La mayoría de los videos de avatares de IA parecen falsos por una razón muy simple: el prompt describe una cara y nada más. Sin lente, sin luz, sin gestos, sin tono de voz. El modelo rellena cada hueco con un valor por defecto genérico, y acabas con el mismo presentador rígido que publica todo el mundo. La solución no es un adjetivo más ingenioso. Es un prompt que se lea como una lista de planos.
Este artículo te ofrece ideas de prompts para videos de avatares de IA que puedes copiar hoy: avatares que hablan para explicaciones y atención al cliente, anuncios estilo UGC y presentadores frente a cámara para formación e inmobiliaria. Cada ejemplo está escrito en lenguaje sencillo y explica por qué funciona, para que puedas cambiar el sujeto por el tuyo.
💡 Regla rápida: describe lo que ve la cámara, lo que hace la persona y cómo suena. Omite todo lo que el espectador no pueda ver ni oír.
Qué hace que un prompt de avatar funcione
Un video de avatar es una escena corta con una persona que tiene que captar la atención. Eso significa que los detalles pequeños pesan más que en un paisaje o en una foto de producto. Una mano que se mueve un poco demasiado rápido, una luz que no parece venir de ningún sitio o una sonrisa que nunca cambia romperán la ilusión en dos segundos.

Las seis partes de un prompt sólido
Casi todos los prompts que dan un resultado creíble contienen las mismas seis piezas. No necesitas párrafos largos. Basta una frase clara por parte.
| Parte | Qué escribir | Frase de ejemplo |
|---|
| Sujeto | Rango de edad, ropa, pelo, expresión | "mujer de unos treinta años, chaqueta de lino color crema, sonrisa relajada" |
| Acción | Lo que hace la persona mientras habla | "pequeño gesto con la mano en las palabras clave, breve asentimiento al final" |
| Escenario | Dónde transcurre la escena | "estudio casero luminoso, estantería de roble, planta en una cesta" |
| Luz | Dirección y calidad | "luz suave de ventana por la mañana, desde la izquierda" |
| Cámara | Encuadre, lente, movimiento | "plano medio, 85 mm, acercamiento lento, profundidad de campo reducida" |
| Voz | Tono, ritmo, acento | "cálida, tranquila, ritmo medio, pausas breves entre frases" |
Fíjate en que "Voz" aparece en la misma lista que los elementos visuales. Los modelos con audio nativo y los modelos de sincronización labial que aceptan un archivo de audio responden mejor cuando se describe la interpretación, no solo la cara.
Palabras de realismo que sí ayudan
Omite "ultra realista" y "obra maestra 8K". Aportan poco. Estas frases dan al modelo algo físico que renderizar:
- Piel: "poros visibles, líneas finas en los ojos, sin retoque"
- Luz: "luz de ventana desde la izquierda, sombra suave en la mejilla derecha"
- Lente: "85 mm f/1.8, desenfoque de fondo suave"
- Tejido: "trama de lino, arrugas naturales en el codo"
- Movimiento: "ligero movimiento de cabeza, parpadeo natural, hombros relajados"
Una idea por clip
Un clip de cinco a diez segundos puede contener una frase hablada y un gesto. Si pides una presentación de producto, una risa, un paseo por la habitación y un texto superpuesto, obtendrás un lío. Divide la idea en varios clips y móntalos juntos.
Ejemplos de prompts para avatares que hablan
Los avatares que hablan son el uso más común: un solo rostro, una voz clara y un mensaje. Estos tres ejemplos cubren explicaciones, atención al cliente y enseñanza.
El explicador tranquilo
Plano medio cerrado de un hombre de unos cuarenta años con barba corta canosa y un jersey azul marino, sentado en una oficina tranquila. Luz suave de ventana desde la izquierda, estanterías desenfocadas detrás de él. Habla directamente a cámara con un tono firme y cálido, asintiendo levemente en las palabras importantes. Parpadeo sutil, hombros relajados. Lente de 85 mm, profundidad de campo reducida, acercamiento muy lento durante el clip.
Por qué funciona: la instrucción "asintiendo levemente en las palabras importantes" da ritmo al rostro. El acercamiento lento evita que un plano fijo parezca congelado.
La agente de atención amable

