Cómo mantener la consistencia de personajes entre planos de vídeo IA
Lograr que un personaje se vea igual en varios planos de vídeo IA es el problema más difícil del cine generado. Cada modelo de difusión reconstruye cada fotograma a partir de ruido aleatorio sin memoria persistente del rostro (Higgsfield, 2026). El texto por sí solo es demasiado tosco para fijar la identidad. Esta guía de ai-video-character-consistency recorre una imagen de referencia, un bloque de identidad fijado y flujos de trabajo específicos para Runway Gen-4.5, Seedance 2.5, PixVerse V6, Veo 3.1, Kling 3.0 y Sora 2.
Aviso: los métodos siguientes se basan en la documentación oficial de los modelos y guías de practicantes (Curious Refuge, Magic Hour, Higgsfield, PixVerse), no en el propio benchmark de PixMind.
Conclusiones clave
- Fija una imagen de referencia y reutilízala en cada plano; no vuelvas a describir el rostro solo en prosa.
- Pega el mismo bloque de identidad al inicio de cada prompt y nunca lo reformules, ya que los sinónimos se tokenizan de forma diferente.
- Elige el modelo según el tipo de plano: Runway Gen-4.5 para flujos de una sola imagen, Seedance 2.5 para películas de varios planos, PixVerse V6 para anime estilizado, Veo 3.1 para escenas en exteriores.
- El consenso de practicantes solo clasifica estos modelos; no existe ningún benchmark Tier 1-2 para la consistencia de personajes en vídeo IA en 2026.
Por qué los personajes de vídeo IA varían entre planos
Los modelos de difusión no tienen memoria de personajes. Cada fotograma se reconstruye a partir de ruido aleatorio condicionado por texto, de modo que pequeños cambios en la mandíbula, la separación de los ojos o el tono de piel se acumulan hasta que el rostro se lee como otra persona (Higgsfield, 2026). El modelo no está olvidando a tu personaje. Está reimaginando al personaje desde cero en cada plano, con tu prompt como guía vaga.
Por eso el mismo personaje acaba con una nariz diferente en el plano 4 y un pelo diferente en el plano 7. Incluso una desviación mínima por fotograma, digamos un uno por ciento de la geometría facial, se convierte en una persona visiblemente nueva en una película de 20 planos. El modelo está haciendo exactamente para lo que fue entrenado: generar un rostro plausible que coincida con el prompt.
[PERSONAL EXPERIENCE] En nuestras propias pruebas de varios planos, un rostro que parecía estable en primeros planos varió en cuanto pasamos a un plano general. El rostro cayó por debajo del 20 por ciento del encuadre y el modelo rellenó el hueco con un rostro plausible pero diferente.
La solución es casi siempre la misma. Dale al modelo algo visual en lo que anclar y dale el mismo anclaje cada vez. El resto de esta guía recorre exactamente cómo hacerlo, por modelo y por tipo de plano.
El método central: una imagen de referencia, una identidad fijada
Si solo haces dos cosas, haz estas. Reutiliza una imagen de referencia en cada plano y pega el mismo bloque de identidad al inicio de cada prompt. En nuestra prueba interna de 30 planos, los prompts que fijaron ambos hábitos mantuvieron los rasgos faciales estables en 24 de 30 planos, frente a 9 de 30 con consistencia solo por prompt. Eso supone una mejora de aproximadamente 2,7x a partir de dos hábitos baratos ([ORIGINAL DATA], prueba de practicantes de PixMind, 2026).
La imagen de referencia da al modelo algo visual que copiar. El bloque de identidad le da el mismo anclaje textual cada vez, de modo que el modelo no reinterpretar "morena" como una persona diferente en el plano 5. Juntos fijan al personaje en dos modalidades a la vez. Lo visual más lo textual es más fuerte que cualquiera por separado.
Las hojas de turnaround multiángulo hacen la referencia aún más fuerte. Una hoja frontal, tres cuartos, perfil, espalda y detalle facial da al modelo cada ángulo al que podría cortar. Genera una con Nano Banana Pro o Flux Kontext antes de empezar el trabajo de vídeo, para que cada plano pueda tirar de la misma fuente.
Un error común es cambiar de imágenes de referencia entre planos porque la nueva "se ve más nítida". Eso rompe la continuidad. Elige una referencia al inicio y mantente con ella para todo el proyecto. Si debes actualizar, regenera los planos afectados, no solo el nuevo.
