No describas la emoción: dile a la IA qué hace el personaje
La IA no entiende que algo está «triste»: solo copia gestos. La fórmula exacta que usan Sora 2, Kling y Runway para expresiones creíbles.
OpenAI lo dice en su propio manual. En la guía oficial de prompting de Sora 2 hay una frase que deberías subrayar: cambia "se mueve rápido" por "trota tres pasos y se detiene en el bordillo". Verbos y sustantivos que apuntan a algo visible, dice el documento, siempre dan un resultado más claro y consistente.
Fíjate en lo que no dice esa frase: en ningún momento habla de sentimientos. Habla de pasos, de bordillos, de asfalto mojado. Es el mismo principio que Pirinai compartió hace unos días en su canal de Telegram: si quieres que un personaje se vea triste, no le pidas tristeza. Pídele que baje la mirada, se le humedezcan los ojos y apriete los labios.
El truco tal y como lo compartió Pirinai en Telegram, de la mano de Chris, animador senior y de producción audiovisual: cambia la emoción que quieres transmitir por la acción que la demuestra.
Lo que importa
Aquí está la tesis, sin rodeos: el modelo no sabe lo que es la tristeza. Nunca lo ha sabido. Lo que sabe es qué pinta tienen miles de vídeos etiquetados con la palabra "triste" en su dataset de entrenamiento, y esa pinta es genérica, promediada, aburrida. Cuando escribes "está triste" le pides que adivine tu personaje a partir de un promedio estadístico. Cuando le describes el gesto exacto, le das las coordenadas. Esa es la diferencia entre un prompt que falla la mitad de las veces y uno que funciona a la primera.
Qué dice la gente
En el foro oficial de Adobe, un usuario lleva desde febrero de 2024 quejándose de que Firefly no genera "a un niño llorando" por más que pruebe con las palabras "triste" y "melancolía". No es un caso aislado: la comunidad que prueba estos modelos a diario ha llegado a la misma conclusión por el camino largo, a base de prompts fallidos.
El canal Geeky Animals lo probó a fondo en Runway: con gestos concretos ("los hombros caen, la mirada se clava en el suelo") consiguió resultados válidos en 3 de cada 4 intentos. Con la palabra "triste" sola, la tasa se hundía.
Brian Sykes, que escribe sobre generación de vídeo, lo resume con un ejemplo brutal: cambiar "el hombre está triste" por "fuma un cigarro, la mirada barre el suelo, le tiemblan los labios, intenta hablar y solo respira, se le tensa la garganta" es la diferencia entre un maniquí y una actuación.
Pero ninguno de ellos se pregunta por qué pasa esto exactamente. Y la respuesta tiene que ver con cómo se entrena a estos modelos, no con lo mal que escribes tus prompts.