De la base a las tripas
En el episodio anterior monté el cimiento: la parte invisible. Hoy toca lo que todo el mundo quiere ver — las herramientas. Y lo primero que aprendes es que ni siquiera montar el taller es un clic.
Ya tenía la base: marca, voz, método, datos, la skill. Con eso, la IA por fin sabía hablar como yo. Faltaba lo otro: las máquinas que convierten un guión en un vídeo. Así que abrí el capó y me metí en las tripas.
Primero, el equipo. Un Apple M4, 16 GB de RAM, con Python 3.14, Node, FFmpeg, Git y Make. Después, el motor: cloné OpenMontage (un montador open-source) y lancé su instalación.
git clone · make setup → creó el entorno de Python, instaló dependencias, hizo npm install (199 paquetes), cacheó la voz local y los motores de gráficos. Entre 15 y 30 minutos. No es un botón.
Cuando terminó, el sistema se auto-inspeccionó: 87 herramientas disponibles y 13 flujos distintos (talking-head, cinematográfico, documental…). Impresionante. Pero al abrir la configuración, todas las conexiones a los proveedores de pago —FAL, HeyGen, ElevenLabs, Runway— estaban vacías. Un armario lleno de cajones, todos sin llave.
Montar el taller ya son horas. Y el taller, solo, no produce nada.
La primera lección técnica llegó antes de generar un solo fotograma: esto no es gratis ni rápido. Es un sistema.
El stack, pieza por pieza
Cuatro herramientas sobre la mesa. Algunas gratis, otras de pago por uso, otras con la puerta cerrada hasta que sueltas la cartera. Aquí es donde empieza a caerse el cuento de «todo con IA gratis».
Fui instalando y probando una a una. Esto es lo que hay, con su verdad de coste delante:
| Herramienta | Para qué | Coste real |
|---|---|---|
| OpenMontage | El motor de montaje: orquesta cortes, gráficos y subtítulos | gratis (open-source) |
| Remotion | Motion graphics por código: tipografía cinética, mapas animados | gratis |
| FAL | Generar imagen y vídeo IA por uso (el b-roll de aventura) | céntimos por uso |
| Higgsfield | Vídeo/imagen/voz premium, predictor de viralidad | 0 créditos en free |
Remotion me sorprendió: renderiza de verdad en el Mac. Le pedí un título animado —«VOLVER DISTINTA», letra a letra— y lo escupió en unos frames, gratis. FAL es la vía de los famosos «céntimos»: pago por uso, metí 10€ para probar. Y Higgsfield, que pintaba potente, se quedó a la puerta: cero créditos en el plan gratuito.
El chasis (montaje) es barato o gratis. Eso es real.
Pero fíjate en lo que todavía no aparece por ningún lado: mi cara y mi voz hablando. Esa pieza —la que de verdad escala— no estaba en la mesa. Y no iba a ser gratis.
Las cagadas (aquí viene lo bueno)
Esta es la parte que nadie te enseña en un reel de quince segundos. Lo que probé buscando el atajo… y cómo cada atajo se estrelló. Cuatro cagadas, en orden.
Montar reels «a mano» con FFmpeg
Cogí mi material real de Islandia y monté un par de reels: cortes, subtítulos, grading, limpieza de audio. Técnicamente funcionaban. (De regalo, un error clásico: FFmpeg sin la librería de fuentes, así que tuve que generar los textos como PNG transparentes aparte.)
El problema no era técnico. Era que eso ya lo tenía. No estaba escalando con IA: estaba editando, como siempre. Yo: «esto no me gusta nada, esto ya lo tengo». Tenía razón.
Ponerme «a mí» en escena con IA
Cogí un fotograma de mi cara y le pedí a la IA que me pusiera en paisajes de aventura (face-reference). Salió una mujer rubia, con chaqueta, en una montaña volcánica. Parecida.
Pero no era yo. Al 100% no era yo. Y en una marca personal, «parecida» es peor que nada. Yo: «esta no soy yo». Fuera.
El avatar que habla… a 256 píxeles
Probé varios modelos «gratis o baratos» para que mi cara hablara. Uno ni arrancó. Otro (sadtalker) funcionó y escupió el vídeo a 256×240 píxeles: basura pixelada, inservible. El mejor de todos (OmniHuman) llegó a 1088px con lip-sync realista — decente, pero a años luz de algo que enseñarías.
