30 prompts para animar una foto, por escenario y por modelo

Un prompt para animar una foto describe movimiento, no una imagen: qué hace el sujeto, cómo se comporta la cámara y qué debe permanecer quieto. La foto ya ha fijado el rostro, la luz y la composición, así que las descripciones largas del aspecto solo estorban. A continuación encontrará 30 prompts listos para copiar, organizados por escenario: retratos, fotos de familia, niños, mascotas, fotos antiguas, productos, comida, paisajes y arte con IA. Cada uno incluye qué obtendrá, por qué funciona la redacción y qué modelo elegir, con los precios en créditos de octubre de 2026.

Respuesta rápida

Un prompt eficaz para animar una foto tiene cuatro partes: movimiento del sujeto + comportamiento de la cámara + qué no tocar + ambiente y sonido. Una o dos frases, con una sola acción principal por cada clip de 5–6 segundos. Cuantos menos movimientos pida, menos artefactos obtendrá: el modelo conserva intactos el rostro y el fondo cuando no tiene que redibujar la mitad del encuadre.

Elija el modelo según el escenario y el presupuesto. Retratos y fotos de familia: Kling 3, 5 segundos en 1080p por 44 créditos. Pruebas rápidas de ideas: Grok Imagine Video 1.5, 5 segundos en 720p por 9 créditos, con sonido incluido. Productos: Hailuo 2.3, 6 segundos en 768P por 17 créditos. El comienzo más económico: HeyGen Video, 5 segundos en 768p por 5 créditos. Los precios se tomaron el 29 de octubre de 2026 de la calculadora de costes de Clipia; las cuentas nuevas reciben 5 créditos al registrarse.

Cualquiera de estos prompts puede ir directamente a la herramienta Foto a vídeo: suba la foto, elija un modelo y pegue el texto. Si necesita un recorrido paso a paso por la interfaz, lo encontrará en la guía sobre cómo animar una foto; este artículo trata solo de prompts.

En qué se diferencia un prompt para animar una foto de uno normal

En texto a vídeo, el prompt lo lleva todo: sujeto, lugar, luz, estilo. En imagen a vídeo, la mitad del trabajo ya la hace la foto. El modelo toma la foto como primer fotograma y construye los siguientes, así que describir el aspecto y el entorno es innecesario y a veces perjudicial: cuando el texto contradice la imagen, el modelo empieza a «corregir» la foto para que encaje con el texto, y el rostro se desvirtúa.

De ahí la estructura que siguen todos los prompts de más abajo:

1. Movimiento del sujeto. Una acción principal y un detalle pequeño: «slowly turns her head and smiles», «lifts the cup and takes a sip». Verbo + dirección + ritmo.
2. Cámara. Fija (static), acercamiento lento (slow push-in), alejamiento lento (slow pull-back), panorámica lenta (slow pan). Con una foto casi siempre conviene una cámara lenta: un movimiento rápido obliga al modelo a inventar lo que la foto nunca mostró.
3. Qué no tocar. «Background stays still», «composition unchanged», «clothes and hair unchanged». Esta parte elimina la mayoría de los artefactos.
4. Ambiente y sonido. Luz, viento, partículas en el aire. El sonido, solo para los modelos que lo generan: Grok Imagine Video 1.5, Veo 3.1, Seedance 2.0, HeyGen Video y Kling 3 como opción de pago.

Una plantilla que puede rellenar con cualquier foto:

Qué modelo elegir para cada escenario

En el catálogo de Clipia hay nueve modelos capaces de convertir una foto en vídeo. Para esta colección nos hemos quedado con siete: cubren todos los escenarios de más abajo y su precio varía en un factor de nueve. Los precios son los del 29 de octubre de 2026 para un clip con la duración base.

Una rutina práctica: pruebe el prompt en Grok Imagine Video 1.5 o en HeyGen Video por 5–9 créditos y haga después el render final en Kling 3 o en Hailuo 2.3. Así, comprobar los 30 prompts de este artículo cuesta entre 150 y 270 créditos, más o menos lo mismo que uno o dos clips de Seedance 2.0 de 5 segundos en 1080p (143 créditos cada uno).

30 prompts para animar una foto, por escenario

Los prompts están agrupados por tipo de foto. Dentro de cada grupo van de la opción más tranquila a la más compleja. La duración es de 5–6 segundos en todos los casos, salvo que se indique otra cosa.

Retratos y selfies

1. Una mirada viva. El prompt base para cualquier retrato; empiece por aquí a probar su foto.

Qué obtiene: 5 segundos de un retrato que «respira», donde solo se mueven los ojos, la cabeza y las comisuras de los labios. Por qué funciona: dos micromovimientos y la prohibición de modificar el fondo evitan que el modelo redibuje el rostro. En Kling 3 es el escenario más estable; HeyGen Video, por 5 créditos, da un resultado similar para redes sociales.

