Nano Banana 2.1 y Hailuo 3.0 en tándem: vídeo a partir de una sola foto

Dos entradas, dos modelos, un resultado. Para obtener un vídeo a partir de una fotografía, la red neuronal necesita un fotograma inicial y una descripción del movimiento. En ese esquema se basa el análisis publicado en Habr: Nano Banana 2.1 prepara la imagen y Hailuo 3.0 (también conocido como MiniMax H3) la anima. El avance por RSS solo recoge la tesis; los prompts y los ejemplos están en el texto completo, detrás del corte. Por eso, a continuación se explica qué se deduce del esquema anunciado y qué habrá que comprobar por cuenta propia.

Por qué repartir el trabajo entre dos modelos

Cuando se genera vídeo directamente a partir de texto, el modelo resuelve a la vez tres tareas: inventa la composición, define el aspecto del protagonista y calcula el movimiento. Cualquier error en la primera o la segunda arrastra después todo lo demás. El modo image-to-video elimina parte de esa incertidumbre. El rostro, la ropa, la luz y el fondo quedan fijados antes de que empiece la animación, y el modelo de vídeo se ocupa únicamente del movimiento.

Así se reparte el trabajo en la combinación analizada. Nano Banana es conocida como una línea de generadores y editores de imágenes, y Hailuo forma parte de la familia de modelos de vídeo de MiniMax. Las versiones 2.1 y 3.0 son las que el autor indica en el titular. El material no incluye especificaciones independientes de ninguno de los dos, así que no hago comparaciones con la competencia. Para la práctica basta con la propia lógica: el fotograma se puede pulir y regenerar varias veces hasta que quede impecable, y solo después lanzar la animación, que es más pesada.

Física del movimiento: dónde fallan estos esquemas

El autor pone el foco en la física del movimiento, que es el punto más débil de cualquier modelo de vídeo. Los fallos típicos son conocidos. Las manos y los dedos cambian de forma mientras se mueven. Los pies se deslizan sobre la superficie. Los tejidos y el pelo no reaccionan al viento ni a la inercia. Los objetos aparecen de la nada o desaparecen por el borde del encuadre.

De ahí la lógica del prompt de movimiento. No debe repetir lo que ya aparece en la foto: el modelo ve por sí mismo al protagonista, la ropa y el interior. Solo tiene que describir el cambio: qué hace el sujeto, cómo se mueve la cámara, qué tan rápido es el ritmo y qué ocurre con el fondo. Cuanto más concreto sea el verbo y más simple la acción, menos probable es obtener un artefacto físico. Un solo movimiento suave suele ser más fiable que una escena de cinco acontecimientos.

El avance no incluye formulaciones concretas ni comparaciones de resultados. Conviene buscarlas en el texto principal del artículo.

Qué se sabe del esquema

• Entrada 1: fotograma inicial preparado en Nano Banana 2.1.
• Entrada 2: descripción textual del movimiento.
• Modelo de vídeo: Hailuo 3.0 (MiniMax H3).
• Foco del análisis: física del movimiento y estructura de los prompts.
• Fuente: artículo en Habr, texto completo detrás del corte.
• No se revela en el avance: duración del clip, resolución, coste de generación ni condiciones de licencia.

Cómo replicar el esquema en la práctica

Empiece por el fotograma. Prepare una imagen con una composición limpia: el protagonista de cuerpo entero o de cintura para arriba, sin manos tapadas y con una fuente de luz clara. Cuanto más simple sea la geometría, más fácil le resultará al modelo de vídeo conservarla.

A continuación, escriba el prompt de movimiento con frases cortas, en el orden «sujeto, acción, cámara, ritmo». Por ejemplo: la persona gira lentamente la cabeza hacia la ventana, la cámara se acerca con suavidad, la tela ondea ligeramente. No añada al prompt el estilo ni detalles del aspecto: ya están integrados en el fotograma.

Genere varias variantes de la misma petición y compárelas según criterios concretos: si las manos conservan la forma, si el fondo se desliza, si la inercia coincide con el ritmo indicado. Si un artefacto se repite, simplifique la acción en lugar de complicar la descripción.

Antes de un uso comercial, compruebe lo que el avance no menciona: los límites de duración, la resolución de salida, el precio por segundo y los derechos sobre los materiales. De esos parámetros depende que la combinación sirva para un flujo de trabajo profesional o solo para experimentos.