Nada publicable. La calidad de avatar que ves en las cuentas que admiras no sale de un modelo suelto y barato.
La voz clonada que no era mi voz
Cloné mi voz con un modelo barato para que leyera un guión. El resultado: 44 segundos para un texto de unos 22. Lenta, rara, arrastrada. Intenté acelerarla y me paré yo misma — con razón.
Porque la voz es la marca. Un sucedáneo robótico no la sustituye. Yo: «esa no es mi voz». Y punto.
El patrón de las cuatro cagadas
Todas venían del mismo error: intentar hacer con herramientas baratas o gratis lo que requiere herramientas de pago de calidad. Lo barato, en avatar y voz, sale caro: pixelado, robótico, «esa no soy yo».
Lo que sí funcionó por céntimos
No todo fueron palos. Hubo una parte que salió tan bien y tan barata que casi me da vergüenza. El b-roll. Las escenas. El decorado de la aventura.
Con FAL generé imágenes fotorrealistas de paisaje —montaña volcánica con una figura diminuta, dunas al atardecer, un río glaciar entre roca negra— con mi paleta cruda. Cinco imágenes de nivel publicable por unos 6 céntimos en total. Alrededor de un céntimo cada una.
«cinematic wide aerial shot, a tiny lone human figure standing on a vast dark volcanic mountain ridge in Iceland, cold desaturated earthy tones, moody overcast sky, sense of scale and solitude, film grain, photorealistic» → brutal.
Luego animé una de ellas a vídeo con Kling: un push-in de cámara y la figura caminando, cinco segundos, por unos 0,25€. Y la tipografía cinética de Remotion, gratis. Esto sí es real: el b-roll por céntimos existe.
Aquí sí hay margen real
Toda la parte visual —fondos, escenas, gráficos, montaje— se hace barata y bien. Es la parte «de céntimos» que sí es verdad. Pero es el decorado, no la protagonista.
El momento en que se cae el humo
En algún punto de la tarde, la historia que me estaba contando —«esto se monta gratis y rápido»— chocó de frente con la realidad. Y alguien lo dijo en voz alta.
Entre cagada y cagada, se había colado una idea cómoda: que todo esto se montaba gratis y en una tarde, enchufando OpenMontage y unas cuantas IA gratuitas. Cada avatar barato que probaba era un intento de sostener esa idea. Y cada uno fallaba.
Mientras tanto, yo estaba contrastando en paralelo con ChatGPT. Y fue tajante: «Mili, eso es humo». Tenía razón. Lo confronté, revisé, y acepté la verdad sin maquillar:
- «Le metes este repo a Claude Code y en 5 minutos, viral»
- «Todo con IA gratis»
- «Vídeos con IA por 2 céntimos»
- Seis herramientas orquestadas y muchas horas
- El avatar y la voz de calidad son de pago (HeyGen, ~29€/mes)
- Los 2 céntimos son el b-roll, NO tu cara hablando
Este fue el punto de inflexión: dejar de perseguir chapuzas gratis y aceptar la arquitectura real.
Un asistente de IA puede colártela sin querer. Contrastar —con otra IA, con mi propia cabeza— es lo que me salvó el proyecto.
La arquitectura real, sin humo
Así es el sistema de verdad, por capas. Cada una con su papel y su precio. Sin atajos que no existen.
Avatar + voz → HeyGen · PAGO
El corazón del sistema, y la parte que no es gratis. Grabas un vídeo de 2-5 minutos y crea tu gemelo digital: tu cara dice cualquier guión, con tu voz clonada. Es lo que en las cagadas 3 y 4 no conseguí con herramientas baratas.
Generación IA → FAL / Higgsfield · por uso
El decorado. Imágenes y vídeo de aventura por céntimos: fondos, escenas, b-roll con tu paleta. Aquí sí manda el «pago por uso» barato.
Montaje → OpenMontage + Remotion + FFmpeg · gratis
El taller. Une avatar y b-roll, mete tipografía cinética, cortes, grading y subtítulos. Es el chasis open-source que instalé al principio.