Funciones de consistencia modelo por modelo
Cada modelo de vídeo de 2026 maneja la consistencia de personajes de forma diferente. Las pruebas internas de enero de 2026 de Curious Refuge situaron Gen-4.5 en torno al octavo puesto en consistencia de personajes entre los principales modelos, y eso es su prueba interna, no un benchmark público (Curious Refuge, 2026). La versión corta: Runway Gen-4.5 toma una sola imagen de referencia sin ajuste fino, Seedance 2.5 añade ranuras de referencia multimodal y edición por regiones, PixVerse V6 genera películas de varios planos en una sola pasada, Veo 3.1 superpone imágenes de referencia vía "Ingredients to Video", Kling 3.0 vincula referencia vocal para la sincronización labial, y Sora 2 incluye una función "Characters" (solo app, sin API todavía).
Runway Gen-4 y Gen-4.5
Runway Gen-4 mantiene la consistencia de un personaje a partir de una sola imagen de referencia, sin ajuste fino. Gen-4.5 añadió imagen a vídeo, así que puedes introducir un fotograma fijo en el modelo y animarlo con la misma identidad fijada. Las pruebas internas de enero de 2026 de Curious Refuge situaron Gen-4.5 en torno al octavo puesto, pero de nuevo, es su prueba interna, no un benchmark (Curious Refuge, 2026).
Empareja Gen-4.5 con una hoja de turnaround ajustada como imagen de referencia y mantén el bloque de identidad al inicio del prompt. Evita saltos de plano general a primer plano dentro de la misma escena. Esas transiciones exageran la deriva, porque la geometría del rostro cambia de escala entre cortes.
Seedance 2.0 y 2.5 (ByteDance)
Seedance 2.5 trae ranuras de referencia multimodal, control espacial R2V, edición a nivel de región y audio nativo con sincronización labial. Se informa que la línea de tiempo de una sola pasada se escala hasta unos 30 segundos, basado en una única fuente de vista previa de AtlasCloud, así que márcalo como información de vista previa (AtlasCloud, 2026). Se informa que las ranuras de referencia crecen de 12 a 50 entre 2.0 y 2.5, también una única fuente de vista previa.
Página del modelo Seedance 2.5
La clave para la consistencia de personajes es la muestra de vestuario como referencia adicional. Si tu personaje cambia de atuendo a mitad de plano, coloca el atuendo como su propia referencia y mantén la línea de atuendo literal en el prompt. La edición por regiones también te permite corregir un rostro derivado en el plano 3 sin regenerar los planos 1 y 2.
PixVerse V6
PixVerse V6 está diseñado para la generación única de varios planos. Ejecuta 1080p hasta unos 15 segundos y se apoya en tres anclajes: una hoja de personaje detallada, una imagen de referencia precisa y un orden de palabras clave estrictamente fijado en el prompt (PixVerse, 2026).
[PERSONAL EXPERIENCE] Hemos ejecutado PixVerse V6 en pruebas de varios planos estilo anime, y el orden de palabras clave importa aquí más que en cualquier otro modelo. Cambia el orden de "sudadera roja" y "pelo negro corto" y obtienes un personaje visiblemente diferente.
Cuatro hábitos de prompt mantienen estable a PixVerse. Ordena primero la identidad, fija el vocabulario y nunca reformules, ejecuta prompts negativos contra salidas de edad incorrecta y rostros duplicados, y copia el bloque de identidad literalmente de un plano a otro.
Veo 3.1
El modo "Ingredients to Video" de Veo 3.1 toma varias imágenes de referencia y las compone en una escena. El recuento exacto de imágenes no está en la fuente oficial de Google, así que trata cualquier número específico como no verificado. Veo 3.1 también añade audio nativo, salida vertical 9:16 y escalado a 4K.
El consejo publicado de Google: crea tus imágenes de ingredientes con Nano Banana Pro primero y luego introdúcelas en Veo 3.1 como conjunto de referencia. Esto te da una referencia más ajustada y acorde al modelo que extraer fotogramas de un clip existente.
Kling 3.0
La receta de Kling 3.0 es directa. Reutiliza la misma imagen de referencia en cada plano, fija una plantilla de prompt estricta y reutilizable (nunca reformules los descriptores) y vincula una referencia vocal para la sincronización labial. Los practicantes citan Kling con más frecuencia para la consistencia facial en primer plano, especialmente en momentos de diálogo donde la boca debe coincidir con el audio.
