Zhipu AI: CogVideoX 2

CogVideoX 2 es el modelo de generación de vídeo de Zhipu AI para una descripción escrita de una escena o una imagen proporcionada. El texto establece el sujeto, el entorno y la acción; una imagen puede aportar la base visual de la secuencia generada. Utiliza la entrada que mejor represente el material ya disponible para el plano y describe después el movimiento visible que debe contener el vídeo terminado.

Para crear a partir de texto, define un acontecimiento coherente. Una persona que abre la puerta de un taller, una pequeña embarcación que pasa junto a un muelle o un objeto que gira bajo una luz constante dan al plano un propósito claro. Indica las características importantes del sujeto, el punto de vista y la dirección del movimiento. Elige un final que pueda utilizarse en el montaje previsto, en lugar de dejar sin definir la composición final de la escena.

Para crear a partir de una imagen, prepara una vista clara del sujeto y describe cómo debe moverse la escena desde ella. El fabricante acepta referencias PNG, JPEG y JPG de hasta 5 MB, proporcionadas mediante una URL de imagen o datos de imagen codificados. Mantén visibles en la referencia los bordes importantes, los rasgos faciales y los detalles del objeto, y deja espacio para la acción solicitada dentro de la composición.

El fabricante limita las instrucciones escritas a 512 caracteres. Utiliza ese espacio para los detalles decisivos: sujeto, acción, entorno y punto de vista. Una descripción breve que explique qué objeto se mueve y qué permanece fijo es más fácil de evaluar que una lista de adjetivos de estilo generales. Si el resultado no cumple el objetivo, revisa la instrucción relacionada con el problema observado de movimiento o encuadre.

Los tamaños de salida publicados incluyen formatos cuadrados, horizontales y verticales, con opciones que van de 720×480 a 3840×2160 píxeles. El fabricante también documenta 30 o 60 fotogramas por segundo. Selecciona el formato y la frecuencia de fotogramas para el destino antes de generar y examina después el clip real para comprobar si el sujeto y sus detalles importantes siguen siendo legibles en ese encuadre.

Calidad y velocidad son modos de salida identificados por nombre en el proceso del fabricante. Los efectos de sonido opcionales generados por IA se controlan por separado de las indicaciones visuales. Conserva el modo seleccionado y el ajuste de efectos de sonido junto con las instrucciones y la imagen de referencia, si la hay, para comparar distintos clips candidatos mediante sus ajustes reales de generación.

La generación es asíncrona: se devuelve un identificador de tarea antes de que el vídeo terminado esté disponible. Conserva ese identificador durante la consulta de resultados y guarda todos los archivos de vídeo completos asociados con la operación. Guarda el propio clip para editarlo, junto con la imagen de origen cuando se utilice, en lugar de depender de una ubicación temporal del resultado o de un fotograma de vista previa.

Revisa toda la secuencia para comprobar la continuidad, los tiempos y la acción solicitada. Un plano de producto necesita una forma y unos detalles de materiales estables durante el movimiento; un plano de personaje necesita un aspecto y unos gestos coherentes. Comprueba la composición final y los sonidos generados frente al propósito del plano. Conserva los elementos de la escena que funcionen al revisar una discrepancia concreta y utiliza las mismas condiciones de visualización para comparar los vídeos original y revisado.