¿Puede Claude procesar video? Formatos admitidos, límites y alternativas
Claude no acepta archivos MP4 ni MOV como entrada, pero aun así puedes obtener respuestas precisas sobre tus grabaciones. Este artículo enumera los formatos que Claude lee, los límites de imágenes y tokens que se aplican y cinco alternativas prácticas con fotogramas, transcripciones y fragmentación.
Arrastras un MP4 a la ventana del chat, pulsas enviar y esperas un resumen. Con Claude, ese momento suele acabar en un error o en una negativa cortés. Claude no acepta archivos de video como entrada. Lee texto, imágenes fijas y documentos, y ahí es donde empieza la historia, no donde termina. Convierte un clip en un puñado de fotogramas bien elegidos más una transcripción, y Claude podrá describir escenas, detectar errores, extraer el texto que aparece en pantalla y escribir resúmenes sorprendentemente precisos. Este artículo explica qué lee Claude, los límites que se aplican y cinco alternativas que funcionan con grabaciones reales.
La respuesta corta
Lo que Claude acepta hoy
Las entradas documentadas de Claude son texto, imágenes fijas y PDF. No hay ninguna opción para subir MP4, MOV, WebM o AVI, y tampoco gestiona la pista de audio. Si envías un archivo de video mediante una llamada a la API, recibirás un error de validación porque el tipo de contenido no se reconoce. Lo mismo ocurre con las aplicaciones de Claude: si adjuntas un video, se rechaza o se ignora.
Anthropic actualiza sus modelos con frecuencia, así que consulta la documentación de visión vigente antes de construir un producto sobre esto. Hasta ahora, sin embargo, la tendencia ha sido constante: la comprensión de imágenes sigue mejorando, mientras que la entrada de video sin procesar no ha sido un tipo de contenido compatible.
💡 Prueba rápida: si un tipo de archivo no aparece entre las entradas de imagen o documento del modelo, asume que no es compatible. No confíes en que una interfaz de chat lo gestione en silencio, porque puede descartar el archivo y responder solo con tu prompt de texto.
Lo que significa realmente "compatibilidad con video"
Cuando la gente pregunta si Claude "ve" videos, normalmente busca una de estas tres cosas:
Un resumen de lo que sucede en un clip
Respuestas concretas sobre un momento ("¿qué dice el cuadro de error en 02:14?")
Extracción de contenido, como diapositivas, código en pantalla o palabras habladas
Cada una de ellas se puede hacer sin entrada de video nativa. Un video es simplemente una pila de imágenes más una pista de audio. Claude es muy bueno con las imágenes y con el texto, así que tú le proporcionas el audio como transcripción y lo visual como fotogramas muestreados. Lo que pierdes es el movimiento continuo: Claude ve instantáneas, no flujo, así que puede pasar por alto gestos rápidos, movimientos de cámara sutiles o cualquier cosa que solo exista entre fotogramas.
Formatos admitidos de un vistazo
Formatos de imagen que Claude lee
Los tipos de imagen aceptados son los formatos web habituales. Todo lo demás necesita conversión antes de enviarse.
Tipo de entrada
Compatible
Notas
JPEG
Sí
La mejor opción para fotogramas fotográficos de video, tamaño de archivo pequeño
PNG
Sí
Ideal para capturas de pantalla, diapositivas y fotogramas con mucho texto
WebP
Sí
Compacto, funciona tanto para fotos como para capturas de pantalla
GIF
Parcialmente
Trátalo como no animado; no esperes que se lea el movimiento
MP4, MOV, WebM, AVI
No
Extrae primero los fotogramas y el audio
MP3, WAV, M4A
No
Transcribe primero a texto
PDF
Sí
Útil para presentaciones exportadas desde una grabación
Por qué los GIF animados decepcionan
Un GIF parece el atajo obvio para clips cortos, pero Claude no reproduce animaciones. Espera que se use un único fotograma, lo que significa que un GIF de diez segundos te da la misma información que una sola captura de pantalla. Si solo tienes un GIF, sepáralo en archivos PNG independientes y envía esos.
