🌐 También en: English · Deutsch · Français
Para el calendario de Adviento interno de nuestro equipo de monitorización quería un vídeo corto: en el centro de datos los LED pasan de verde a rojo, alarma, latidos, rebobinado – y al final, por supuesto, la culpa es de Papá Noel, que ha tropezado con un «cable de Wi-Fi». El resultado son casi 100 segundos de película que pulí durante más de 70 versiones con Claude Code como ayudante de dirección.
Más interesante que la película en sí es la pregunta de qué salió de la nube y qué se hizo en mi propio hardware. En resumen: las imágenes que importan vinieron de la nube; todo lo demás, en local.
☁️ Desde la nube: las escenas con personas
Para las escenas de vídeo usé ArtCraft, una suscripción que da acceso a varios modelos comerciales:
- Seedance 2.0 (vídeo): el centro de datos, la sala de monitorización, el primer plano de los LED, Papá Noel con los renos molestos. Un clip de 4 segundos en 720p cuesta unos 100 créditos.
- Nano Banana Pro (edición de imagen): la foto de grupo – compañeros como siluetas, gorros de Navidad, nieve. 15 créditos por imagen.
No controlé ArtCraft desde su interfaz, sino con un servidor MCP: Claude Code escribe el prompt, sube las imágenes de referencia y recoge el resultado. Con una regla fija: antes de cada encargo, Claude indica el coste y espera mi «Start» – un encargo enviado no se puede retirar.
Lo que queda: para personas realistas en movimiento, la nube va hoy claramente por delante. Pero cada clip cuesta dinero real, y los créditos se acaban antes de lo que se piensa – al final el saldo estaba vacío antes de realizar la última idea.
🖥️ En local: todo lo que rodea a las imágenes
Un equipo con una tarjeta gráfica RTX (8 GB de memoria de vídeo) hizo el resto:
- ComfyUI como marco para los modelos locales
- MMAudio: efectos de sonido acordes con la imagen – renos resoplando, cables que crujen, el tropiezo
- ACE-Step: bocetos musicales en distintos estilos; el vídeo final usa una pieza épica libre de derechos de una biblioteca musical
- Chatterbox (texto a voz): la narradora
- Whisper: comprobación de que «Icinga» y «Zabbix» se pronuncian con claridad
- RIFE: fotogramas intermedios con IA para la cámara lenta
- ffmpeg y Python: montaje, transiciones, textos, cierre en iris, créditos de máquina de escribir, el final de terminal con
systemctl status weihnachteny la masterización del volumen
En local, los intentos solo cuestan electricidad y tiempo. Ahí nacen la mayoría de las iteraciones: una voz sonaba metálica, otra tenía acento inglés, la música era demasiado pop – doce variantes de una misma frase no son ningún problema en local.
Lo que queda: la nube aporta las costosas imágenes en bruto; el homelab las convierte en una película. Así los costes se mantienen bajos y el control, en tus manos.
🎞️ Dónde no basta lo local – y dónde es mejor
Al principio intenté generar también las escenas de vídeo en local con Wan 2.1/2.2. Con 8 GB de memoria de vídeo el resultado era tosco: caras primitivas, forma de andar poco natural, clips demasiado cortos.
Al revés, la IA «más lista» fue a veces la peor opción:
- Escalado a 1080p: Real-ESRGAN hacía los bordes más nítidos, pero las superficies cerosas. El escalado clásico con un ligero enfoque resultó más natural.
- Fotogramas intermedios: la estimación de movimiento de ffmpeg producía bloques en las manos rápidas y en los patrones de LED de los racks. RIFE fue mucho más limpio – salvo cuando el LED pasa de verde a rojo, donde RIFE también se inventaba un fotograma falso. Ahí ahora va el original.
Lo que queda: «más IA» no es automáticamente mejor. Cada herramienta se inventa en algún sitio detalles que no existen – y hay que encontrarlos.
👀 Comprobar lo que no se puede ver
Claude no puede reproducir vídeo ni oírlo. Así que las comprobaciones fueron por caminos indirectos: fotogramas sueltos y hojas de contactos, medición de volumen por escena (antes, las escenas llegaban a diferir 15 dB), reconocimiento de voz para la pronunciación y voces ocultas, comparación de imágenes para las uniones exactas.
Aun así encontré errores que ninguna medición mostraba: un «Aaa» femenino que en realidad era un artefacto al final de la grabación de voz, un fondo gris y ruidoso tras un filtro de imagen, un texto que volaba por la sala durante un fundido. Y una vez, una prolongación de 2,5 segundos simplemente no hizo nada – sin mensaje de error.
Lo que queda: medir no sustituye a mirar. Las herramientas encuentran niveles y formatos; la persona encuentra lo que parece «raro».
🧾 La cuenta
- Nube: una suscripción mensual más créditos – casi todo para un puñado de clips de 4 segundos y algunas ediciones de imagen.
- Local: sin costes fijos, pero con tiempo de GPU – escalar la película entera lleva unos tres cuartos de hora.
- Tiempo: la partida más grande. La mayoría de las versiones fueron para timing, sonido y detalles, no para escenas nuevas.
Lo que queda: el dinero está en unos pocos clips de la nube; el tiempo, en muchas iteraciones locales.
🎯 Las lecciones
- Nube para las personas, local para todo lo demás – un homelab de 8 GB todavía no puede con personas realistas en movimiento.
- Confirmar el coste antes de cada encargo en la nube – enviado es enviado.
- Guardar cada versión con un nombre nuevo – más de una vez, una antigua era la mejor.
- Usar las herramientas de IA de forma selectiva – a veces el método clásico es más honesto que el modelo.
- Mirar y escuchar uno mismo – las mediciones dicen si algo es correcto, no si funciona.