2. Retrato con acercamiento de cámara. Para portadas e intros que necesitan un toque cinematográfico.

Qué obtiene: un acercamiento lento con un cambio de mirada, como en la cabecera de una serie. Por qué funciona: el acercamiento es el único movimiento de cámara que nunca obliga a inventar los bordes del encuadre. La frase sobre el desenfoque del fondo le indica al modelo que puede cambiar la periferia, pero no el rostro.

3. Risa. Una emoción más intensa que la sonrisa, aunque todavía sin manos ni giros del cuerpo.

Qué obtiene: una risa natural a lo largo de 5 segundos que vuelve a la pose inicial. Por qué funciona: la acción está escrita en tres fases con un punto final, la mirada a cámara, de modo que el clip no se corta a mitad de gesto. Aquí, Kling 3 en 1080p es el que mejor conserva el rostro.

4. Selfie con viento y una frase. Para modelos con sonido: Veo 3.1 o Grok Imagine Video 1.5.

Qué obtiene: 5–8 segundos de un selfie «vivo» con una frase corta y ruido de calle. Por qué funciona: una frase entre comillas y una cláusula «Sound:» aparte separan el habla del ambiente; de lo contrario, los modelos con sonido tienden a poner música por encima de la voz. En Veo 3.1 Fast en 1080p este clip cuesta 24 créditos.

Fotos de familia

5. Foto de grupo: todos cobran vida. La principal dificultad de los grupos: el modelo anima a una persona y deja congelados a los demás.

Qué obtiene: todo el grupo cobra vida, sin recolocaciones y sin manos que desaparecen. Por qué funciona: «each person makes one movement» reparte la atención del modelo, mientras que «stays in place» prohíbe mover a las personas por el encuadre. Para grupos de 4–6 personas use Kling 3 en 1080p; de lo contrario, los rostros pequeños se emborronan.

6. Un abrazo. El contacto entre dos personas es un riesgo, pero un gesto sencillo lo justifica.

Qué obtiene: un gesto cálido a lo largo de 5 segundos. Por qué funciona: la acción es un único movimiento hacia un punto, no una cadena de gestos. La palabra «slow» reduce el número de fotogramas con manos superpuestas, que es donde más fallan los modelos.

7. Una foto de celebración. Una escena con objetos: tarta, velas, copas.

Qué obtiene: 5–6 segundos de un brindis durante la cena. Por qué funciona: hay una sola acción principal y es la misma para todos, así que el modelo mantiene al grupo sincronizado. Aquí es aceptable un alejamiento de cámara: la mesa y el mantel son fáciles de ampliar, a diferencia de los rostros. Con sonido, use Seedance 2.0 o Veo 3.1; sin sonido, Hailuo 2.3 por 17 créditos.

Niños

8. Un niño riéndose. Los modelos redibujan los rostros de los niños con más facilidad que los de los adultos, así que el prompt lleva más restricciones.

Qué obtiene: una risa infantil natural sin que el rostro «envejezca». Por qué funciona: pedir de forma explícita que se conserven la edad y los rasgos no es una formalidad; sin ello, los modelos suelen añadirle dos o tres años al niño en 5 segundos.

9. Pompas de jabón. Añadir movimiento alrededor del sujeto, y no sobre él.

Qué obtiene: un clip ligero, de cuento, en el que el movimiento principal son las pompas y la niña solo mueve la mirada. Por qué funciona: los objetos añadidos son más fáciles de animar que las expresiones faciales y apartan la atención del espectador de las pequeñas imprecisiones del rostro. Wan 3.0 y Hailuo 2.3 lo resuelven bien.

Mascotas

10. Un gato que gira la cabeza. El pelaje es la prueba del algodón de un modelo con las texturas.

Qué obtiene: 5 segundos de un gato perezoso con un bostezo a mitad del clip. Por qué funciona: el bostezo es un movimiento grande y reconocible que los modelos conocen bien. La frase sobre la textura del pelaje evita que el animal se vuelva de plástico.

11. Un perro moviendo la cola. El movimiento de la parte trasera falla a menudo si no se da una instrucción explícita.

Qué obtiene: un perro «sonriente» con la cola en pleno movimiento. Por qué funciona: «paws stay in place» resuelve el problema principal: a los modelos les encanta lanzar al perro a correr, y este pierde enseguida la forma. El sonido es útil en Grok Imagine Video 1.5, 9 créditos en 720p.

