Image to Video

• Duración: 5, 10, 15, 20, 25, o 30s

• Resolución: 480p / 720p / 1080p

• Ideal para: animar una imagen mediante Reference Mode (hasta 9 imágenes de referencia más hasta 3 clips de audio de referencia) en clips largos y de varias tomas de hasta 30 segundos, con audio nativo opcional escrito por el modelo. Entrenado en un extenso conjunto de datos etiquetado de contenido NSFW.

• Fortalezas: puede escribir su propia banda sonora mediante el interruptor Generate Audio, sigue prompts largos tipo guion divididos en tomas con marca de tiempo, los tokens de referencia ([img1], [audio1]) te permiten dirigirte exactamente a qué archivo subido usar, mayor consistencia multi-sujeto y control de cámara que los modelos Wan anteriores.

• Desventajas: los mejores resultados necesitan un prompt acorde a la duración: los prompts cortos en duraciones largas dejan las decisiones de trama y toma al modelo. Sin prompt negativo; los elementos no deseados deben describirse explícitamente.

• Notas de contenido: Filtros: Mínimos

• Duración: 5, 10, 15, 20, 25, o 30s

• Resolución: 480p / 720p / 1080p

• Ideal para: la misma animación con Reference Mode que Wan 3.0 Spicy (hasta 9 imágenes de referencia más hasta 3 clips de audio de referencia) en clips largos y de varias tomas de hasta 30 segundos, con audio nativo opcional escrito por el modelo, pero devuelto aproximadamente un 40% más rápido.

• Fortalezas: misma calidad de salida y mismas funciones que Wan 3.0 Spicy (interruptor Generate Audio, prompts tipo guion, tokens de referencia, consistencia multi-sujeto); la diferencia es el tiempo de espera, importante al probar ideas o iterar sobre una toma.

• Desventajas: cuesta más por segundo que Wan 3.0 Spicy para el mismo resultado; misma sensibilidad a la longitud del prompt y ausencia de prompt negativo.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s o 10 s

• Ideal para: animaciones más controladas entre dos estados definidos; narrativa fluida y movimiento realista de personajes.

• Puntos fuertes: admite Last Frame para bucles más suaves y finales más estables. Admite 480p, 720p y 1080p.

• Compensaciones: más lento que Pro Fast; funciona mejor con fotogramas de inicio/fin limpios y bien alineados para transiciones consistentes.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s o 10 s

• Ideal para: previsualizaciones rápidas y borradores más económicos.

• Puntos fuertes: velocidad de generación rápida, bajo coste, admite 480p, 720p y 1080p. Admite Start Frame para una guía de movimiento sencilla.

• Compensaciones: menos control y menor calidad en comparación con Seedance Pro.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 10 s o 12 s

• Ideal para: generar vídeos cortos y cinematográficos donde el audio y el vídeo se generan juntos en un proceso unificado. Este modelo es ideal para clips narrativos, escenas de diálogo, movimiento impulsado por audio, y narrativa expresiva directamente desde prompts o imágenes.

• Puntos fuertes: Seedance 1.5 Pro es un modelo de generación conjunta de audio y vídeo que produce visuales y sonido sincronizados en un solo proceso. Ofrece sincronización labial precisa, movimiento expresivo, fuerte adherencia a las instrucciones, admite 720p y 1080p, e incluye Generate Audio y Fix camera position para un control mejorado.

• Compensaciones: los mejores resultados provienen de prompts claros e instrucciones estructuradas; las escenas complejas se benefician de un diseño de prompt cuidadoso para mantener la coherencia del movimiento y el ritmo expresivo.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 6 s, 8s, 10 s, 12s 15 s

• Resolución: 480p / 720p

• Ideal para: animar una sola imagen como el primer fotograma literal, crear una transición entre dos fotogramas (First-Last Frame), o transferir características (apariencia, estilo, movimiento) a través de Reference Mode (hasta 9 imágenes + 3 vídeos + 3 clips de audio), más entrenamiento adicional con un enorme conjunto de datos anotados de contenido NSFW.

• Puntos fuertes: alta previsibilidad del inicio del vídeo (composición, pose y ángulo de cámara se preservan exactamente como en la imagen de origen), generación usando marcadores de referencia [Image 1]/[Video 1]/[Audio 1], buena consistencia del personaje entre fotogramas al reutilizar la misma referencia. Generación de audio para vídeo en modo estándar.

