en toma corta (los borradores en 768P giran en torno a 10 créditos por segundo de salida; el valor exacto lo muestra el composer antes de ejecutar).
• Seedance 2.0 R2V — el punto medio cinematográfico, fuerte en encuadre.

Esta guía es el flujo del Wan 3.0 R2V, el composer de referencia con video, porque es donde el video de referencia (no solo la foto) dirige el resultado. El camino del MiniMax —hoja de referencias y diálogo— es otra guía aparte: MiniMax H3 Ref2V paso a paso.

Los límites duros — y la trampa de los 30 segundos

El composer del Wan 3.0 R2V aplica trabas en tiempo de ejecución. Conocerlas antes evita créditos quemados:

La última fila es la que atrapa a todo el mundo: los segundos de tu clip de referencia salen del MISMO presupuesto de 30 segundos del resultado. ¿Adjuntaste un video de 11 segundos? La salida queda recortada a 19. ¿Usaste el máximo legal —un clip de 15 segundos, el techo por clip y también el techo sumado—? Te quedan 15 segundos justos de salida, y cada segundo extra de referencia (hasta el tope) le resta uno a tu toma final. Cortá el video de referencia al hueso antes de subirlo: tres segundos bien elegidos dirigen al modelo tan bien como once, y te devuelven presupuesto para tu toma final.

Paso 1 — Subí las referencias y contalas en el orden del modelo

Abrí el composer y adjuntá en el orden en que quieras que se lean: la primera imagen es la Imagen 1, el primer video es el Video 1, el primer audio es el Audio 1 —contados por tipo, aunque intercales las subidas—. El orden es decisión creativa, no prolijidad: es con esos rótulos que el prompt va a llamar a cada material.

Qué hace que una referencia merezca su lugar:

• Personaje: un sujeto claramente visible, luz uniforme, en el encuadre que la salida debe ejecutar (close de cara genera close de cara; cuerpo entero genera cuerpo entero). Si la identidad tiene que aguantar un giro, subí un segundo ángulo como Imagen 2.
• Objeto y espacio: imágenes limpias, sin obstrucciones. Un producto medio salido del cuadro no le enseña nada al modelo sobre él.
• Movimiento: el clip más corto que contenga el gesto que querés, sujeto único, sin cortes. Acordate del techo de 15 segundos sumados y de la cuenta de 30 con la salida.
• Voz: wav o mp3 que sumen menos de 15 segundos. Adjuntá la muestra y escribí la línea entre comillas —queda atada al Audio N—.

Paso 2 — Escribí el prompt anclado en los rótulos

La fórmula oficial es referencia + acción + escena + líneas de diálogo entre comillas (opcional) + música de fondo (opcional), en español o en inglés, sin JSON, sin markdown. Dos formas de anclar funcionan: directa ("el video de la Imagen 1 entra al mostrador de la Imagen 2") o rótulo más objeto ("el panadero del Video 1 cruza el mostrador de la Imagen 3"). Reglas que ahorran crédito:

• Usá solo rótulos que adjuntaste de verdad. Citar "Imagen 4" con tres imágenes cargadas es la forma en que aparecen elementos inventados.
• No rótules los tiempos internos como Imagen N. Dentro de la toma los planos son Plano 1, Plano 2 —con marca de tiempo si hay corte—.
• Citá el diálogo exactamente —las líneas entre comillas se conservan palabra por palabra—. Si el clip no tiene habla, escribí "No dialogue." o el modelo va a castingear una. Si no querés que lo musicalice, escribí "No background music."
• Atá cada Audio N al personaje que lo habla; no inventes voces para personajes que no referenciaste.

Un prompt realista para un trabajo de dos referencias:

El barista del Video 1 recorre el mostrador de la Imagen 2 mirando la máquina, diciendo: "La última del día". Seguimiento con cámara en mano, luz cálida de tarde. No background music.

Ajustá resolución, duración y audio después del prompt —el composer cotiza créditos en vivo contra esas elecciones, y las corridas fallidas se reintegran—: borrá en 480P y subí de calidad solo cuando la toma esté derecha. La semilla queda expuesta: semilla fija más las mismas referencias te dan una base estable para iterar prompts.

Lo que cuesta una corrida con referencia

El R2V se cobra igual que el resto de la familia Wan 3.0: un cargo dinámico por segundo que duplica con cada escalón de resolución —480P a US$ 0.05/s de costo base, 720P a US$ 0.10, 1080P a US$ 0.20, con el margen del 35% de la plataforma aplicado—. El composer R2V no arrastra cargo base fijo (la tarifa de reserva de 10 créditos es solo del T2V), así que la grilla es duración × escalón, puro:

Créditos, a 100 = US$ 1. Tres consecuencias para el flujo:

1. Las entradas de referencia no suman una línea en la factura. Una salida de 5 segundos cuesta 39 créditos en 480P adjuntes una imagen o catorce referencias. Pagás el clip que obtenés, no la dirección que le metiste.
2. La traba cuida tu presupuesto, no solo la API. Como los segundos del video de entrada comen del techo de 30, un clip de referencia largo recorta tu salida en silencio — chequeá el número antes de despachar.
3. Los borradores salen baratos, los finales no. Los trabajos con referencia existen porque el primer intento genérico no salió: el bucle de borradores (480P a 39 créditos la toma de cinco segundos) es cómo convergís sin pagar una factura en 1080P por cada experimento. La aritmética del re-tiro entre modelos —cuándo seguir iterando y cuándo cambiar la referencia— la resuelve la guía de costo por clip utilizable.

El audio nativo cuesta igual con o sin él. La marca de agua viene apagada por defecto.

Cuándo ir más allá del Wan 3.0 R2V

El Wan 3.0 R2V es el composer de referencia por defecto en Moosky: consistencia de personaje, ancla de objeto y espacio, referencias de voz, hasta 30 segundos y 1080p. Dos carriles pertenecen a otro lado. Para ediciones de diálogo cortas y económicas —un plano hablado de 15 segundos o menos contra un render que ya tenés— el carril MiniMax es la opción de presupuesto, y la guía de flujo MiniMax H3 Ref2V se come ese proceso de punta a punta. ¿Primero querés decidir si el H3 vale la plata? La guía de compra ¿vale la pena MiniMax H3? abre la factura de créditos por clip y dice cuándo conviene dejarlo en la góndola. Y en cualquier trabajo con referencia, esperá los límites documentados de la familia de modelos: el texto exacto en pantalla es poco confiable (no armes un plano alrededor de un cartel legible), y las líneas citadas se conservan palabra por palabra pero no se promete sincronización labial cuadro-perfecta a palabras específicas. Si la entrega depende de eso, probalo con un borrador de 39 créditos antes de diseñar la escena.

¿Todavía eligiendo entre modos de referencia en general —r2v contra imagen-a-video y texto-a-video—? La comparación de compra está en Qué es un video de referencia con IA, y sostener una identidad a lo largo de todo un proyecto es otra habilidad: videos con IA de personaje consistente.

La promesa del flujo con referencia es simple: las palabras describen un plano, las referencias cargan uno. Adjuntá los clips más cortos que sostengan el gesto, nominalos tal como los cargaste, borrá en 480P por 39 créditos, y el número está en pantalla antes de que arranque el render — todas las veces.