Serie animada con IA: un episodio de 24 segundos montado de diez maneras, y la mejor costó 162 créditos

El equipo que produce la serie animada vertical «La calle del Bosque» íntegramente con modelos en la nube ha publicado un análisis de su producción. Entre el 29 y el 31 de octubre de 2026 rehízo un episodio, «Prohibida la agitación», de unas diez maneras con Wan, Kling, Veo, Seedance, GPT Image y Nano Banana Pro. El episodio dura 24 segundos, los personajes son fijos y el habla es en ruso.

Los costes se indican en créditos de Higgsfield (la moneda interna del servicio donde se ejecuta Kling) y en bonos de Flow (así se contabiliza Veo). Ambas unidades no se pueden sumar. Todavía no hay cifras de audiencia para ningún método, y cada prueba es única, por lo que el análisis no puede considerarse un ranking de modelos.

Orden de los pasos: primero un borrador barato, después la animación

El esquema es este: biblia de personajes, guion por segundos, aprobación humana, hojas de referencia de los personajes, fotogramas en GPT Image, voces de ElevenLabs, montaje con movimiento de cámara, revisión y visionado del borrador por una persona. Solo después la escena pasa a Kling 4.0: un plano continuo y 2–3 tomas. Así, el dinero de la animación se gasta únicamente en una historia que ya ha gustado.

La conclusión principal de los autores: el punto débil eran las instrucciones imprecisas, no los modelos. El guion se detalla por segundos: quién habla, con qué entonación, qué hace quien escucha, dónde está la pausa y cuándo se revela el objeto. En la tercera instrucción a Kling añadieron la prohibición del eco, los intervalos exactos entre réplicas y la marca «ZINA ONLY». Las cinco réplicas se reconocieron sin repeticiones. Antes de publicar, un asistente de IA nuevo, sin contexto previo, cuenta la escena a partir de los fotogramas y sin sonido. Si el sentido no coincide con lo planeado, el episodio no sale.

Diez pruebas con una misma historia

Todas las pruebas son del 30 de octubre, con la historia «Prohibida la agitación», de unos 24 segundos:

• Wan 3.0 Prime + Speak 2.0, por planos: 116 créditos, unos 47 minutos.

La pinza ya está en la mano y las letras se completaron solas. Rechazado por una persona. • Kling 4.

0 + Avatars 2.0, por planos: 61,75 créditos, unos 17 minutos. Letras de más en la camiseta, y Zina parpadea en lugar de entrecerrar los ojos.

Rechazado. • Veo 3.1 Fast, por planos: 180 bonos, unos 29 minutos.

Se movió la hoja del personaje en lugar de la pinza. Rechazado. • Imágenes con cámara («cómic»): sin gastos nuevos.

Cambios de plano muy visibles, rechazado. • Kling 4.0 de una sola vez: 54 créditos, unos 6 minutos.

Las vatrushkas se ven de antemano, hay pseudotexto en la pizarra y la habitación cambia. Descartado por la revisión automática. • Seedance 2.

5 de una sola vez: 168 créditos, unos 8 minutos. Dos Zinas, rótulos erróneos y sin sonido. Descartado.

• Veo 3.1 Fast, tres partes: 80 bonos, unos 10 minutos. Los personajes se mezclaron, las vatrushkas no se revelan y el volumen es de −18,3 LUFS.

Descartado. • Kling 4.0 con guion por segundos, 3 tomas: 162 créditos, unos 16 minutos.

Un solo plano, cinco réplicas y las vatrushkas reveladas en el final. Aceptado. • GPT Image + cámara, 10 fotogramas: 12 generaciones, 373 caracteres de locución.

Las poses cambian de golpe y el texto no tiene errores. Aceptado como versión barata. • Nano Banana Pro 2K + cámara (ilimitado): las poses cambian al instante y la paloma no está en su sitio.

Sin valoración.

En una prueba ciega con seis clips (162,5 créditos), el que más gustó a la persona evaluadora fue Wan 3.0 Prime. Pero en la escena con réplicas y emociones Kling rindió mejor, y la elección no se sostuvo. Seedance salió de la producción por su calidad, aunque tenía un uso ilimitado. Los modelos de vídeo estropean las letras, así que ahora todas las hojas y pizarras en el vídeo se mantienen limpias, y los rótulos se dibujan en imágenes de GPT Image y Nano Banana. El vídeo se genera en 720p y se escala hasta 1080×1920. Generar Kling en 1080p costó 96 créditos frente a 54.

Voz y revisión: lo que la automatización no oye

La locución la hace ElevenLabs eleven_v4 con etiquetas de emoción. Para los ocho personajes se hizo un casting de 24 candidatos (2 992 créditos). La primera voz de Zina, Nadia, se descartó: está etiquetada como joven y la protagonista tiene 74 años. Se eligió Babushka Valya, pero por la descripción, no tras escucharla. Las grabaciones lentas se aceleran hasta ×1,30 sin cambiar el tono.

Kling habla con voces propias, así que el habla se sustituye. Audio Isolation separa la voz, las réplicas se cortan en ventanas, cada una pasa por Voice Changer (eleven_multilingual_sts_v2) y se coloca sobre un fondo tenue. El flujo de vídeo no cambia: su hash SHA-256 es idéntico antes y después. Los límites de las palabras se desplazaron como máximo 0,06–0,08 s según la medición de Scribe, el servicio de reconocimiento de ElevenLabs. Esto no confirma la articulación de los labios.

La revisión está separada del montaje. Se extraen fotogramas cada 0,25 segundos, unos 100 por clip, y los examina un asistente de IA. El habla la reconoce faster-whisper small en local. El volumen se mide con ffmpeg y se normaliza a −14 LUFS. La pista original oscilaba: Kling rondaba los −11,7 y Veo los −18,3, con una caída hasta −23,3 en la tercera parte. Ningún asistente de IA oye el sonido: al subir un WAV devolvió «audio input not supported». El reconocimiento devuelve palabras, no sílabas tónicas, por lo que con él no se puede comprobar el acento. No se logró conectar un diccionario de 31 palabras: a la clave de API le faltaba el permiso pronunciation_dictionaries_write.

Lo que sigue sin resolverse

Trasladar una buena imagen al vídeo no es fiable. En «¿Y dónde va el teléfono?» la caja tapa la bandeja, la lámpara se desplaza sin una acción visible y el teléfono se levanta antes de la pausa.

La hoja de Tyoma parece menor de 16 años, y todos los fotogramas heredan ese defecto. Las versiones hechas con imágenes duplican las siluetas en las transiciones de cinco fotogramas. No hay confirmación auditiva de las voces.

Lo principal que los autores no saben es cuántos rublos y horas de trabajo humano cuesta conseguir de forma regular un buen episodio, y no un único intento afortunado. La conclusión práctica para quienes hacen vídeo con IA: detallen la escena por segundos, pruébenla con fotogramas baratos y no se fíen del informe de la revisión automática sin sus propios oídos.