Plano de medio cuerpo de una agente de atención al cliente sonriente, con camisa azul claro y auriculares ligeros, escritorio ordenado con un equipo portátil y una planta pequeña, luz diurna fría y nublada desde la derecha. Saluda al espectador con un leve y amable ladeo de la cabeza y luego habla con una voz animada pero sin prisa. Microexpresiones naturales, mirada a la lente. Lente de 70 mm, cámara fija.
Por qué funciona: una cámara fija es la elección correcta para los videos de atención al cliente. El espectador quiere leer los labios y la expresión, no seguir movimientos de cámara. Combínalo con un guion corto y una voz de uno de los modelos de texto a voz que aparecen más abajo.
La profesora de aula

Plano medio a la altura de los ojos de una joven profesora con coleta y cárdigan de punto, de pie en un aula vacía y luminosa. Ventanas altas a la izquierda dan luz diurna difusa, y detrás de ella hay una pizarra con letra sencilla. Habla con un ritmo claro, levanta un dedo cuando introduce un término nuevo y sonríe al final de cada frase. Lente de 50 mm, grano de película suave.
Por qué funciona: el dedo levantado es un hábito docente que el espectador reconoce al instante. Un hábito creíble aporta más confianza que un rostro perfecto.
Ejemplos de prompts para anuncios y UGC
Los anuncios de estilo generado por usuarios funcionan porque parecen grabados por una persona real con un buen teléfono. Tu prompt debe proteger esa sensación: encuadre algo imperfecto, luz natural, un lugar cotidiano.
La demostración de un producto para el cuidado de la piel

Plano medio, ligero contrapicado, de una joven en una cocina soleada que sostiene con la mano derecha un pequeño bote de cerámica de cuidado de la piel hacia la cámara. Encimera de mármol, plantas verdes, luz dorada de la tarde que entra por una ventana a la derecha. Sonríe, mira el bote y luego vuelve a la lente, y dice una frase informal sobre cómo resulta usarlo. Efecto de grabación con teléfono en mano, con un leve balanceo natural de la cámara. Lente de 35 mm.
Por qué funciona: "mira el bote y luego vuelve a la lente" es el gesto que hacen los creadores reales. Desplaza la atención al producto sin un corte brusco.
💡 Consejo: mantén el producto en una mano y deja que la otra descanse o gesticule. Las escenas con dos manos sosteniendo objetos son donde fallan muchos generadores.
La promo de una entrenadora de fitness

Plano medio con ángulo bajo de una entrenadora de fitness con ropa deportiva negra en una terraza en la azotea durante la hora dorada, con el skyline de la ciudad suavemente desenfocado detrás. Una contraluz cálida le perfila el pelo desde la derecha, y una esterilla de yoga está en primer plano. Habla con una voz enérgica y segura, respira ligeramente entre frases y señala a cámara en la última línea. Lente de 35 mm, f/1.8.
Por qué funciona: la contraluz de la hora dorada favorece la piel y da profundidad a la escena con casi ninguna descripción extra. El ángulo bajo aporta autoridad.
El gancho de problema, solución y resultado
Los anuncios cortos suelen seguir una estructura de tres tiempos. Escribe un prompt por cada tiempo y mantén la misma descripción del personaje en todos.
- Problema (de 0 a 3 segundos): "Expresión frustrada, se frota la nuca, dice una frase corta sobre el problema."
- Solución (de 3 a 7 segundos): "Se anima, levanta el producto hacia el encuadre, habla con una confianza creciente."
- Resultado (de 7 a 10 segundos): "Sonrisa relajada, asiente una vez, mira directamente a la lente."
Copia el bloque del sujeto (edad, ropa, pelo, escenario) palabra por palabra en los tres prompts. Es la forma más fácil de mantener la coherencia de personajes entre clips.
Ejemplos de prompts para presentadores
Los presentadores necesitan más cuerpo en plano y más espacio. La cámara se aleja, las manos se ven y la persona suele interactuar con algo: una pantalla, una sala, un producto.
El anfitrión de formación corporativa