12. Una mascota y el viento. Movimiento externo en lugar de anatomía compleja.

Qué obtiene: una escena otoñal y tranquila, casi un cinemagraph. Por qué funciona: la anatomía no interviene en absoluto; el modelo anima solo el pelo y las hojas, y estas escenas rara vez fallan, incluso en modelos económicos como Hailuo 2.3 Fast, por 11 créditos.

Fotos antiguas y de archivo

Los escaneos y las fotos impresas de álbum tienen reglas más estrictas: el grano, los arañazos y la paleta en blanco y negro deben sobrevivir; de lo contrario, el clip deja de ser «esa foto». La restauración es otro tema; aquí, solo prompts.

13. Un retrato del álbum.

Qué obtiene: una foto de archivo revivida, al estilo de los primeros «retratos vivos». Por qué funciona: importa la doble prohibición, «no colour» y «grain preserved»; de lo contrario, el modelo colorea la foto sin avisar y limpia el ruido, y se obtiene una imitación moderna de lo antiguo.

14. Una foto de grupo de la década de 1950.

Qué obtiene: 5–6 segundos de recuerdos revividos, con el foco en el centro del encuadre. Por qué funciona: una persona recibe un gesto y las demás solo expresiones; así se mantiene la composición, y el acercamiento tolera la falta de nitidez de un escaneo de archivo. Lo mejor es Kling 3 en 1080p: los rostros pequeños de una foto de grupo necesitan resolución.

15. La foto de boda de los abuelos.

Qué obtiene: un movimiento tierno que no choca con la época de la foto. Por qué funciona: el velo es una tela ligera: a los modelos les resulta fácil moverla y el resultado es convincente; el resto de la escena permanece estático.

Bodas y celebraciones

16. Un beso en una foto de boda.

Qué obtiene: un clip de 5 segundos para una invitación de boda en vídeo o para una story. Por qué funciona: el acercamiento de los dos rostros está escrito como un único movimiento fluido con un final claro; la tela añade movimiento «vivo» extra sin ningún riesgo.

17. Confeti de cumpleaños.

Qué obtiene: un clip festivo con un «acontecimiento» en el centro. Por qué funciona: soplar las velas es una sola acción con un resultado visible, las llamas se apagan, y el confeti mantiene ocupado al modelo con una física de partículas sencilla. Seedance 2.0 es el que resuelve con más coherencia una escena con varios movimientos.

Productos y bodegones

Los clips de producto tienen una sola regla: el objeto no cambia ni un píxel, ni su forma, ni su logotipo, ni su color. Todo el movimiento va a la cámara, a la luz y al entorno. Un desglose paso a paso de los formatos para fichas de producto está en el artículo sobre cómo hacer vídeos con IA; a continuación, los prompts.

18. Órbita alrededor de un frasco.

Qué obtiene: una órbita «publicitaria» de 6 segundos con brillos vivos. Por qué funciona: el arco es limitado; dentro de 30 grados el modelo nunca tiene que inventar la cara oculta del frasco. Hailuo 2.3 en 768P por 17 créditos es el estándar de trabajo para este tipo de fichas.

19. Zapatilla con partículas.

Qué obtiene: un clip dinámico para la ficha de un marketplace o para un anuncio en el feed. Por qué funciona: la rotación está limitada por un ángulo y el logotipo se nombra aparte; son los puntos en los que los modelos más a menudo dibujan de su propia cosecha.

20. Cuidado de la piel y gotas de agua.

Qué obtiene: un clip tranquilo y «fresco», sin un solo movimiento del propio producto. Por qué funciona: toda la animación pasa a las gotas y a las hojas, objetos sencillos para el modelo. Este prompt rara vez falla, incluso en Hailuo 2.3 Fast.

21. Ropa sobre un maniquí o una modelo.

Qué obtiene: 5 segundos de un lookbook «vivo». Por qué funciona: la tela es el material favorito de los modelos de vídeo, y el micromovimiento de la modelo no afecta al rostro ni a las manos. Si el estampado es complejo, use Kling 3 en 1080p: a 720p un dibujo fino empieza a ondularse.

Comida y bebidas

22. Vapor sobre una taza.

Qué obtiene: un cinemagraph para un menú, una story de cafetería o una portada. Por qué funciona: el vapor y las ondas son movimientos que no obligan a cambiar la forma de ningún objeto. Una opción económica es Grok Imagine Video 1.5: 9 créditos en 720p o 5 en 480p.

