Seedance 2.5 hace algo que la mayoría de los modelos de video no hacen: se toma en serio tu material de referencia. Dale una imagen, un prompt de texto o ambos a la vez, y usará esas entradas como restricciones activas sobre el resultado, no solo como inspiración vaga. Esa diferencia es lo que convierte las referencias multimodales en la herramienta más práctica del flujo de trabajo de Seedance para principiantes.
Este artículo explica qué son las referencias multimodales, qué tipos de entrada funcionan mejor en cada situación y cómo crear un proceso repetible que dé resultados cinematográficos constantes cada vez que pulses generar.
La mayoría de los modelos de texto a video trabajan con un solo canal de entrada. Escribes un prompt, el modelo lo interpreta lo mejor que puede y obtienes algo que puede coincidir o no con lo que imaginabas. Seedance 2.5 rompe esa suposición de canal único al tratar la imagen y el texto como superficies de control separadas y simultáneas.
Dos canales de entrada, no uno
Seedance 2.5 acepta una imagen de referencia y un prompt de texto como entradas separadas que funcionan en paralelo. La imagen define el punto de partida visual: la composición, el sujeto, la paleta de color y las relaciones espaciales entre los elementos. El prompt de texto define el movimiento: qué se mueve, cómo se mueve y el arco de acción general del clip de 5 a 30 segundos.
Estos dos canales no se fusionan en una sola instrucción mezclada. Funcionan de forma independiente, y eso es lo que te da un control preciso sobre cada dimensión del resultado sin tocar las demás.
💡 Cambiar solo el prompt de texto manteniendo la misma imagen de referencia te permite iterar sobre el movimiento sin perder el estilo visual que ya has definido. Es la forma más rápida de afinar los resultados sin tener que generar todo desde cero.
Por qué eso cambia el resultado
Con un modelo de canal único, cada iteración obliga a reescribir todo el prompt. Si la composición es correcta pero el movimiento no, aun así tienes que modificar un prompt que afecta a ambas dimensiones a la vez. Con referencias multimodales, puedes fijar la imagen e iterar solo sobre el texto, o fijar el texto y cambiar de imagen hasta que el encuadre visual sea el correcto.
Esa separación da a los principiantes un proceso reproducible en lugar de una lotería. La imagen de referencia se convierte en un ancla estable. El prompt de texto pasa a ser la única variable que ajustas. Tras varias pruebas, desarrollas un sentido intuitivo de qué estructuras de texto producen el movimiento que quieres, y ese conocimiento sirve para cualquier generación futura con Seedance.
Los tres tipos de referencia que puedes usar
Seedance 2.5 admite tres configuraciones de referencia distintas. Saber cuándo usar cada una es la base de un flujo de trabajo multimodal sólido.
Referencias de imagen
Una referencia de imagen fija el primer fotograma del video. El modelo lee el contenido espacial de esa imagen y lo usa como base visual. Todo lo que aparece en el resultado, incluidos la profundidad, la dirección de la luz, la posición del sujeto y la textura del fondo, parte de esa imagen.
Esta configuración es la más útil para:
- Reproducir un estilo visual concreto en varios clips
- Animar un sujeto a partir de una fotografía que ya tienes
- Controlar la gradación de color y el rango tonal sin escribirlo en el prompt de texto
La imagen no tiene por qué estar generada por IA. Una fotografía bien compuesta funciona igual de bien que un recurso generado. En la práctica, una fotografía limpia, de alto contraste, con un solo sujeto claro y una iluminación coherente produce resultados más nítidos que una imagen abstracta o visualmente recargada.
Referencias de texto
Una referencia de texto funciona como un guion de movimiento. Le dice al modelo qué ocurre durante el clip: si la cámara avanza lentamente, si el sujeto camina de izquierda a derecha, si las hojas flotan por el fondo.
Las referencias de texto sólidas para Seedance 2.5 siguen una estructura de cuatro partes:
Sujeto + acción + movimiento de cámara + atmósfera
Por ejemplo: "Una mujer se sienta en un banco de un parque y gira la cabeza lentamente hacia la cámara. La cámara permanece fija. El sol de última hora de la tarde se filtra entre los árboles. Una ligera brisa mueve su pelo."
Esa estructura da al modelo información suficiente para producir un movimiento coherente sin sobrecargar la instrucción. Cada detalle extra que añades más allá de esas cuatro partes aumenta el riesgo de que el modelo priorice el elemento equivocado.