• Compensaciones: los tres modos de entrada funcionan de forma diferente, y es fácil confundirlos: seleccionar el modo equivocado producirá un resultado distinto al esperado; la calidad de la imagen de origen afecta directamente al resultado final. Más lento que Seedance 2.0 Fast.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 6 s, 8s, 10 s, 12s 15 s

• Resolución: 480p / 720p

• Ideal para: animar una imagen como el primer fotograma literal, crear una transición entre dos fotogramas especificados (interpolación), o transferir características usando referencias multimodales: hasta 9 imágenes, 3 vídeos y 3 clips de audio. Además, entrenamiento adicional con un enorme conjunto de datos anotados de contenido NSFW.

• Puntos fuertes: alta previsibilidad del inicio del vídeo (composición, pose y ángulo se preservan exactamente como en la imagen de origen); etiquetado de referencias conveniente con [Image 1] / [Video 1] / [Audio 1], buena consistencia del personaje al reutilizar una sola referencia, tiempo de generación rápido. Más rápido y económico que la versión estándar.

• Compensaciones: es fácil confundir los tres modos de entrada: seleccionar el incorrecto da un resultado distinto al esperado; la calidad de la imagen de origen afecta directamente al resultado final. La calidad es inferior a la de la versión estándar.

• Notas de contenido: Filtros: Mínimos

• Duración: 5, 10, 15, 20 o 30 s

• Resolución: 480p / 720p / 1080p

• Ideal para: escenas largas de varias tomas de hasta 30 segundos en una sola generación: una historia completa en lugar de un único momento estirado. Anima un Start Frame (o Start + End Frame), o activa Reference Mode para usar hasta 30 imágenes de referencia y 10 clips de audio de referencia, que se citan en el prompt como [img1], [audio1]. Entrenado con un enorme conjunto de datos etiquetados de contenido NSFW.

• Puntos fuertes: metraje más natural y menos «de IA»: mejores transiciones de cámara, estabilidad del sujeto, iluminación y detalle de piel y ojos; los prompts con marcas de tiempo («0–5s: …, 6–10s: …») controlan qué ocurre y cuándo; audio nativo opcional con el interruptor Generate Audio.

• Compensaciones: el modelo Seedance más caro: 1080p cuesta unas 3,4 veces la tarifa de 720p, así que prueba primero en 480p/720p. Sin prompt negativo. El video puede salir sin audio aunque Generate Audio esté activado.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s o 10 s

• Ideal para: sincronización labial, respiración, movimiento corporal rítmico, y escenas reactivas al audio usando un único archivo de audio (WAV, MP3).

• Puntos fuertes: fuerte sincronización con el audio, movimiento facial y corporal expresivo. Admite 480p, 720p y 1080p.

• Compensaciones: los resultados dependen en gran medida de la calidad del audio; diseñado para movimiento expresivo más que para configuraciones de cámara complejas.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 8 s.

• Ideal para: generación ultrarrápida de imagen a vídeo con control de estilo LoRA personalizado. Ideal para creadores que quieren movimiento cinematográfico, un aspecto de personaje personalizado, y estilos visuales consistentes directamente desde una sola imagen.

• Puntos fuertes: WAN 2.2 es un modelo ultrarrápido de imagen a vídeo que genera vídeo dinámico en 720p a partir de imágenes fijas y admite LoRAs personalizados para definir el movimiento y comportamiento del personaje. Los LoRAs se usan para controlar cómo se mueven, posan e interactúan los personajes con la cámara, permitiendo patrones de movimiento consistentes entre generaciones.

• Plantillas de estilo LoRA:

  La plataforma ofrece una gran biblioteca de plantillas de estilo LoRA que se aplican automáticamente durante la generación. Estas plantillas te permiten seleccionar rápidamente estilos de movimiento predefinidos y dinámicas de personaje, garantizando un movimiento y comportamiento visual consistentes en varios vídeos sin ajuste manual del prompt.

• Compensaciones: WAN 2.2 + LoRAs se centra en la velocidad y la consistencia.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 10 s o 15 s

• Ideal para: generación de imagen a vídeo de alta calidad con audio, clips más largos, y movimiento expresivo con sonido sincronizado.

• Puntos fuertes: fuerte sincronización de audio, animación facial expresiva y movimiento corporal, admite 720p y 1080p.

