Vídeo de influencer IA en local: 15 clips con Kandinsky 6 y Wan 2.2
Generé 15 clips verticales de 5 segundos para dar vida a 5 personajes ficticios en mi propio equipo. Analizo los resultados de Kandinsky 6.0 Lite, Kandinsky 6.0 Pro y Wan 2.2 5B en fluidez y sincronización.

👁 119 lecturas
Crear un vídeo influencer IA de aspecto creíble ya es posible ejecutando modelos en tu propio equipo sin depender de suscripciones en la nube. En mi laboratorio de modelos locales de IA, tomé los retratos de cinco personajes ficticios y generé 15 clips verticales de 5 segundos utilizando Kandinsky 6.0 Lite, Kandinsky 6.0 Pro y Wan 2.2 5B en una GPU RTX 4090 de 24 GB. Los movimientos corporales y la textura facial logran un realismo notable tipo selfie, mientras que la generación de voz integrada sigue mostrando inconsistencias fonéticas que he medido con precisión.
A fecha de 17 de octubre de 2026
- Entrada: selfie generado con FLUX.2 Klein 4B; salida: clips de 5 segundos, formato vertical 9:16 a 24 fps.
- Kandinsky 6.0 Lite: unos 1,5-2,5 min por clip; genera imagen y audio de forma simultánea.
- Kandinsky 6.0 Pro (int8): unos 6-7 min por clip; audio integrado con mayor definición acústica.
- Wan 2.2 5B: unos 1,5 min por clip; modelo sin sonido, pero con la mejor cinemática en manos y gestos.
- Licencias abiertas para uso comercial: Kandinsky 6.0 (MIT) y Wan 2.2 (Apache 2.0).
Cómo configuré la generación de vídeo IA local
Para este banco de pruebas tomé como punto de partida el trabajo previo de influencer IA en local, utilizando los retratos iniciales generados con FLUX.2 Klein 4B debido a su acabado natural y su licencia Apache 2.0. El flujo de trabajo que seguí paso a paso fue el siguiente:
- Seleccioné el selfie de cada uno de los 5 personajes para usarlo como primer fotograma de referencia.
- Asigné a cada personaje una frase de prueba de entre 7 y 10 palabras, acompañada de una descripción de su entorno y el ruido de fondo.
- Para Kandinsky introduje la imagen base, la descripción de la escena con el texto hablado encerrado entre etiquetas
<S>...<E>y una instrucción independiente para el diseño sonoro. Wan 2.2 recibió la misma descripción visual, omitiendo el sonido. - Rendericé a una resolución de 480×864 píxeles en Kandinsky y 544×960 píxeles en Wan, con una duración exacta de 121 fotogramas (5 segundos a 24 fps).
- Extraje las pistas de audio resultantes de los modelos que integran voz y las analicé mediante Whisper large-v3 para medir el porcentaje exacto de inteligibilidad respecto al texto original.
El prompt en inglés utilizado para orientar la cámara y la acción se estructuró con este formato:
A vertical smartphone selfie video of the woman from the reference image, same face and clothes, same place. She is strands of hair blowing across her face, grinning into the phone, looks into the phone camera and says in Polish: <S>[texto de prueba]<E> Natural handheld phone movement, realistic, no filters.
Sound: strong mountain wind, her energetic voice
Resultados del test de voz: inteligibilidad medida
Kandinsky 6.0 incluye un motor que sintetiza tanto el movimiento labial como la pista acústica dentro del mismo proceso de difusión, a diferencia de alternativas visuales puras como LTX-Video. Las frases locutadas formaron parte de un test de habla en polaco para evaluar la fidelidad de pronunciación en fonemas complejos. Pasé cada pista por Whisper large-v3 para contabilizar qué fracción de palabras resultaba perfectamente inteligible.
| Frase evaluada | Kandinsky Pro | Kandinsky Lite |
|---|---|---|
| Frase 1 (corredora, 9 palabras) | 67% | 56% |
| Frase 2 (cocina, 10 palabras) | 70% | 30% |
| Frase 3 (huerto, 8 palabras) | 62% | 38% |
| Frase 4 (tecnología, 7 palabras) | 86% | 71% |
| Frase 5 (montaña, 8 palabras) | 38% | 88% |
Kandinsky 6.0 Pro logró una media global superior (65% de palabras reconocibles frente al 57% en Lite), pero no dominó en todos los escenarios: en la toma de montaña, la versión Lite alcanzó un 88% de acierto mientras Pro cayó al 38%. Las dificultades aparecieron principalmente en consonantes complejas o términos culinarios especializados. Para clips rápidos de redes sociales donde se insertan subtítulos visuales, el audio integrado de Pro puede bastar; para producciones pulidas sigue siendo preferible sincronizar locuciones grabadas externamente.