Audio y subtítulos
Tampoco existe una vía directa para el audio. Si tu video tiene diálogos, necesitas una transcripción. En PicassoIA hay dos rutas sencillas: GPT 4o Transcribe si buscas precisión, y GPT 4o Mini Transcribe cuando importan más la velocidad y el costo. Gemini 3 Pro es otra opción para el paso de transcripción. Si tu video ya incluye un archivo de subtítulos SRT o VTT, puedes pegar ese texto directamente en el prompt y omitir la transcripción por completo.
Límites que te van a complicar el trabajo
Número de imágenes por solicitud
Los flujos de trabajo basados en fotogramas alcanzan el límite de imágenes enseguida. En el momento de escribir esto, la API de Claude acepta hasta unas 100 imágenes por solicitud en modelos con una ventana de contexto de 200k tokens, con un techo más alto en los modelos que ofrecen contexto ampliado. En las aplicaciones de Claude el límite es mucho menor, de unas 20 imágenes por mensaje. Consulta las cifras actuales en la documentación de Anthropic, ya que cambian entre generaciones de modelos.
En la práctica, esto significa que una solicitud puede contener aproximadamente un fotograma cada dos segundos para un clip de tres minutos, y eso asumiendo que gastas todo el presupuesto en imágenes. Para algo más largo necesitarás fragmentar el video, lo que se explica más abajo.
Tamaño de archivo y resolución
Se aplican dos techos distintos:
Tamaño por imagen: los límites están entre un solo dígito y las decenas bajas de megabytes, y varían entre la API directa y las plataformas de socios en la nube.
Tamaño total de la solicitud: el endpoint estándar de la API tiene un límite global de solicitud de decenas de megabytes, que la codificación base64 consume rápidamente.
La resolución también importa. Las imágenes muy grandes se reducen antes de que el modelo las vea, así que subir un fotograma en 4K desperdicia ancho de banda sin añadir detalle. Un lado largo de unos 1.280 a 1.568 píxeles es un objetivo razonable. Si necesitas leer texto pequeño en pantalla, recorta la región que importa en lugar de aumentar la resolución de todo el fotograma.
Costo en tokens de los fotogramas
Las imágenes consumen contexto, y el costo crece con el área en píxeles. Una regla aproximada es ancho por alto dividido entre 750 tokens por imagen. Eso sitúa un fotograma de 1280 por 720 cerca de 1.200 tokens.
Fotogramas enviados
Tokens aprox. (720p)
Uso típico
10
12.000
Resumen de un clip corto
30
36.000
Tutorial de un minuto
60
72.000
Varios minutos, una escena por fotograma
100
120.000
Cerca del límite de una ventana de 200k
💡 Consejo de presupuesto: deja libre al menos el 20 por ciento de la ventana de contexto para tus instrucciones y la respuesta de Claude. Llenarla hasta el borde con fotogramas suele producir respuestas más superficiales.
Cinco alternativas que funcionan
1. Muestrear fotogramas a un ritmo fijo
El enfoque más sencillo es extraer un fotograma cada N segundos con ffmpeg y enviarlos en orden. Funciona bien en charlas, tutoriales y grabaciones de pantalla donde el contenido cambia despacio.
Ese comando extrae un fotograma cada dos segundos con 1280 píxeles de ancho. Nombra los archivos con números secuenciales para que el orden sea evidente, e indica a Claude el intervalo en tu prompt: "Estos fotogramas están separados por 2 segundos, en orden."
2. Elegir fotogramas en los cambios de escena
El muestreo fijo desperdicia presupuesto en tomas estáticas y se pierde los cortes rápidos. La detección de escenas resuelve ambos problemas guardando un fotograma solo cuando la imagen cambia lo suficiente.