• Compensaciones: los resultados dependen de la calidad de la entrada y la claridad del prompt; mejor adaptado para escenas controladas.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s, 10 s o 15 s

• Ideal para: generaciones rápidas, pruebas rápidas, flujos de trabajo para redes sociales, y producción de contenido por lotes.

• Puntos fuertes: tiempo de renderizado significativamente más rápido, soporte nativo de audio, movimiento expresivo, admite 720p y 1080p.

• Compensaciones: consistencia visual ligeramente inferior en comparación con Wan 2.7; optimizado principalmente para la velocidad.

• Notas de contenido: Filtros: Mínimos

• Ideal para: generación de imagen a vídeo con audio, clips más largos, y movimiento expresivo con sonido sincronizado, generaciones cinematográficas, movimiento de cámara suave, personajes realistas, y renders finales de alta calidad.

• Puntos fuertes: consistencia temporal mejorada, mejor comprensión del prompt, calidad de movimiento mejorada, admite 720p y 1080p.

• Compensaciones: más lento que los modelos Ultra Fast; los mejores resultados requieren prompts claros e imágenes de entrada de alta calidad.

• Notas de contenido: Filtros: Mínimos

• Duración: 5s, 8s

• Ideal para: generación ultrarrápida de imagen a vídeo, estilos visuales consistentes directamente desde una sola imagen, más entrenamiento adicional con un enorme conjunto de datos etiquetados de contenido NSFW.

• Puntos fuertes: detalle impactante, fuerte adherencia a tu imagen de referencia, bueno para movimientos de cámara dramáticos y gradación con ambiente.

• Compensaciones: un filtrado menos conservador significa que debes mantener los prompts precisos; la anatomía y los pequeños detalles pueden desviarse si llevas al extremo.

• Notas de contenido: Filtros: Mínimos

• Duración: 5 s , 10 s , 15 s

• Ideal para: generación de imagen a vídeo de alta calidad con audio, clips más largos, y movimiento expresivo con sonido sincronizado, más entrenamiento adicional con un enorme conjunto de datos etiquetados de contenido NSFW.

• Puntos fuertes: consistencia temporal mejorada, mejor comprensión del prompt, calidad de movimiento mejorada, admite 720p y 1080p.

• Compensaciones: más lento que los modelos Ultra Fast; los mejores resultados requieren prompts claros e imágenes de entrada de alta calidad.

• Notas de contenido: Filtros: Mínimos

• Duración: 5s / 10s / 15s

• Ideal para: generar rápidamente vídeos a partir de una imagen mientras controlas el estilo usando LoRAs personalizados. Ideal para creadores que quieren movimiento cinematográfico, un aspecto de personaje personalizado, y estilos visuales consistentes, todo basado en una sola imagen.

• Puntos fuertes: WAN 2.7 es un modelo de conversión de imagen a vídeo que genera vídeo dinámico en 720p o 1080p con audio sintetizado a partir de imágenes fijas y admite LoRAs personalizados para definir el movimiento y comportamiento del personaje. Los LoRAs se usan para controlar cómo se mueven, posan e interactúan los personajes con la cámara, garantizando patrones de movimiento consistentes entre generaciones. No se requiere prompt.

• Plantillas de estilo LoRA: La plataforma ofrece una gran biblioteca de plantillas de estilo LoRA que se aplican automáticamente durante la generación. Estas plantillas te permiten seleccionar rápidamente estilos de movimiento preestablecidos y dinámicas de personaje, garantizando un movimiento y comportamiento visual consistentes en varios vídeos sin necesidad de ajuste manual del prompt.

• Compensaciones: WAN 2.7 + LoRAs prioriza la calidad y la consistencia. Añadir un prompt puede entrar en conflicto con el prompt predeterminado y causar errores en el vídeo generado o hacer que el LoRA falle.

• Notas de contenido: Filtros: Mínimos

• Opciones de duración: 5 s o 10 s

• Ideal para: generación de vídeo SFW de alta calidad con soporte de audio nativo. Ideal para personajes que hablan, escenas de diálogo, contenido de marca, presentaciones de producto, y clips cortos realistas donde el audio y los visuales deben generarse juntos. Admite Start Frame, que define cómo empieza el movimiento.

