Las fotos de tu web ya llegan a tu vídeo

Cuando PageToVid lee una página, reúne sus propias fotos y se las entrega al planificador, el modelo que escribe el storyboard. Sus instrucciones lo dicen claramente: estas son las imágenes del sitio, y al menos una escena gráfica debe mostrar una de ellas.

Pero los modelos de lenguaje que escriben para vídeo tienen una costumbre. Les encantan las tarjetas de texto: un gancho, unas viñetas, una frase de cierre. El texto es lo que mejor producen, así que recurren a él incluso cuando una imagen diría más. Por eso las instrucciones nunca se pensaron como la única línea de defensa.

Detrás del planificador hay un paso pequeño y predecible que relee el storyboard una vez escrito. Si la página ofrecía fotos y ninguna escena usa una, toma la tarjeta de texto menos informativa y la convierte en la imagen que debería haber sido.

Al mirar de cerca una semana de vídeos, vimos que este paso era demasiado educado. Solo consideraba un tipo de tarjeta, la frase simple de afirmación, y nunca la escena inicial, que es el gancho. Pero el planificador tiene derecho a una sola afirmación por vídeo y, casi siempre, la usa para el gancho. Así que la red rara vez encontraba una tarjeta que pudiera usar, y las fotos se quedaban en la página.

En un vídeo, el planificador llegó a apuntar la cámara de grabación de pantalla a una foto de la página: una señal clara de cuánto quería el vídeo esa imagen.

Cambiamos dos cosas sobre lo que la red puede convertir en foto.

Primero, respetar el gancho pasa a ser una preferencia y no una regla. La tarjeta inicial es ahora la última candidata: cualquier otra tarjeta de texto va antes, y el gancho solo se toca cuando no queda otra opción.

Segundo, la red considera ahora cualquier tarjeta cuyo contenido entero sea una frase que la narración ya dice:

• una afirmación de una frase
• una tarjeta de título
• una lista de viñetas
• una cita

Las tarjetas con información real, como una cifra, una comparación o un número que sube, nunca se cambian por una imagen. Y cuando una tarjeta se convierte en foto, sus palabras no se pierden: pasan a ser el pie de la foto, así que la escena sigue diciendo lo mismo, ahora sobre algo que merece la pena mirar.

Cada vídeo lleva un breve informe que indica qué escenas usan una foto o un visual generado, y por qué. Antes solo se escribía si se habían pedido medios generados, así que un informe vacío podía significar que no se pidió nada o que algo no llegó.

Ahora todos los vídeos lo escriben, y cuando ninguna escena lleva un visual, el informe añade una nota que explica por qué. Esa nota llega hasta el final, al editor, a nuestra API y a los asistentes de IA que crean vídeos por ti, para que quien hizo el vídeo vea de un vistazo qué pasó.

El efecto salta a la vista. Una página con fotos obtiene ahora al menos una escena hecha con ellas, aunque el planificador lo olvide, y el vídeo muestra el producto real en lugar de una frase sobre él. Mira cómo se montan las escenas a partir de una página en nuestra página de funciones o pruébalo con tu propia web.

Nuestros tests también cambiaron. Los antiguos daban a la red un storyboard con una tarjeta cómoda en el medio, una forma que los storyboards reales casi nunca tenían. Los nuevos reproducen lo que el planificador escribe de verdad: una afirmación usada como gancho y una foto ofrecida y pasada por alto. Una red de seguridad vale lo que valen los vídeos con los que se prueba.