Ir al contenido

Caso de uso · Novedad en 2.0 · Actualizado el oct 2026

Video con IA de varias personas: haz que una foto grupal hable

El video con IA de varias personas era la pieza que faltaba en las herramientas de fotos que hablan: los modelos anteriores animaban una cara y dejaban a todos los demás congelados. OmniHuman 2.0 está diseñado para interpretaciones con varias personas, así que una sola foto de dos presentadores, una banda o una familia puede convertirse en una escena en la que la gente habla, escucha, reacciona y comparte el encuadre.

Foto+Voz=Video

Voz
¿No tienes foto? Prueba:
  • Vista previa gratis
  • Acceso con Google
  • Archivos privados
Anuncios UGC
Cantando
Varias personas
por video
5 min
de salida
720p
personas por escena
Varias
idiomas
6

Así se preparan las fotos grupales, el audio del diálogo y la dirección de quién hace qué.

Cómo preparar una foto para un video con IA de varias personas

Todas las personas que deban moverse necesitan una cara visible, idealmente de tamaño similar y sin superponerse. Dos a cuatro personas una al lado de la otra en un encuadre horizontal es el punto de partida más fácil: piensa en la mesa de un podcast, el sofá de una entrevista o una fila en un escenario. Una iluminación uniforme en todas las caras evita que una persona se vea más plana que las demás.

Si las personas están a distancias muy distintas de la cámara, las caras más cercanas dominan. Recorta para que los que hablan sean el centro de atención.

Cómo preparar el audio del diálogo

Sube un único archivo de audio mezclado con toda la conversación, en el orden en que debe sonar. Deja pequeñas pausas entre los hablantes para que los turnos se entiendan con claridad y evita que dos personas hablen a la vez durante mucho rato.

Las grabaciones de podcasts y entrevistas funcionan bien tal como están: recorta el fragmento que quieras, normaliza el volumen y súbelo en MP3 o WAV, de hasta cinco minutos.

Cómo dirigir quién habla y quién reacciona

Describe a las personas por su posición en el prompt; sé breve:

  • «El presentador de la izquierda habla primero, el de la derecha asiente y se ríe, y luego responde».
  • «La mujer de la derecha lleva la estrofa, el hombre de la izquierda se une en el estribillo».
  • «El entrevistador de la izquierda pregunta, el invitado de la derecha gesticula mientras explica, plano general fijo».
  • «Toda la familia saluda con la mano al final, acercamiento suave».

Formatos que de pronto son posibles

Videopodcasts a partir de una sola imagen fija, sketches de comedia con dos personajes, teasers de entrevistas, duetos y clips de coros, felicitaciones familiares y juegos de rol en clase. Antes, cada uno exigía grabar a varias personas juntas; ahora basta con una foto y una grabación.

Problemas habituales en escenas grupales

Si parece que habla la persona equivocada, haz que las posiciones del prompt sean inequívocas —«la persona de la izquierda» en lugar de un nombre que el modelo no puede ver— y comprueba que las caras de los hablantes tengan más o menos el mismo tamaño en el encuadre. Si todos se mueven demasiado, pide que «los que escuchan se queden casi quietos» para que destaque quien habla.

Los grupos muy grandes reparten el detalle entre muchas caras pequeñas. Para la foto de un coro o de un equipo, recorta a la primera fila y mantén el clip corto.

Cómo escribir diálogos para dos voces

Los intercambios cortos funcionan mejor: una persona pregunta, la otra responde en una o dos frases y se alternan rápido. Los monólogos largos en una foto grupal dejan al que escucha con poco que hacer; divídelos con reacciones o preguntas de seguimiento.

Preguntas frecuentes

¿Cuántas personas puede haber en un video?

Los grupos funcionan, pero de dos a cuatro caras bien visibles dan los resultados más fiables.

¿Necesito un audio separado para cada persona?

No. Sube un único archivo mezclado con la conversación y describe en el prompt quién habla.

¿Las personas pueden reaccionar mientras hablan otras?

Sí. Los que escuchan asienten, sonríen y miran a quien habla cuando lo pides en el prompt.

¿OmniHuman 1.5 admitía varias personas?

La versión 1.5 usaba una máscara para elegir a un solo hablante. Las interpretaciones con varias personas son una novedad de la 2.0.

¿Puedo usar una foto familiar?

Sí, con el permiso de todos. Las caras nítidas y de frente funcionan mejor.

¿Cuánto puede durar la escena?

Hasta 5 minutos en una sola toma.

¿Cada persona puede tener una voz distinta?

Sí. Graba o mezcla el diálogo con la voz de cada persona en un solo archivo de audio, en el orden en que hablan.

¿Los que escuchan se quedarán completamente quietos?

No: hacen pequeños movimientos naturales. Pide reacciones como asentir o sonreír si quieres más.

¿La foto grupal tiene que ser horizontal?

No necesariamente, pero un encuadre amplio le da más espacio a cada cara. Las fotos grupales verticales funcionan mejor con dos personas muy juntas, una sobre otra.

Sigue explorando

Haz que tu foto hable.

Vista previa gratis.