• Puntos fuertes: este modelo es un modelo de generación nativa de audio y vídeo, lo que significa que el vídeo y el audio se crean simultáneamente en un solo proceso. Produce voz y sonido sincronizados alineados con el movimiento visual, ofrece animación facial realista e identidad estable, y admite resolución 1080p. El modelo incluye Generate Audio para la creación de audio integrada en tomas de cámara estables y sin movimiento.

• Compensaciones: optimizado para el realismo y resultados limpios y seguros para la marca en lugar de la estilización extrema; el mejor rendimiento proviene de prompts claros y movimiento controlado.

• Notas de contenido: Filtros: Activos

• Duración: 5, 6, 8, 10, 12, o 15 s

• Resolución: 480p / 720p / 1080p

• Ideal para: animar un Start Frame, un End Frame, o ambos, y usar Reference Mode para guiar el estilo, personaje, o sonido a partir de tus propias imágenes, video, y audio: hasta 9 imágenes de referencia, 3 videos de referencia, y 3 clips de audio de referencia (12 archivos en total).

• Fortalezas: los tokens de referencia (Image 1, Video 1, Audio 1) te permiten indicar exactamente qué archivo subido usar; cada clip obtiene automáticamente una pista de audio estéreo nativa, sin necesidad de activar nada; relaciones de aspecto flexibles (16:9, 9:16, 4:3, 3:4, 1:1, 21:9, o Adaptativo).

• Desventajas: precio completo, aproximadamente el doble de MiniMax H3 Max Turbo. Sin prompt negativo; los elementos no deseados deben describirse al final del prompt principal. El audio no se puede desactivar. Los prompts largos se comprimen internamente, así que descripciones más cortas y precisas suelen funcionar mejor.

• Notas de contenido: Filtros: Activados. Solo SFW, no admite contenido NSFW.

• Duración: 5, 6, 8, 10, 12, o 15 s

• Resolución: 480p / 720p / 1080p

• Ideal para: animación de Start/End Frame rápida y económica cuando no necesitas imágenes, video, o audio de referencia.

• Fortalezas: aproximadamente la mitad de precio que MiniMax H3 Max y más rápido; los mismos controles de Start Frame / End Frame / ambos; audio estéreo nativo incluido automáticamente.

• Desventajas: sin Reference Mode. Para referencias de imagen, video, o audio, usa MiniMax H3 Max en su lugar. Sin prompt negativo. El audio no se puede desactivar.

• Notas de contenido: Filtros: Activados. Solo SFW, no admite contenido NSFW.

• Duración: 6 s o 10 s

• Ideal para: animaciones dinámicas, clips conceptuales rápidos, y movimiento expresivo a partir de una sola imagen.

• Puntos fuertes: generación rápida, adecuada para escenas enérgicas e iteración rápida.

• Compensaciones: menos estable y menos consistente en comparación con modelos cinematográficos de gama alta.

• Notas de contenido: Filtros: Parciales

Sí, pero se recomienda el inglés.

La mayoría de los modelos (WAN y Seedance Pro) pueden técnicamente procesar prompts escritos en otros idiomas. Sin embargo, el inglés proporciona los resultados más estables y predecibles, especialmente para el movimiento, la dirección de cámara, y las indicaciones emocionales.

Mejor práctica:

Usa el inglés para producción y flujos de trabajo repetibles. Otros idiomas pueden funcionar para escenas simples, pero los resultados pueden ser menos consistentes.

No es necesario subir un archivo de audio para la mayoría de los modelos con audio: Wan 2.5 + Audio, Wan 2.6 + Audio, Wan 2.7 + Audio, Wan 2.7 Spicy, Seedance Pro 1.5, Seedance 2.0 Spicy/Fast Spicy y Kling 2.6 + Audio pueden generar audio directamente a partir del prompt de texto. Solo describe el sonido que quieres oír, por ejemplo:

• “the girl is softly moaning”

• “slow breathing, sensual rhythm”

• “quiet voice, soft exhales”

El modelo generará audio sincronizado automáticamente a partir de tu prompt. Los archivos de audio (WAV o MP3) solo son necesarios si ya tienes un sonido o una pista de voz concreta que deba coincidir con precisión.

Con Wan 3.0 Spicy, activa el interruptor Generate Audio para que el modelo cree su propia banda sonora. Si está activado y no has descrito el sonido, el modelo inventa diálogos y música por su cuenta: describe explícitamente en el prompt el audio concreto (o el silencio) si es importante (p. ej., "no dialogue, no background music" o el sonido exacto que quieres).