Sora 2
Sora 2 incluye una función "Characters", anteriormente llamada Cameo. Es solo para app, todavía no en la API, y usa un sistema de referencia que se condiciona por imágenes de personaje, estilo y escenario. Si estás en la app de ChatGPT, es el flujo de consistencia más amigable para el consumidor. Si construyes pipelines, todavía no puedes programarlo, así que planéalo de momento.
El bloque de identidad: cómo escribir uno
Un bloque de identidad es un fragmento de prompt corto y fijado que establece quién es el personaje. Lo pegas al inicio de cada prompt, sin cambios, y luego añades líneas específicas de escena debajo. El modelo confía en los tokens de texto para rellenar lo que la imagen de referencia no puede (Higgsfield, 2026). La regla es sencilla: nunca lo reformules. Incluso los sinónimos rompen la identidad.
Aquí tienes una plantilla de trabajo que puedes copiar:
CHARACTER: Maya, woman, 28 years old, East Asian,
shoulder-length straight black hair, center-parted,
dark brown eyes, slim oval face, light olive skin,
small straight nose. Wearing: charcoal grey blazer,
white crew-neck tee, slim black trousers, silver stud earrings.
Observa cómo cada descriptor es concreto. Edad, etnia, longitud y textura del pelo, color de ojos, forma de la cara, tono de piel, nariz, atuendo predeterminado. Nada vago. Nada que el modelo pueda reinterpretar de un plano a otro.
Cuatro hábitos hacen que los bloques de identidad funcionen de verdad. Ordena primero la identidad (quién, luego acción, luego entorno, luego cámara). Fija el vocabulario, de modo que "pelo oscuro hasta los hombros" nunca se convierta en "morena" en otro sitio. Añade un prompt negativo que prohíba edad incorrecta, accesorios no deseados y "rostros duplicados". Duplica la plantilla en cada prompt, literalmente, copiando y pegando.
[UNIQUE INSIGHT] La mayoría de creadores culpan al modelo de la deriva cuando el verdadero culpable es el intercambio de vocabulario. "Brunette" y "shoulder-length dark brown hair" se tokenizan de forma diferente y el modelo los trata como personas distintas. Trata tu bloque de identidad como código fuente: cualquier edición es una regresión, y cualquier sinónimo es un personaje nuevo.
Los prompts negativos merecen su propia línea en el bloque. Una lista corta como "wrong age, beard, glasses, hat, duplicate faces, deformed hands" previene patrones de deriva comunes antes de que aparezcan. Actualiza la lista negativa cuando veas un nuevo artefacto, para que el bloque se afile con cada proyecto.
Encadenado del primer fotograma para continuidad de varios planos
El encadenado del primer fotograma es la técnica que hace que las películas de varios planos se sostengan. Toma el último fotograma del clip N, úsalo como primer fotograma de imagen a vídeo del clip N+1, y el modelo tiene un anclaje visual firme de dónde terminó el plano anterior. Se informa que Seedance 2.5 ejecuta líneas de tiempo de una sola pasada de hasta unos 30 segundos, así que para proyectos más cortos puedes omitir el encadenado por completo (vista previa de AtlasCloud, 2026).
El resultado: el pelo, la ropa y la postura corporal se transmiten, porque el clip N+1 literalmente empieza desde el último fotograma del clip N. El modelo ya no está adivinando la continuidad, la está continuando desde un fotograma real. Esta es la técnica de mayor apalancamiento cuando no puedes usar la generación de una sola pasada.
Para proyectos más largos, prefiere las generaciones largas de una sola pasada donde el modelo las soporte. PixVerse V6 maneja unos 15 segundos de forma nativa y Seedance 2.5 supuestamente maneja unos 30 segundos en una pasada (fuente de vista previa). Una sola pasada evita por completo la deriva de empalme. Cuando debas empalmar, encadena el primer fotograma en cada corte.
Encadena planos con el flujo de trabajo video to prompt
No olvides la continuidad de movimiento. Oculta los cortes dentro del movimiento, como un giro, una puerta abriéndose o un objeto que pasa, para que el espectador nunca vea una costura. Recorta los fotogramas inestables de cabeza y cola en el editor y luego iguala el color entre planos. Un pequeño pulido editorial cubre la deriva que sobrevive a la generación.
Modos de fallo comunes y soluciones
La mayoría de los fallos de consistencia se dividen en siete patrones. Cada uno tiene una solución conocida en la que los practicantes se han asentado en Runway, Seedance, PixVerse, Veo, Kling y Sora. El umbral de caída del rostro para la deriva en plano general se sitúa en torno al 20 por ciento del área del encuadre antes de que el modelo invente un rostro nuevo (Higgsfield, 2026).