Entradas multimodales combinadas
Con una imagen y un prompt de texto a la vez, Seedance 2.5 supera con más claridad a los modelos de canal único. La imagen mantiene estable el estado visual. El texto añade el movimiento. El resultado es un clip que parece salido de un director con una visión concreta, no de una generación al azar.
| Tipo de referencia | Controla | Mejor caso de uso |
|---|
| Solo imagen | Estilo visual, composición, sujeto | Animar una fotografía existente |
| Solo texto | Movimiento, acción, atmósfera | Cuando no tienes imagen de origen |
| Imagen + texto | Estilo visual y movimiento juntos | Resultados de calidad de producción y repetibles |
El flujo combinado requiere un poco más de preparación, pero la velocidad de iteración lo compensa con creces. Como no vuelves a empezar desde cero cuando una dimensión ya está fijada, dedicas mucho menos tiempo a generaciones fallidas.
Cómo elegir el material de referencia adecuado
No todas las imágenes sirven como buena referencia. No toda descripción de texto se traduce bien en movimiento. Esto es lo que separa las entradas eficaces de las que producen resultados confusos.
Imágenes que funcionan bien
Separación clara del sujeto respecto al fondo. Si el modelo no puede distinguir el sujeto del entorno, animará los dos a la vez, lo que genera artefactos y movimientos no deseados. Un retrato frente a una pared lisa funciona mejor que un retrato tomado en una multitud densa.
Dirección de la luz coherente. Una imagen de referencia con iluminación plana o contradictoria le da al modelo información conflictiva sobre la profundidad y el volumen, y como resultado la salida suele mostrar superficies parpadeantes.
Pocos textos superpuestos o ninguno. El texto en una imagen de referencia tiende a deformarse en el resultado o a quedarse antinaturalmente rígido mientras todo lo demás se mueve. Elimina los logotipos, subtítulos o marcas de agua de las imágenes de referencia antes de usarlas.
Relación de aspecto 16:9. Seedance 2.5 maneja las referencias 16:9 de forma más predecible. Las imágenes cuadradas o verticales funcionan, pero el modelo puede reencuadrarlas o recortarlas para ajustarse a sus dimensiones nativas de salida, y eso puede alterar la composición que pretendías.
Qué hace eficaces las referencias de texto
Las referencias de texto eficaces son específicas con el movimiento y la luz, y poco específicas con el estilo visual. La imagen ya se encarga del estilo, así que tu prompt de texto no debería repetir descripciones visuales que ya están presentes en la referencia. Si tu imagen muestra un atardecer dorado y cálido, no escribas también "luz dorada y cálida" en el prompt. El modelo puede intentar cumplir la descripción de maneras que chocan con la imagen que ya tiene.
Lo que deben especificar las referencias de texto:
- Movimiento del sujeto: dirección, velocidad, qué partes del cuerpo se mueven
- Movimiento de cámara: travelling, panorámica, inclinación o plano fijo
- Movimiento del entorno: viento en la hierba, agua ondulante, objetos que caen, movimiento de multitudes
- Atmósfera sonora: Seedance 2.5 genera audio nativo sincronizado, así que especificar el sonido (lluvia, pasos, tráfico, voces de ambiente) influye directamente en la pista de audio
Lo que deben evitar las referencias de texto:
- Descripciones visuales redundantes que ya se ven en tu imagen de referencia
- Lenguaje emocional abstracto como "melancólico" o "esperanzador" sin un punto de anclaje de movimiento concreto
- Más de un evento de acción importante dentro de un mismo clip
Tu primer flujo de trabajo con Seedance 2.5
Es un proceso de tres pasos que puedes repetir con cualquier material de origen, cualquier sujeto y cualquier intención de movimiento.
Paso 1: Prepara tu imagen de origen
Empieza con una sola imagen que tenga un sujeto claro y una iluminación limpia y direccional. Si generas la imagen de referencia en lugar de usar una fotografía, el flujo Wan 2.7 I2V produce imágenes de primer fotograma de buena calidad, pensadas para animarse. Para tu primer flujo de trabajo, una fotografía real es más predecible porque no hay artefactos de generación que sortear.
Recorta la imagen a 16:9. Elimina cualquier texto superpuesto o marca de agua. Comprueba que el sujeto esté centrado o colocado según la regla de los tercios, con una separación clara respecto al fondo. Guárdala como JPG o PNG de alta calidad y resolución completa.
Paso 2: Escribe el prompt de movimiento
Abre un bloc de notas y escribe una frase para cada uno de los cuatro elementos de movimiento: acción del sujeto, movimiento de cámara, detalle del entorno y atmósfera sonora. Escríbelas por separado primero y luego combínalas en un párrafo fluido.