Plano general desde ligeramente detrás y de lado de un presentador con americana gris marengo, de pie junto a una pantalla de pared con un gráfico de barras sencillo. Sala de formación luminosa, mesa de cristal, luz cenital suave mezclada con luz de ventana. Señala el gráfico con la palma abierta, se gira hacia la cámara y habla con un tono medido y profesional. Lente de 28 mm, f/4, cámara bloqueada.
Por qué funciona: la palma abierta hacia el gráfico da al espectador un lugar al que mirar, que es exactamente lo que hace un presentador humano. Evita pedir al modelo que renderice texto legible en el gráfico. Añade los números reales más tarde en tu editor.
El recorrido inmobiliario

Plano general con ángulo bajo de una agente inmobiliaria con abrigo camel de pie en un amplio salón soleado, con grandes ventanas detrás de ella y un suelo de madera que refleja la luz suave. Da medio paso al frente, barre con una mano hacia el espacio abierto y dice una sola frase de bienvenida. Travelling lento hacia delante, lente de 24 mm, tonos cálidos neutros.
Por qué funciona: la mano que barre el espacio y el medio paso indican al modelo hacia dónde se dirige la persona, así que el movimiento parece planificado y no aleatorio.
El anfitrión de estudio de marca
Este es el estilo de prompt adecuado para intros de marca, tráileres de canal y anuncios de producto. También es la configuración que se usó para la imagen de portada de este artículo.
Plano medio a la altura de los ojos de una mujer de unos treinta y pocos años con chaqueta de lino color crema, sentada en un escritorio en un estudio casero luminoso. Estantería de roble pálido, jarrones de cerámica, una monstera en una cesta de mimbre, cortinas translúcidas que difunden la luz de la mañana desde la izquierda. Un micrófono de solapa pequeño está prendido en su solapa. Habla con un tono tranquilo y de confianza, gesticula ligeramente a la altura del pecho y termina con una sonrisa relajada. Lente de 85 mm, f/1.8.
Escribe el guion antes que el prompt
El orden de trabajo más habitual es el contrario. La gente escribe primero el prompt visual y luego pega el texto que tenga. Hazlo al revés. El guion decide la duración del clip, la emoción del rostro y el gesto.

Ajusta las palabras a los segundos
El habla natural va a unas dos o tres palabras por segundo. Eso te da un presupuesto sencillo:
| Duración del clip | Palabras habladas | Ideal para |
|---|
| 5 segundos | 10 a 14 | Un gancho o un saludo |
| 10 segundos | 22 a 28 | Un beneficio o un paso |
| 15 segundos | 35 a 42 | Una presentación corta de producto |
Los guiones sobrecargados obligan al avatar a hablar demasiado rápido, y los labios dejan de coincidir con el sonido.
Planifica seis recuadros en papel
Basta con un storyboard rápido de seis recuadros. En cada recuadro escribe la línea de diálogo, el encuadre de la cámara y un gesto. Cuando después escribas el prompt, solo tendrás que convertir cada recuadro en una frase.