Baja el umbral (0,2) para cambios sutiles y súbelo (0,4) para grabaciones con mucho ruido. Esto suele ofrecer mejor cobertura por token que un intervalo fijo, sobre todo en videos editados con muchos cortes.
3. Combinar fotogramas con una transcripción
Los fotogramas por sí solos pierden todo lo que se dice. Extrae el audio, transcríbelo e incluye marcas de tiempo para que Claude pueda relacionar las palabras con lo visual.
ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 audio.mp3
Envía ese audio a través de GPT 4o Transcribe y pega el texto encima de tus fotogramas. Un prompt como "Esta es la transcripción con marcas de tiempo, seguida de fotogramas tomados cada 5 segundos. Resume el video y señala cualquier momento en que el habla y lo visual no coincidan" le da a Claude una imagen completa. Esta combinación es el método general más sólido y consume muchos menos tokens que el muestreo denso de fotogramas.
4. Crear hojas de contacto
Cuando tienes demasiados fotogramas para una sola solicitud, agrupa varios en una única imagen de cuadrícula. Doce fotogramas en una cuadrícula de 4 por 3 cuentan como una sola imagen frente al límite. La contrapartida es el detalle: cada miniatura es pequeña, así que esto sirve para preguntas a nivel de escena ("¿cuál de estas tomas muestra el producto?") y no para leer texto fino. Mantén las miniaturas de al menos 320 píxeles de ancho e indica a Claude el orden de la cuadrícula, de izquierda a derecha y de arriba abajo.
5. Fragmentar videos largos
Para cualquier cosa de más de unos pocos minutos, divide el video en segmentos, ejecuta Claude en cada uno y luego pídele que combine las notas.
Corta el video en segmentos de 2 a 5 minutos.
Envía la transcripción y los fotogramas de cada segmento con el mismo prompt.
Guarda cada respuesta como un resumen breve y estructurado.
En una solicitud final, pega los resúmenes y pide una visión general única.
Este patrón de mapear y reducir mantiene cada solicitud muy por debajo de los límites y facilita rastrear los errores. Si un segmento da una mala respuesta, vuelves a ejecutar solo ese segmento.
Cómo usar Claude en PicassoIA para trabajar con video
PicassoIA ofrece varios modelos de Claude en un solo lugar, así que puedes ejecutar el flujo de fotogramas y transcripción sin manejar cuentas separadas. Entre las opciones están Claude Sonnet 5, Claude Fable 5, Claude Opus 4.7, Claude Sonnet 4.6 y Claude 4 Sonnet. Las entradas que expone cada uno pueden variar, así que abre la página del modelo y comprueba si ofrece entrada de imagen antes de planificar una ejecución basada en fotogramas.
Configuración paso a paso
Prepara los recursos. Extrae los fotogramas con ffmpeg y transcribe el audio con uno de los modelos de voz a texto enlazados arriba.
Abre un modelo de Claude.Claude Sonnet 5 es una opción predeterminada sólida para tareas mixtas de imagen y texto. Elige Claude Opus 4.7 cuando necesites un razonamiento más profundo sobre muchos fotogramas.
Escribe un prompt estructurado. Indica el intervalo entre fotogramas, pega la transcripción con marcas de tiempo y di exactamente qué resultado quieres.
Adjunta los fotogramas. Mantenlos en orden y dales nombres claros.
Haz una pregunta cada vez. Primero los resúmenes y después las preguntas de seguimiento sobre momentos concretos.
Consejos de prompt que ayudan
Dile a Claude la duración del video y el espaciado de los fotogramas, porque no puede deducir ninguno de los dos.
Pídele que cite los números de fotograma cuando describa una escena, lo que facilita detectar alucinaciones.
Solicita una tabla con marca de tiempo, evento y nivel de confianza cuando necesites una línea de tiempo.
Añade una línea como "si algo no se ve en los fotogramas, dilo" para evitar que rellene huecos con suposiciones.