Lee el prompt combinado en voz alta. Si suena como un director de cine dando instrucciones a un director de fotografía, está listo. Si suena como una ficha de producto o una descripción visual, necesita más precisión sobre el movimiento.
Prompt débil: "Un video cinematográfico de una calle de la ciudad de noche con buena iluminación."
Prompt más sólido: "Un hombre con un abrigo oscuro se aleja de la cámara por una calle mojada de la ciudad. La cámara permanece fija. Los reflejos de neón se agitan en los charcos de lluvia del pavimento. Ruido de tráfico lejano, una lluvia suave y un único coche que pasa de derecha a izquierda al fondo."
La versión más sólida especifica el plano fijo exacto de la cámara, el movimiento preciso del sujeto y el sonido exacto, aunque el estilo visual de los reflejos de neón y la calle mojada ya esté implícito en una imagen de referencia sólida.
Paso 3: Ejecuta y evalúa
Envía tu referencia de imagen y tu prompt de texto a Seedance 2.5. Cuando llegue el resultado, evalúalo en tres ejes distintos:
- Fidelidad visual: ¿El resultado coincide con la paleta de color y la composición de tu imagen de referencia?
- Coherencia del movimiento: ¿El sujeto se mueve como describía tu prompt de texto?
- Estabilidad temporal: ¿El resultado se mantiene coherente durante toda su duración, sin parpadeos, geometrías derretidas ni artefactos visuales?
Si falla la fidelidad visual, el problema está en tu imagen de referencia. Si falla la coherencia del movimiento, el problema está en tu prompt de texto. Si falla la estabilidad temporal, prueba a simplificar el movimiento en el prompt de texto o a usar una imagen de referencia visualmente menos compleja.
Esta lista de tres ejes hace mucho más rápido identificar qué entrada necesita ajustes, en lugar de reescribir las dos a la vez sin saber qué ha cambiado.
Los errores más comunes de los principiantes
Dos errores explican la mayoría de los malos resultados de los nuevos usuarios de Seedance 2.5.
Señales visuales contradictorias
El fallo más habitual es usar una imagen de referencia y un prompt de texto que describen entornos visuales distintos. El modelo intenta satisfacer ambas entradas, y el resultado suele mezclarlas de formas que resultan irreales o incoherentes.
Ejemplo de conflicto: la imagen de referencia muestra una oficina interior con luz de día. El prompt de texto incluye "letreros de neón brillando bajo la lluvia de la ciudad". El modelo no puede conciliar la luz de día interior con el neón exterior, y el resultado suele producir un híbrido que no encaja de forma convincente en ninguno de los dos entornos.
La solución es sencilla: deja que la imagen controle por completo el entorno visual y elimina del texto cualquier descripción del entorno que no esté ya presente en la imagen. Si tu imagen es un espacio interior, el prompt debe describir movimientos que ocurren en interiores. Si tu imagen es un bosque, el prompt debe describir lo que se mueve dentro de ese bosque.
Prompts sobrecargados
Los principiantes tienden a escribir prompts que incluyen demasiados eventos en una sola generación. Los clips de Seedance 2.5 duran de 5 a 30 segundos. En ese margen, una acción puede representarse con convicción. Dos acciones empiezan a competir por la atención. Tres acciones suelen hacer que ninguna salga bien.
💡 Un sujeto. Una acción principal. Un movimiento de cámara. Esa estructura produce los resultados más estables en el tiempo, sobre todo combinada con una imagen de referencia sólida. Resiste la tentación de incluir un arco narrativo completo en una sola generación.
Si necesitas una secuencia con varios eventos, genera cada uno como clip propio con su propia imagen de referencia dedicada y luego combina los clips en un editor de video. La calidad de cada clip será mayor y la secuencia general se verá más controlada.
Cómo usar Seedance 2.5 en PicassoIA
PicassoIA ofrece tanto Seedance 2.5 como la versión gratuita Seedance 2.5 Lite, para que elijas según si estás iterando rápido o produciendo resultados de calidad final.
Configurar la generación
- Ve a Seedance 2.5 en PicassoIA
- Sube tu imagen de referencia preparada en el panel de entrada de imagen
- Pega tu prompt de movimiento en el campo de texto
- Selecciona la duración del clip entre 5 y 30 segundos
- Pulsa Generar y espera el resultado
La plataforma gestiona el procesamiento multimodal de forma automática. No necesitas indicar qué parte de tu entrada es visual y cuál es de movimiento. Los dos campos están separados en la interfaz, y el modelo los lee por separado.
