Generar vídeo con Grok: una guía práctica
El modelo de vídeo de Grok convierte una frase —o una foto— en un clip corto, de hasta 15 segundos. En GO AI Chat vive en la pestaña Lab, junto a la generación de imágenes, así que no pagas por una app aparte. El patrón de prompt que funciona es aburrido y fiable: un sujeto, una acción, un movimiento de cámara, un estilo. Todo lo demás es gestionar la variabilidad.
Qué es en realidad el vídeo de Grok
Es un modelo de texto a vídeo y de imagen a vídeo de xAI. Le das una descripción o una imagen fija; devuelve un clip corto con movimiento sintetizado. No es un editor, ni una biblioteca de material de archivo, ni una herramienta para montar una escena de dos minutos. Tratarlo como un generador de planos —un momento, de unos pocos segundos— es el modelo mental que produce resultados aprovechables.
La misma capacidad de base mueve la generación de vídeo en varios sitios, incluido X. Lo que cambia es el contexto que la rodea: en GO AI Chat el clip acaba en tu carrete y no en un feed, y ya estás en la app donde escribes, investigas y generas imágenes.
El patrón de prompt
Todos los prompts de movimiento que nos han funcionado tienen las mismas cuatro partes. Si falta una, el modelo se la inventa, normalmente mal.
- Sujeto: quién o qué, con precisión. «Una mujer con un impermeable amarillo», no «una persona».
- Acción: una cosa que ocurre. «Camina hacia la cámara». No «camina, luego se gira, luego saluda».
- Cámara: el modelo va a mover la cámara le pidas o no, así que pídeselo. «Acercamiento lento». «Plano general fijo». «Seguimiento en cámara en mano».
- Estilo: «rodado en 35 mm, poca profundidad de campo», «anime con sombreado cel», «documental granulado».
Todo junto: «Una mujer con un impermeable amarillo camina hacia la cámara bajo lluvia iluminada por neones, acercamiento lento, rodado en 35 mm con poca profundidad de campo.» Se lee como una lista de planos porque lo es.
Duración, formato y calidad
Importan tres ajustes, y se relacionan con el coste: los clips más largos y de más calidad consumen más de tu saldo de tokens, así que conviene elegir a conciencia en lugar de ir al máximo por defecto.
| Ajuste | Qué elegir | Por qué |
|---|---|---|
| Duración | 5-8 s para casi todo; 15 s solo si el movimiento lo pide | Los clips largos se van más a la deriva. Un plano ajustado de 6 segundos gana a uno de 15 que divaga. |
| Relación de aspecto | 9:16 para Reels, TikTok y Shorts; 16:9 para cualquier cosa apaisada | Genera en el formato en el que vas a publicar: recortar después tira resolución y recompone el plano por ti, y mal. |
| Calidad | Nivel bajo mientras iteras el prompt; súbelo para el que te quedas | La exploración del prompt es donde se gastan las ejecuciones. No las gastes a calidad máxima. |
Imagen a vídeo: la vía infravalorada
Partir de una foto elimina la parte más difícil del trabajo: el modelo ya no tiene que inventar qué aspecto tienen las cosas, solo cómo se mueven. Por eso los resultados de imagen a vídeo suelen ser más coherentes que los de texto a vídeo con la misma idea.
La regla que decide el éxito: la imagen fija tiene que sugerir un movimiento plausible. Un retrato con el pelo suelto sugiere viento. Una taza de café sugiere vapor. Un coche aparcado no sugiere nada, y el modelo se inventará algo. Si no puedes decir en cinco palabras qué debería moverse, elige otra foto.
En qué es realmente malo
Ser concreto con los límites es más útil que una lista de funciones:
- Texto en el encuadre. Carteles, logotipos y rótulos salen como galimatías de aspecto convincente. Añade el texto después en un editor.
- Manos haciendo trabajo fino. Escribir a máquina, tocar un instrumento, manipular objetos pequeños: sigue siendo el fallo clásico.
- Consistencia de personajes entre clips. Dos generaciones de «la misma» persona no coincidirán. Planifica planos que no exijan continuidad, o usa imagen a vídeo desde una misma foto para los dos.
- Contar. «Tres perros» suele dar dos o cuatro. Di «un perro» si el número importa menos que el plano.
Un flujo que desperdicia menos ejecuciones
- Escribe el prompt de cuatro partes. Reléelo y borra el segundo verbo.
- Genera una vez con un nivel de calidad bajo y una duración corta.
- Si está un 80 % bien, regenera el mismo prompt: solo la variabilidad suele arreglarlo.
- Si está mal de una forma concreta, cambia exactamente una parte del prompt. Cambiar tres no te dice nada.
- Cuando el plano ya esté bien, vuelve a ejecutarlo con la calidad y la duración que realmente quieres.
La versión completa paso a paso, incluyendo dónde están los botones, está en nuestro recorrido de vídeo en el iPhone. Para cómo se compara Grok con GPT-5 en todo lo que no es vídeo, mira Grok 4 vs GPT-5.
Preguntas frecuentes
¿Cuánto puede durar un vídeo generado con Grok?
Hasta 15 segundos: ese es el techo del selector de duración. La coherencia se degrada con clips más largos, y por eso los modelos actuales los limitan.
¿Puede animar una foto que ya tengo?
Sí, con imagen a vídeo. Funciona mejor cuando la imagen sugiere un movimiento plausible y no una acción compleja sin pistas en la foto.
¿Por qué salió distinto del prompt?
Variabilidad real entre ejecuciones. Si está más o menos bien, regenera antes de reescribir. Si está del todo mal, el prompt pide varias cosas a la vez.
¿Necesito una app aparte?
No. GO AI Chat ejecuta el vídeo a través de Grok en la misma app que el chat, las imágenes y la voz, y el resultado se guarda en tu carrete.