Cuándo encaja mejor otro modelo
Algunas tareas necesitan de verdad video nativo: juzgar la calidad del movimiento, leer lengua de señas, seguir acciones deportivas rápidas o comprobar la sincronía entre audio e imagen. Para esos casos, la familia Gemini de Google está diseñada para aceptar video directamente a través de la API propia de Google. En PicassoIA puedes probar Gemini 3.1 Pro, Gemini 3.5 Flash y Gemini 3 Flash. Como con Claude, abre la página de cada modelo para ver qué entradas ofrece.
Tarea
Mejor enfoque
Resumir una charla o tutorial
Claude con transcripción y fotogramas muestreados
Leer código o diapositivas de una grabación de pantalla
Otras opciones de la misma categoría son GPT 5.4 y Qwen3.7-Plus, este último descrito como capaz de leer imágenes junto con texto. Merece la pena probarlos con el mismo conjunto de fotogramas para comparar cómo manejan los detalles pequeños y el texto.
💡 Comparación justa: ejecuta los mismos fotogramas, la misma transcripción y el mismo prompt en dos modelos. Las diferencias en las respuestas te dirán más que cualquier ficha técnica.
Mejora primero el material original
Una entrada de baja calidad conduce a respuestas vagas. Si tu clip está borroso, tiene ruido o es muy pequeño, aumenta su resolución antes de extraer los fotogramas. Video Upscale aumenta la nitidez para que el texto en pantalla y los rostros se mantengan al reducir a 1280 píxeles. Ayuda sobre todo con capturas de pantalla antiguas, grabaciones de teléfono y archivos comprimidos.
Errores comunes
La mayoría de los intentos fallidos se deben a los mismos errores:
Enviar demasiados fotogramas. Más imágenes no significan mejores respuestas. Treinta fotogramas bien elegidos superan a cien casi idénticos.
Olvidar el orden. Si los fotogramas están desordenados o sin numerar, Claude adivinará la secuencia e inventará una historia.
Saltarse la transcripción. El habla aporta la mayor parte del significado en entrevistas, reuniones y clases.
Usar fotogramas sobredimensionados. Subir la resolución más allá de lo que usa el modelo solo gasta tokens y tamaño de solicitud.
Confiar en las afirmaciones sobre movimiento. Claude ve instantáneas. Si dice "la cámara se desplaza a la izquierda", eso es una inferencia a partir de dos fotogramas, no una observación.
Ignorar las diferencias entre plataformas. El mismo modelo puede tener límites de imágenes distintos en la API directa, en las aplicaciones y en las plataformas de socios en la nube.
Hacer preguntas vagas. "¿Qué pasa en este video?" recibe una respuesta vaga. "Enumera cada producto que aparece y la marca de tiempo de su primera aparición" recibe una útil.
Un buen hábito es pedirle a Claude que señale los números de fotograma exactos detrás de cada afirmación. Si una afirmación no puede relacionarse con un fotograma o con una línea de la transcripción, desconfía de ella.
Haz tu primera prueba con fotogramas
Claude no puede abrir un archivo de video, pero puede razonar sobre casi todo lo que contiene cuando le entregas las piezas adecuadas. Empieza poco a poco: elige un clip de 60 segundos, extrae 20 fotogramas, transcribe el audio y pide un resumen con marcas de tiempo. Después compara el resultado con un segundo modelo para ver cuál lee mejor tu material.
PicassoIA reúne en un solo lugar los modelos de Claude, los modelos de Gemini, las herramientas de voz a texto y el escalado de video, así que puedes hacer todo el experimento sin cambiar de pestaña. Abre Claude Sonnet 5 o Claude Opus 4.7, prueba el prompt de fotogramas y transcripción de este artículo, y explora todo lo demás en picassoia.com/en/all-models. Tu primer resumen útil de video está a unos pocos fotogramas de distancia.