Dirección + guión → Claude
El cerebro. La skill mili-reels con toda la base del episodio anterior: escribe el guión fiel a mi marca y mi voz, y coordina las demás capas.
El flujo, de arriba abajo: guión (Claude) → avatar y voz (HeyGen) → b-roll (FAL) → gráficos (Remotion) → montaje (OpenMontage) → reel. Seis piezas. Ninguna hace el trabajo sola.
Parar y ordenar
La última fase no fue avanzar. Fue frenar, tirar la basura y dejarlo todo en orden. Vale tanto como saber construir.
Antes de seguir, paré. Borré las pruebas fallidas (los avatares a 256px, las voces clonadas malas, las imágenes de descarte). Corregí los documentos que habían prometido «gratis». Reescribí la skill con la arquitectura real. Y dejé un mapa de verdad para no volver a tropezar con lo mismo.
Las reglas anti-humo que me dejé escritas
Nunca prometer producción gratis o «en una tarde». El avatar de calidad es de pago. No usar avatares ni voces baratos para publicar. Anunciar el coste antes de generar de pago. Si falta una herramienta de pago, decirlo. Y una última: la estrategia es sagrada; la técnica se ejecuta con honestidad.
Dónde me quedé (y qué viene)
El taller montado, el decorado resuelto, el cerebro afinado. Y la protagonista todavía sin subir al escenario.
Al final de aquel domingo tenía casi todo: la estrategia, el montaje probado, el b-roll por céntimos funcionando (~8,5€ intactos de los 10€). Pero seguía sin poder duplicarme. Porque la pieza que falta es la de pago, y no me la salto con un truco.
- Lo que está listo: base, guiones, montaje, generación de b-roll.
- Lo que falta: HeyGen. Registrarme, pagar y —lo más importante— grabarme BIEN el vídeo de avatar: ropa lisa, luz suave, cabeza centrada, audio limpio, 2-5 minutos sin taparme la boca.
- El siguiente episodio: monto mi avatar en HeyGen de verdad y produzco el primer reel profesional de principio a fin. Con lo que salga — bien o mal.
En el Episodio 03 monto mi avatar de verdad y produzco el primer reel.
Sin humo, con costes y con lo que salga. Si te gusta ver el proceso de verdad —cagadas incluidas—, quédate.
Preguntas frecuentes
Lo que más se pregunta sobre montar un sistema de vídeos con IA.
¿Se puede clonar tu avatar con IA gratis?
No con calidad. Los avatares gratuitos o baratos salen a baja resolución o directamente no eres tú: en mis pruebas, sadtalker generó a 256 píxeles (basura pixelada) y OmniHuman quedó decente pero lejos de nivel profesional. El avatar realista y publicable es de pago: la referencia es HeyGen, unos 29€ al mes.
¿Cuánto cuesta de verdad el b-roll con IA?
Céntimos por uso. Con FAL, una imagen fotorrealista sale por alrededor de 1 céntimo, y animar una a vídeo con Kling ronda los 0,25€ por clip. El b-roll sí es barato de verdad; lo caro es el avatar hablando con tu cara y tu voz.
¿Qué herramientas hacen falta para escalar vídeos con IA?
Una orquestación de varias piezas, no una app mágica: OpenMontage, Remotion y FFmpeg para el montaje (gratis), FAL o Higgsfield para generar imagen y vídeo por uso (céntimos), HeyGen para el avatar y la voz (de pago) y Claude para el guión y la dirección. Seis piezas coordinadas y muchas horas.
¿Por qué falla clonar la voz con herramientas baratas?
Porque descuadran el ritmo y el timbre. Un modelo TTS barato me devolvió 44 segundos para un texto de 22 y no sonaba a mí. La voz es la marca: un sucedáneo lento y raro no vale para publicar. La voz de calidad, como el avatar, es de pago.
¿Es real montar un sistema de vídeos con IA en cinco minutos?
No, es humo. Es una orquestación de varias herramientas —varias de pago— y muchas horas. Los «2 céntimos» que venden son por el b-roll, no por el avatar hablando. Quien te promete un viral en cinco minutos con un repo de GitHub, te vende la parte que no existe.