Rendimiento y tiempos en una RTX 4090
Registré los tiempos de renderizado y el consumo de recursos ejecutando los modelos sobre Windows 11 con una GPU NVIDIA RTX 4090 de 24 GB, procesador i9-14900KF y 64 GB de memoria RAM del sistema.
| Modelo | Tiempo por clip (5 s) | Puntos fuertes | Limitaciones |
|---|---|---|---|
| Kandinsky 6.0 Pro (int8) | 6:06 - 7:02 min* | Mayor inteligibilidad, sonido ambiente coherente | Lento, exige 64 GB de RAM |
| Kandinsky 6.0 Lite | 1:24 - 2:32 min | Rápido, cámara en mano natural, audio directo | Pronunciación más degradada (57% medio) |
| Wan 2.2 5B | 1:23 - 2:03 min | Cinemática fluida, microexpresiones excelentes | Mudo, leve deriva facial en un clip |
*Nota: En una prueba puntual el renderizado de Pro se extendió a 40 minutos debido a la concurrencia de otra tarea pesada en la GPU. Con el adaptador libre, los tiempos se mantienen en la horquilla de 6 a 7 minutos.
Aciertos y fallos en clips de influencer IA vídeo
- Consistencia facial respecto a la foto: Los tres sistemas mantuvieron con rigor los rasgos del selfie inicial, incluyendo pecas, monturas de gafas, peinados y prendas. Únicamente en el clip de Wan 2.2 la corredora mostró un aspecto ligeramente rejuvenecido hacia el final.
- Dinámica creíble de selfie: La cámara simula la vibración manual de un móvil real, con pequeños gestos como apartarse mechones de pelo de la cara o entornar los ojos ante la luz solar, evitando el estatismo publicitario tradicional.
- Anomalías cinemáticas aisladas: En una de las tomas generadas con Wan 2.2, la bloguera culinaria elevó una cuchara hasta la altura de la nariz con una trayectoria poco natural, mientras que en otra toma el personaje reflejado en un espejo apenas registró movimiento.
- Distorsiones en la pista vocal: En Kandinsky Lite se detectaron deformaciones acústicas severas en determinadas palabras clave. Siempre conviene auditar el archivo completo antes de su publicación.
Cómo replicar este flujo de trabajo en local
- Genera la imagen del personaje asegurando coherencia visual siguiendo los parámetros de fotografía sin aspecto plástico.
- Carga el entorno de Kandinsky 6 en ComfyUI mediante la plantilla Image to Video+Audio.
- Añade la imagen en el nodo Load Image, configura la resolución en 480×864, desactiva Beautify Prompt estableciendo el parámetro
enableden false e introduce la indicación textual con la frase entre<S>...<E>. - Mantén la frase breve (de 6 a 10 palabras) y renderiza 2 o 3 variantes para elegir aquella con mejor articulación sonora.
- Utiliza la plantilla ti2v de Wan 2.2 5B cuando la prioridad sea el dinamismo visual y vayas a añadir música o locución externa en postproducción.
Preguntas frecuentes
¿Es posible crear un vídeo influencer IA gratis y en local?
Sí, es totalmente viable utilizando hardware propio. Kandinsky 6.0 cuenta con licencia MIT y Wan 2.2 dispone de licencia Apache 2.0, ambas aptas para fines comerciales sin coste por uso. Necesitarás una GPU NVIDIA con al menos 24 GB de VRAM y, para el caso de Kandinsky Pro, 64 GB de memoria RAM en el sistema.
¿Qué modelo ofrece mejor articulación vocal integrada?
En las mediciones realizadas, Kandinsky 6.0 Pro ofreció mayor inteligibilidad, alcanzando una media del 65% de palabras reconocibles frente al 57% registrado por la variante Lite. Wan 2.2 5B no genera audio, por lo que se limita a la animación visual muda.
¿Cuál es la duración máxima recomendada por clip?
Estos modelos están diseñados y entrenados para generar secuencias directas de 5 segundos (121 fotogramas a 24 fps). Para construir piezas más largas en formato reel o story, la técnica habitual consiste en encadenar clips utilizando el último fotograma renderizado como imagen base del siguiente.
¿Cuánto tiempo tarda en renderizarse cada clip?
En una GPU NVIDIA RTX 4090, Wan 2.2 5B tarda aproximadamente 1,5 minutos y Kandinsky 6.0 Lite requiere entre 1,5 y 2,5 minutos. Kandinsky 6.0 Pro cuantizado en int8 eleva el tiempo de procesamiento a una media de entre 6 y 7 minutos por clip de 5 segundos.
¿Por qué Wan 2.2 no tiene sonido en las pruebas?
Wan 2.2 5B es una arquitectura orientada exclusivamente a la síntesis de vídeo a partir de texto e imagen (TI2V). Carece de submódulo de síntesis de audio, por lo que está concebido para trabajar con pistas añadidas a posteriori.
Fuentes
- Kandinsky 6.0 en Hugging Face (licencia MIT)
- Wan 2.2 TI2V 5B en Hugging Face (licencia Apache 2.0)
- Pruebas de rendimiento propias realizadas en RTX 4090 el 17 de octubre de 2026: 15 clips analizados mediante Whisper large-v3.
Comprobado el 17 de octubre de 2026.
More on this from FULGOR
guías·Cómo documentar y denunciar un perfil falso que suplanta a tu negocio