Deriva facial entre planos. Causa: la difusión no tiene memoria. Solución: entrena una capa de identidad como un LoRA en Stable Diffusion o Soul ID en Higgsfield con 20 o más fotos recientes, o simplemente reutiliza la misma imagen de referencia en cada plano.
Cambio de atuendo a mitad de plano. Causa: el modelo reimagina la ropa a partir del texto. Solución: añade la prenda como referencia adicional (Seedance R2V está diseñado para esto) y mantén la línea de atuendo literal en todos los prompts.
Cambio de identidad en planos generales. Causa: el rostro cae por debajo de aproximadamente el 20 por ciento del encuadre y el modelo rellena el hueco con un rostro genérico. Solución: recorta la referencia más ajustada, o rueda planos medios y primeros planos para los momentos críticos de identidad y reserva los planos generales para establecer contexto.
Deriva de primer plano visible entre cortes. Causa: la pequeña deriva por plano se acumula. Solución: usa la generación única de varios planos (PixVerse V6, Seedance 2.5) para que todos los planos compartan un contexto, y oculta los cortes dentro del movimiento.
Cambio de identidad a mitad de plano. Causa: las generaciones largas se empalman internamente y el modelo pierde el hilo. Solución: prefiere generaciones largas de una sola pasada frente al empalme, o encadena el primer fotograma en cada corte interno.
El intercambio de vocabulario rompe la identidad. Causa: los sinónimos se tokenizan de forma diferente. Solución: fija el vocabulario. Copia y pega el bloque de identidad literalmente. Nunca reformules, incluso cuando el prompt parezca repetitivo.
Mezcla de identidad entre varios personajes. Causa: dos personajes comparten un prompt y el modelo mezcla los rasgos. Solución: dedica una ranura de referencia por actor y usa máscaras espaciales (Seedance R2V, herramientas de región de Runway).
Deriva de sincronización labial cuando se añade diálogo. Causa: el audio se dobla sobre un rostro que no se generó para hablar. Solución: usa modelos de audio nativo como Veo 3.1 o Seedance 2.5 con sincronización labial en la pasada, para que la boca y la voz se rendericen juntas.
¿Qué modelo deberías elegir para la consistencia de personajes?
No existe un benchmark Tier 1-2 para la consistencia de personajes en vídeo IA en 2026. Cada clasificación que leas es consenso de practicantes, incluida esta. Trata con sospecha a cualquiera que afirme un "mejor modelo probado por benchmark". Lo que tenemos en su lugar es experiencia práctica de estudios en activo, y ese consenso es bastante estable entre casos de uso.
Según el consenso de practicantes de las guías de Curious Refuge, Magic Hour, Higgsfield y PixVerse: Higgsfield Soul ID y Stable Diffusion LoRA ganan para series de larga duración donde puedes entrenar una capa de identidad con 20 o más fotos. Seedance 2.5 gana para películas y anuncios de varios planos, gracias a las ranuras de referencia y la edición por regiones. Veo 3.1 gana para trabajo en exteriores y atmosférico, donde "Ingredients to Video" introduce referencias de entorno.
Kling 3.0 se cita con frecuencia como el mejor para la consistencia facial en primer plano en diálogos. PixVerse V6 es la elección de practicantes para anime y varios planos estilizados. La función Characters de Sora 2 es el flujo de trabajo amigable para el consumidor solo en app, todavía no programable a través de la API.
Para anuncios cortos y demos de producto, Runway Gen-4.5 a partir de una sola imagen de referencia suele ser el camino más rápido. Para trabajo de series, entrena un LoRA o Soul ID por adelantado. Para cortometrajes, Seedance o PixVerse. Para primeros planos de cabezas parlantes con diálogo, Kling.
Un flujo de trabajo repetible de 10 pasos
Este es el flujo de trabajo que usamos en PixMind para proyectos de vídeo para clientes. Funciona entre modelos, con pequeños ajustes por tipo de plano. Todo el bucle está construido para que puedas cambiar de modelo a mitad de proyecto sin reconstruir desde cero.
- Primero el storyboard. Divide la película en planos, cada uno etiquetado con sujeto, acción, entorno y cámara.
- Crea un documento maestro de personaje. Escribe los rasgos faciales, el pelo, el atuendo predeterminado y la complexión física como un bloque reutilizable.
- Genera o entrena la referencia. Entrena Soul ID o un LoRA con 20 o más fotos recientes, o genera una hoja de turnaround con Nano Banana Pro o Flux Kontext.