La mayoría de los modelos generan 5–15 segundos por clip, y Wan 3.0 Spicy y Seedance 2.5 Spicy pueden generar hasta 30 segundos en una sola generación, la generación individual más larga en ZenCreator. Si te bastan 30 segundos o menos, elige uno de ellos y ajusta la duración; no hace falta encadenar clips.

Para cualquier cosa de más de 30 segundos, créala a partir de varios clips con un flujo de trabajo encadenado:

1) Genera cada clip con Start Frame y End Frame:

1. Genera el primer clip.

2. Usa el último fotograma de ese clip como Start Frame de la siguiente generación.

3. Opcionalmente, define un End Frame para guiar el estado final.

4. Repite el proceso para ampliar la secuencia.

Este enfoque te permite:

• mantener la continuidad visual y de movimiento

• crear videos de prácticamente cualquier duración

• evitar cambios bruscos de movimiento

Este flujo es compatible con Seedance Pro, Seedance Pro 1.5, Seedance 2.0 Spicy, Seedance 2.0 Fast Spicy, Seedance 2.5 Spicy, Wan 3.0 Spicy, Wan 3.0 Prime Spicy, MiniMax H3 Max y MiniMax H3 Max Turbo (consulta la ficha del modelo arriba para saber qué modelos admiten Start/End Frame).

2) Cuando tengas tus clips (cada uno de hasta 30 s si usas Wan 3.0 Spicy o Seedance 2.5 Spicy), únelos con Video Merger:

1. Añade de 2 a 5 videos

2. Selecciona un método de unión

3. Usa el interruptor para elegir si conservar el audio original del video

4. También puedes elegir cómo recortar los videos que has subido

5. Pulsa Run

Este enfoque te permite:

• unir sin esfuerzo de 2 a 5 clips en un video de aspecto profesional

• lograr transiciones suaves y un flujo natural entre escenas

• recortar clips con precisión y controlar el audio, conservando el sonido original o sustituyéndolo

• crear videos más largos y de alta calidad sin cortes bruscos, mucho más allá del límite de 30 segundos por generación

La mayoría de los modelos funcionan con Filtros: Mínimos, lo que permite contenido más explícito que las opciones muy filtradas. Los modelos creados específicamente para NSFW son Wan 2.2 Spicy, Wan 2.7 Spicy, Wan 3.0 Spicy, Seedance 2.0 Spicy, Seedance 2.0 Fast Spicy y Seedance 2.5 Spicy. Los modelos Kling (Filtros: Activos) son los más restringidos y los más adecuados para contenido SFW.

Usa Wan 2.2 Spicy para la máxima libertad creativa y movimiento audaz, o Wan 2.2 + LoRA / Wan 2.7 + LoRA si quieres controlar el movimiento del personaje usando estilos de movimiento predefinidos.

Usa Wan 2.2 + LoRA o Wan 2.7 + LoRA cuando quieras:

• movimiento de personaje consistente,

• comportamiento de movimiento predefinido,

• no necesitar inventar prompts: simplemente elegir ideas de movimiento de plantillas integradas

Los LoRAs son especialmente útiles al generar muchas variaciones a partir de una sola imagen.

Empieza con 5 segundos para validar el movimiento y el estilo.

Cuando el resultado se vea bien, cambia a una duración mayor para los clips finales: 10–15 segundos en la mayoría de los modelos, o hasta 30 segundos en Wan 3.0 Spicy y Seedance 2.5 Spicy.

Sí. Puedes subir hasta 100 imágenes de referencia, y cada imagen se renderizará como un clip de vídeo separado usando los mismos ajustes.

Los modelos Spicy están entrenados específicamente para la generación NSFW con menos restricciones. Los modelos normales con Filtros: Mínimos todavía pueden funcionar con referencias NSFW, pero no están construidos ni entrenados de la misma manera.

La mayoría sí, pero Wan 2.7/Wan 2.2 + LoRA funciona sin uno. Añadir un prompt allí puede incluso entrar en conflicto con su estilo integrado y causar errores.

No. Como cualquier herramienta de IA, los resultados pueden variar y los errores o artefactos ocasionales son normales. Si un clip no sale bien, inténtalo de nuevo o ajusta tu prompt o referencia.