Dirige la voz como a un actor
La dirección de voz es breve y concreta. Compara estas dos líneas:
- Débil: "Habla bien."
- Fuerte: "Cálida, algo divertida, ritmo medio, una pausa de medio segundo antes de la última palabra."
Si trabajas con una pista de voz aparte, genérala con un modelo como Gemini 3.1 Flash TTS, Realtime TTS 2 o Speech 2.8 Turbo, y luego pasa ese audio a un modelo de avatar.
Cómo usar P Video Avatar en PicassoIA
P Video Avatar está pensado exactamente para este trabajo: un retrato fijo más una voz se convierte en un video que habla. Los pasos siguientes funcionan igual con los demás modelos de foto a video que hablan, que aparecen en la sección siguiente.
- Prepara el retrato. Usa una imagen nítida, de frente, con el rostro visible, luz uniforme y la boca cerrada o relajada. Un encuadre como el del anfitrión de estudio de arriba es ideal. Si no tienes uno, genéralo primero con Nano Banana Pro, usando la fórmula de seis partes y una línea de estilo tipo "fotografía RAW, 85 mm".
- Prepara la voz. Sube tu audio grabado o genera una pista de voz con uno de los modelos de texto a voz mencionados antes. Mantén el archivo limpio, sin música de fondo.
- Escribe el prompt de interpretación. Describe el gesto, la expresión y la sensación de cámara en dos o tres frases. No repitas la descripción del rostro, porque el retrato ya la define.
- Genera una prueba corta. Haz primero un clip de cinco a diez segundos. Revisa los labios, el parpadeo y las manos.
- Ajusta una cosa a la vez. Si el movimiento es demasiado rígido, suaviza la línea del gesto. Si es demasiado exagerado, añade "sutil" y "hombros relajados".
- Extiende y edita. Genera los clips restantes con el mismo retrato y la misma línea de estilo, y luego combínalos en tu editor.
💡 Consejo: cambia solo el audio y la línea del gesto entre clips. Dejar intactos el retrato y la línea de estilo mantiene la coherencia del personaje.
Qué modelo para cada trabajo
Ningún modelo es el mejor en todo. Esta es una forma práctica de elegir.
| Trabajo | Modelos para probar | Por qué |
|---|
| Foto a video que habla | P Video Avatar, Omni Human 1.5, Omni Human, Fabric 1.0 | Parten de un retrato y un archivo de audio |
| Ajustar la boca al audio en un video existente | Lipsync 2, Kling Lip Sync, React 1 | Corrigen o reemplazan el habla en un clip que ya tienes |
| Traducir y doblar | Video Translate, Lipsync Precision | Reutilizan un video de presentador en muchos idiomas |
| Escena completa con audio nativo | Veo 3.1 Fast, Sora 2, Seedance 2.5 | Movimiento de cámara, entorno y habla en una sola pasada |
| Movimiento cinematográfico | Kling v3 Video, Kling v3 Motion Control | Control sólido sobre el movimiento corporal |
| Borradores rápidos | Wan 2.5 I2V Fast, Hailuo 2.3 Fast | Pruebas rápidas antes de un render final |
Cuándo usar un modelo de retrato
Elige un modelo de foto a video que hable cuando el rostro deba seguir idéntico en muchos videos: un anfitrión de marca, un instructor de curso, un agente de atención recurrente. El retrato fija la identidad, y el audio fija el mensaje.
Cuándo usar un modelo de texto a video
Elige un modelo de texto a video con audio nativo cuando la escena importe tanto como la persona: un presentador que recorre una sala, un creador en una cocina, una entrenadora en una azotea. Obtienes movimiento, sonido y entorno con un solo prompt, pero la coherencia de identidad exige más cuidado.
Cuándo usar un modelo de sincronización labial
Elige un modelo de sincronización labial cuando ya tengas un material que te guste y solo haya que cambiar el habla: un guion nuevo, una palabra corregida o una traducción.
Errores habituales que rompen la ilusión
Demasiadas instrucciones
Los prompts con ocho gestos, cuatro emociones y tres movimientos de cámara producen resultados nerviosos y temblorosos. Elige un gesto, una emoción y un movimiento de cámara por clip.
Piel perfecta y luz plana
La piel demasiado suavizada se ve artificial. Pide poros visibles y una dirección de luz. La luz frontal y plana elimina las sombras que dan forma al rostro.
Ignorar la calidad del audio
Un rostro bonito con una voz hueca y ruidosa sigue pareciendo falso. Graba o genera un audio limpio, mantén un volumen estable y deja una pausa breve al principio y al final de cada clip para que la boca pueda abrirse y cerrarse de forma natural.
💡 Lista de comprobación antes de renderizar: una idea por clip, bloque del sujeto copiado exactamente, dirección de luz indicada, gesto nombrado, voz descrita, guion que cabe en los segundos.
Crea tu primer avatar hoy
Elige un ejemplo de este artículo y cambia tres cosas: la persona, el escenario y la línea de diálogo. Genera un retrato fijo con Nano Banana Pro, añade una voz y haz una prueba de cinco segundos en P Video Avatar u Omni Human 1.5. Después cambia una sola palabra del prompt y compara los dos resultados lado a lado. Ese pequeño experimento te enseñará más que cualquier lista larga de reglas.
¿Listo para probarlo? Abre PicassoIA, elige un modelo de la tabla de arriba, pega uno de los prompts y mira cómo quedan tu propio avatar que habla, tu anuncio o tu presentador. Puedes explorar todos los modelos disponibles en picassoia.com/en/all-models.