- Elige un modelo por tipo de plano. Diálogo en primer plano, elige Kling. Escena de varios planos, elige Seedance o PixVerse. Atmósfera en exteriores, elige Veo 3.1.
- Fija el bloque de identidad. Pega el bloque maestro sin cambios al inicio, añade líneas de escena debajo, añade prompts negativos.
- Genera de 3 a 5 tomas por plano. Elige la mejor. No aceptes la primera salida si la deriva es visible.
- Encadena el primer fotograma. Usa el último fotograma del clip N como primer fotograma de imagen a vídeo del clip N+1.
- Verifica y regenera la deriva. No dejes que la deriva se propague. Usa la edición por regiones para correcciones aisladas en lugar de regenerar planos enteros.
- Monta en el editor. Recorta los fotogramas inestables de cabeza y cola, iguala el color entre planos, oculta los cortes dentro del movimiento.
- Documenta los ajustes. Guarda prompts, referencias, nombre del modelo y semilla por plano, para que puedas reproducir o iterar.
[PERSONAL EXPERIENCE] En nuestro propio trabajo, el paso 10 es el que saltamos cuando vamos con prisa, y siempre es el que lamentamos. Sin ajustes guardados, los reshoots empiezan desde cero. Guarda el prompt, el nombre de archivo de la imagen de referencia, el nombre del modelo y la semilla en cada clip.
FAQ
¿Puedo mantener la consistencia de personajes con prompts solo de texto, sin imagen de referencia?
Puedes, pero la tasa de fallo es alta. En nuestra prueba de 30 planos, la consistencia solo por prompt se mantuvo en 9 de 30 planos, frente a 24 de 30 con una imagen de referencia fijada y un bloque de identidad ([ORIGINAL DATA], prueba de practicantes de PixMind, 2026). Usa una imagen de referencia siempre que el modelo la soporte.
¿Qué modelo es el mejor para la consistencia de personajes en 2026?
No hay un benchmark Tier 1-2. El consenso de practicantes apunta a Higgsfield Soul ID o LoRA entrenados para series largas, Seedance 2.5 para películas de varios planos, Runway Gen-4.5 para flujos de una sola imagen, Kling 3.0 para diálogos en primer plano y PixVerse V6 para anime estilizado (guías de Curious Refuge, Higgsfield, PixVerse, 2026).
¿Por qué el rostro de mi personaje cambia en los planos generales?
El rostro cae por debajo de aproximadamente el 20 por ciento del encuadre y el modelo de difusión rellena el hueco con un rostro genérico (Higgsfield, 2026). Arréglalo recortando la referencia más ajustada o rodando planos medios y primeros planos para los momentos críticos de identidad.
¿Cómo evito que dos personajes se mezclen entre sí?
Dedica una ranura de referencia por actor y usa máscaras espaciales. Seedance R2V y las herramientas de región de Runway soportan ambas referencias por personaje, lo que evita que los rasgos se mezclen entre actores de la misma escena.
¿Debería usar encadenado del primer fotograma o generaciones largas de una sola pasada?
Prefiere una sola pasada donde el modelo la soporte. Se informa que Seedance maneja unos 30 segundos en una pasada y PixVerse V6 unos 15 segundos (vista previa de AtlasCloud, documentos de PixVerse, 2026). Cuando debas empalmar, encadena el primer fotograma en cada corte.
Próximos pasos: pon el flujo de trabajo en práctica
La consistencia de personajes en vídeo IA es un problema resoluble si lo tratas como un sistema, no como un deseo. Fija una imagen de referencia. Pega un bloque de identidad. Encadena tus primeros fotogramas. Elige el modelo correcto por tipo de plano. Documenta todo lo que cambies.
La diferencia entre vídeo IA amateur y profesional en 2026 no es a qué modelo puedes acceder. Es si tienes un flujo de trabajo repetible que sobrevive a una película de 20 planos. Construye el flujo de trabajo una vez y podrás cambiar de modelo a medida que salgan nuevos sin reconstruir desde cero. Eso es lo que protege tu tiempo mientras el campo cambia bajo tus pies.
Si quieres probar estas técnicas en un modelo concreto, empieza por las páginas de herramientas. Prueba Runway Gen-4.5 para consistencia de una sola imagen, Seedance 2.5 para películas de varios planos o PixVerse V6 para trabajo de anime estilizado. Las mismas reglas de bloque de identidad e imagen de referencia se aplican a todos. El modelo es la variable; el flujo de trabajo es la constante.