23. Un plato con salsa.

Qué obtiene: 5–6 segundos de un plano «de restaurante» con una sola acción. Por qué funciona: la mano entra en el encuadre y sale; a un modelo le resulta más fácil mostrar un gesto de forma parcial que mantener la anatomía de la mano durante los 5 segundos. Con sonido: Seedance 2.0 o Veo 3.1 Lite, por 11 créditos en 720p.

Paisajes, ciudades y viajes

24. Nubes y agua.

Qué obtiene: 5–10 segundos de un paisaje tranquilo para una intro o un fondo. Por qué funciona: tres capas de movimiento a distintas velocidades (nubes, agua, hierba) crean profundidad sin poner en riesgo la composición. Para clips largos de hasta 30 segundos elija Wan 3.0; 5 segundos en 720p cuestan 32 créditos.

25. Una calle de la ciudad al anochecer.

Qué obtiene: una postal viva para un blog de viajes. Por qué funciona: el movimiento se asocia a objetos comprensibles (coches, peatones, luz) y la arquitectura queda explícitamente «congelada». Los peatones se describen como pocos: una multitud es la forma más segura de acabar con artefactos.

26. Una foto de viaje con una persona.

Qué obtiene: 5 segundos de «estoy aquí» para stories y Reels. Por qué funciona: un gesto con los brazos es arriesgado, pero aquí es grande e inequívoco, y el alejamiento de cámara distrae al modelo de las manos. Pruebe primero en Grok Imagine Video 1.5 y haga después el render final en Kling 3.

Arte, ilustración e imágenes generadas con IA

27. Un retrato de fantasía. Las imágenes generadas se animan con más facilidad que las fotos: no tienen grano de película ni una luz compleja.

Qué obtiene: una portada «viva» para un canal o la ficha de un personaje. Por qué funciona: las partículas y la tela aportan mucho movimiento sin alterar los rasgos faciales; pedir que se conserve el estilo evita que el modelo derive hacia el fotorrealismo. Para el arte con IA existe además Midjourney Image to Video, por 36 créditos: conserva el aspecto de la obra, pero no tiene sonido.

28. Un paisaje a la acuarela.

Qué obtiene: una ilustración animada para una presentación o una intro. Por qué funciona: la frase aparte sobre las pinceladas y el papel mantiene al modelo dentro de la técnica de la acuarela; sin ella, pinta un follaje realista sobre el dibujo.

Para Reels y Shorts: el movimiento gancho

Los clips verticales se ganan o se pierden en los dos primeros segundos. Por eso, en estos prompts la acción empieza de inmediato, no a mitad del clip.

29. Un giro brusco hacia la cámara.

Qué obtiene: un gancho de dos segundos y tres segundos de contacto visual sostenido. Por qué funciona: «from the very first frame» elimina la pausa típica del inicio, en la que el sujeto se queda quieto durante un segundo. Solo es adecuado para fotos en las que se vea un perfil o la parte posterior de la cabeza; de lo contrario, el modelo tiene que inventar un rostro.

30. Una transición de luz.

Qué obtiene: una apertura lista para un clip de «mañana / nuevo día / lanzamiento». Por qué funciona: un cambio de iluminación es un acontecimiento barato para el modelo y se lee como un recurso de montaje. Para vídeo vertical elija 9:16 en los ajustes, no en el texto del prompt.

Cómo adaptar un prompt al modelo

Cada modelo interpreta las mismas palabras de forma distinta. Unos cuantos ajustes que ahorran créditos:

• Kling 3 entiende bien los términos de cinematografía: «push-in», «pull-back», «pan», «shot size» (tamaño de plano). Escriba primero la cámara. El sonido es una opción aparte y cambia el precio: 5 segundos en 1080p cuestan 44 créditos sin sonido y 65 con él, así que deje la opción desactivada en los escenarios silenciosos.
• Hailuo 2.3 prefiere los prompts cortos: una acción y una línea sobre la cámara. No necesita descripciones largas del ambiente; su fuerte son los productos y los bucles cortos.
• Grok Imagine Video 1.5 y Veo 3.1 generan sonido, así que la línea «Sound:» es obligatoria incluso cuando se quiere silencio: escriba «no speech, no music».
• Wan 3.0 admite clips de hasta 30 segundos; para esos casos, describa movimientos que puedan durar: nubes, agua, luz. Las expresiones faciales se desmoronan a lo largo de 30 segundos en cualquier modelo.
• Seedance 2.0 maneja dos o tres movimientos simultáneos, pero cuesta 57 créditos por 5 segundos en 720p. Úselo para escenas, no para retratos individuales.
• HeyGen Video es la opción para retratos y selfies que hablan, por 5 créditos. Para un retrato con voz y una frase hablada, consulte la selección de herramientas del artículo sobre la mejor IA de lip sync: allí hay modelos específicos para la sincronización labial.