Revisar y iterar sobre los resultados
Cuando llegue el primer resultado, míralo dos veces. Primera pasada: evalúa la fidelidad visual frente a tu imagen de referencia. Segunda pasada: evalúa la coherencia del movimiento frente a tu prompt de texto. Toma notas por escrito antes de hacer una segunda generación.
El enfoque de iteración más eficaz es cambiar exactamente una cosa cada vez. Cambia la imagen de referencia manteniendo el texto, o ajusta una frase del texto manteniendo la misma imagen. Cambiar las dos entradas a la vez hace imposible identificar qué causó una mejora o un retroceso. Una variable, una generación, una evaluación.
Para trabajos de mayor volumen, Seedance 1.5 Pro y Seedance 2.0 aceptan la misma estructura de referencias multimodales. El flujo de trabajo se transfiere directamente entre versiones del modelo, así que la experiencia con una te beneficia de inmediato en las demás.
Modelos que merece la pena comparar
Una vez que tu flujo de trabajo con referencias multimodales esté afinado con Seedance 2.5, conviene saber cómo manejan entradas similares otros modelos de PicassoIA. La mejor opción cambia según tu prioridad.
Cuándo usar Seedance 2.5 frente a alternativas
Para mantener la misma identidad del sujeto en varios clips: Kling v3 Omni Video maneja especialmente bien la coherencia de rostro y cuerpo cuando necesitas que el mismo personaje aparezca de forma constante en una serie de clips.
Para resultados más largos: Seedance 2.5 admite hasta 30 segundos, lo que es más que muchas alternativas de la plataforma. Veo 3.1 compite a esta duración con un fotorrealismo alto, pero procesa más despacio, por lo que encaja mejor en renders finales que en iteraciones rápidas.
Para iterar rápido a menor costo: Seedance 2.5 Lite y Ray Flash 2 720p generan resultados más rápidos, lo que los hace prácticos para probar combinaciones de referencias antes de comprometerte con una ejecución de calidad completa en el modelo principal.
Para controlar la región de movimiento: Wan 2.7 I2V ofrece un control más preciso sobre qué partes de la imagen de referencia deben moverse, útil cuando solo hace falta animar una región concreta del encuadre y el resto debe permanecer estático.
Para la calidad de audio nativo: Hailuo 2.3 produce audio sincronizado especialmente sólido, algo que conviene valorar cuando el diseño de sonido del clip es tan importante como el resultado visual.
El enfoque práctico para cualquier proyecto nuevo es pasar la misma imagen de referencia y el mismo prompt de texto por dos o tres modelos en una sola sesión, comparar los resultados según los tres ejes de evaluación (fidelidad visual, coherencia del movimiento y estabilidad temporal) y escalar la producción con el modelo que mejor funcione para ese tipo concreto de contenido. Lo que funciona para un retrato puede no funcionar igual de bien para un paisaje, y viceversa.
Empieza a crear tus propios videos
El flujo de trabajo con referencias multimodales en Seedance 2.5 no es complicado una vez que interiorizas su estructura. Prepara una imagen de referencia limpia. Escribe un prompt de texto de movimiento en cuatro partes. Evalúa el resultado según tres ejes. Ajusta una entrada cada vez. Repite hasta que el resultado coincida con tu intención.
Ese ciclo, cuando se vuelve algo natural, convierte la generación de video con IA en un proceso de producción controlado y deja de parecer un juego de adivinanzas. La calidad de tus resultados mejora sin aumentar el tiempo que dedicas a cada generación, porque cada ejecución aprovecha la información de la anterior.
PicassoIA te da acceso a Seedance 2.5 y Seedance 2.5 Lite, junto con decenas de otros modelos de generación de video que cubren control de movimiento, animación de rostros, síntesis de audio y escalado de alta resolución. Puedes probar el mismo flujo de trabajo con referencias en varios modelos en una sola sesión, comparar los resultados directamente y escalar el enfoque que funcione.
Si ya tienes una imagen de referencia lista, la forma más rápida de ver lo que produce realmente la generación multimodal es subirla, escribir una frase clara de movimiento y ejecutarla. Mira el resultado una vez para la fidelidad visual y otra para el movimiento. Cambia una cosa. Vuelve a generar. Los resultados mejoran rápido desde ahí, y el flujo de trabajo que desarrolles en las primeras sesiones te servirá en todos los proyectos que vengan después.
Visita picassoia.com/en/all-models para ver la gama completa de modelos de generación de video disponibles y encontrar el que mejor se adapte a tus necesidades de producción.