Errores frecuentes

• Describir el aspecto. «A beautiful girl with blue eyes» sobre la foto de una mujer de ojos marrones hace que el modelo discuta con la imagen. Describa el movimiento, no a la persona.
• Varias acciones a la vez. «Turns, waves, walks to the camera and laughs» son cuatro movimientos en 5 segundos. El resultado es un caos. Una acción principal y un detalle.
• Una cámara rápida. «A quick 360-degree orbit» obliga a dibujar todo lo que la foto nunca mostró. Con una foto, solo movimientos lentos y ángulos limitados.
• Sin restricciones. Sin «background unchanged», el modelo da por hecho que puede reconstruir la escena. Añada esa frase siempre.
• Una foto de origen deficiente. Ningún modelo arregla una foto borrosa, oscura o muy comprimida: multiplica fielmente los artefactos del original en cada fotograma. Empiece con una foto nítida en la que el sujeto ocupe una parte significativa del encuadre.

Cómo lo comprobamos

La colección se reunió el 29 de octubre de 2026. La lista de modelos y sus capacidades (imagen a vídeo, sonido, duraciones y resoluciones) se verificó con el catálogo de Clipia en esa fecha. Todos los precios del artículo se tomaron de la calculadora de costes de Clipia para parámetros concretos: modelo, duración y resolución; no usamos «desde N créditos». La estructura de los prompts se basa en las guías oficiales de Kling, xAI y Google Veo para redactar prompts y en las pruebas publicadas en nuestra guía de animación de fotos, donde parte de las formulaciones ya se ha probado con fotos reales. No se generaron clips con los 30 prompts para este artículo: son plantillas que conviene probar en un modelo económico antes del render final.

Preguntas frecuentes

¿Puedo escribir el prompt en mi propio idioma?

El inglés es la opción más segura: la documentación oficial de estos modelos está escrita pensando en prompts en inglés. Los 30 prompts anteriores están en inglés y funcionan con los modelos del catálogo de Clipia. Si un modelo reacciona mal a una palabra poco común, sustitúyala por otra más sencilla: «pans» por «turns sideways», «shot size» por «framing».

¿Cuánto cuesta animar una foto?

A 29 de octubre de 2026, la opción más barata es HeyGen Video: 5 segundos en 768p por 5 créditos. La más cara de esta colección en 720p es Seedance 2.0: 5 segundos por 57 créditos. El término medio que funciona es Kling 3: 5 segundos en 1080p por 44 créditos, y Hailuo 2.3: 6 segundos en 768P por 17 créditos. Las cuentas nuevas reciben 5 créditos de bienvenida al registrarse, suficientes para un clip de prueba.

¿Qué modelo conserva mejor el rostro?

En nuestras pruebas con retratos y fotos de grupo, el más estable es Kling 3 en 1080p: el rostro no se desvirtúa al girar la cabeza ni al sonreír. Para borradores rápidos use Grok Imagine Video 1.5 o HeyGen Video, y haga el render final en Kling 3.

¿Cómo añado sonido a una foto animada?

Elija un modelo con sonido incluido (Grok Imagine Video 1.5, Veo 3.1, Seedance 2.0 o HeyGen Video) y describa el sonido en una línea aparte del prompt. En Kling 3 el sonido es una opción de pago: 5 segundos en 1080p cuestan 65 créditos en lugar de 44.

¿Puedo animar una foto antigua en blanco y negro sin colorearla?

Sí, si escribe de forma explícita «no colour, grain and black-and-white palette preserved». Sin esa instrucción, los modelos suelen colorear la foto y eliminar el ruido, y se obtiene una imitación moderna en lugar de una foto de archivo revivida.

¿Tengo que indicar la duración y el formato en el prompt?

No. La duración, la resolución y la relación de aspecto se eligen en los ajustes de generación. El modelo ignora esas cifras en el texto del prompt, pero la duración determina cuántas acciones conviene pedir: una para 5 segundos, dos para 10.

Elija una foto, copie el prompt que le corresponda y lance su primer clip en la herramienta Foto a vídeo: empiece con un modelo económico y haga después el render final en el modelo que mejor conserve el rostro.

Fuentes

1. Kling AI — documentación oficial de la API, sección Image to Video
2. xAI Docs — Generación de vídeo (Grok Imagine Video)
3. Google AI for Developers — Generación de vídeos con Veo (de imagen a vídeo y recomendaciones para redactar prompts)
4. MiniMax — Hailuo AI Video, página oficial del modelo
5. Alibaba — Wan, página oficial del modelo de vídeo
6. ByteDance Seed — Seedance, página oficial del modelo