Cómo crear vídeos con IA: tutorial paso a paso

Si me hubiesen dicho hace tres años que en 2026 podrías crear un vídeo profesional con un avatar hablando, efectos visuales y música de fondo sin saber nada de edición, habría pensado que exageraban. Pero aquí estamos.

Este artículo es el cómo: el proceso completo, de la idea al vídeo publicado, con las herramientas concretas de cada paso. Si lo que buscas es el catálogo de herramientas con todos los precios, está en crear vídeos con IA: herramientas. Si buscas la recomendación única por caso de uso, en la mejor IA para crear y editar vídeos en 2026.

Un aviso antes de empezar, porque afecta a la mitad de tutoriales que hay ahí fuera: Sora ya no existe. OpenAI cerró la web y la app el 26 de abril de 2026 y apaga la API el 24 de septiembre. Si un tutorial te dice que entres en sora.com, está muerto. La historia completa y las alternativas están en qué pasó con Sora.

Todos los precios que menciono están verificados en las webs oficiales en agosto de 2026, en dólares y sin impuestos salvo que indique lo contrario.

Qué puedes hacer (y qué no) con vídeo e IA en 2026

Antes de tocar ninguna herramienta, quiero ser honesto sobre el estado real de la tecnología. Ajustar expectativas aquí te ahorra tres tardes de frustración.

Lo que funciona bien:

• Vídeos de avatares hablando, para formación, explicaciones y presentaciones
• Edición automática de vídeos existentes: recortes, subtítulos, limpieza de audio
• Generación de clips cortos, de 5 a 20 segundos, a partir de texto
• Traducción y doblaje de vídeos existentes con sincronización labial
• Eliminación de fondos y de silencios

Lo que todavía no funciona bien:

• Vídeos narrativos largos generados de una sola pieza (nadie pasa de los 25 segundos)
• Escenas con movimiento complejo de cámara o varios personajes interactuando
• Consistencia de personajes entre clips: el mismo personaje cambia de cara entre plano y plano
• Texto legible dentro del vídeo generado
• Manos en primer plano sin deformaciones

Con esto claro, vamos al proceso.

Paso 1: decide qué tipo de vídeo necesitas

Este paso se salta todo el mundo y es el que más tiempo ahorra. Hay tres caminos y son incompatibles entre sí:

Si quieres...	El camino es	Herramienta principal
Alguien explicando algo a cámara	Avatar con IA	HeyGen o Synthesia
Planos visuales que no puedes grabar	Generación desde texto	Google Veo 3.1 o Kling 3.0
Mejorar vídeo que ya has grabado	Edición con IA	CapCut o Descript

Si tu vídeo es "explico un servicio", vas por avatar. Si es "quiero un plano de una ciudad al amanecer que no voy a viajar a grabar", vas por generación. Si es "grabé 40 minutos hablando y quiero sacar tres clips", vas por edición.

La mayoría de vídeos reales combinan dos de los tres. El error clásico es intentar generar desde cero un vídeo que se resolvía grabando dos minutos con el móvil.

Paso 2: escribe el guion con ChatGPT o Claude

Un vídeo con IA es tan bueno como su guion. Y el error número uno es escribir demasiado.

La regla de oro: un vídeo de 2 minutos necesita entre 280 y 300 palabras. Mucha gente escribe guiones de 1.000 palabras y luego se sorprende de que el vídeo dure siete minutos y nadie lo vea entero.

Este es el prompt que uso:

Escribe un guion para un vídeo de 2 minutos sobre [tema]. Formato: presentador hablando a cámara. Tono profesional pero cercano. Audiencia: [perfil].

Estructura:

• Gancho (10 seg): una pregunta o un dato que incomode
• Desarrollo: 3 puntos clave, 30 segundos cada uno
• Cierre con llamada a la acción (20 seg)

Máximo 300 palabras. Frases cortas. Marca las pausas con [pausa] y los cambios de plano con [PLANO].

Dos ajustes que marcan la diferencia en el resultado: pide frases cortas explícitamente (los modelos tienden a construir subordinadas que suenan fatal leídas en voz alta) y pide que marque las pausas, porque los motores de voz las respetan y el resultado deja de sonar a robot con prisa.

Si quieres afinar la escritura de prompts en general, tengo una guía específica en cómo escribir prompts efectivos.

Paso 3A: genera el vídeo base con un avatar (HeyGen o Synthesia)

Es la ruta más rápida para contenido informativo, formativo o comercial.

Tutorial: tu primer vídeo con HeyGen

1. Crea una cuenta en heygen.com. El plan gratuito da 3 vídeos al mes de hasta 1 minuto, a 720p y con marca de agua: suficiente para probar.
2. Clic en Create Video y luego en Avatar Video.
3. Selecciona un avatar que encaje con tu marca y tu audiencia. Este punto importa más de lo que parece: no uses un avatar de veintipocos para un vídeo sobre fiscalidad de sociedades.
4. Pega tu guion en el panel de texto.
5. Elige la voz. Para español de España busca voces marcadas como es-ES, y escucha la muestra antes de generar.
6. Selecciona un fondo, sube tu logo y añade títulos o imágenes de apoyo.
7. Vista previa y Submit. Tarda entre 2 y 5 minutos.

La primera vez te llevará 10-15 minutos. Cuando conoces la herramienta, 5.

Precios de HeyGen: gratuito (3 vídeos/mes de 1 minuto), Creator 29 $/mes (24 $ anual, 200 créditos premium) y Business desde 149 $/mes. Ojo si lees comparativas viejas: el plan Team se retiró en enero de 2026.

Cuándo usar Synthesia en su lugar

Synthesia gana en entornos corporativos: más de 130 idiomas, integración con sistemas de formación (LMS) y funciones de colaboración en equipo. Starter a 29 $/mes (18 $ anual) y Creator a 89 $/mes (64 $ anual).

Su plan gratuito es el más generoso del sector y con diferencia: 10 minutos de vídeo y 10 minutos de doblaje al mes, a 1080p y con uso comercial permitido. Lleva su logo, pero puedes publicar el resultado legalmente. Casi ninguna otra herramienta te deja hacer eso gratis.

Un aviso que no verás en ninguna web oficial: ninguna de estas herramientas distingue el español de España del de Latinoamérica en su listado de idiomas. Genera el minuto gratuito con un guion tuyo real y escúchalo antes de contratar nada.

Paso 3B: genera clips desde texto (Veo 3.1 o Kling 3.0)

Cuando necesitas un plano que no puedes grabar.

Google Veo 3.1 es mi opción por defecto: es el único de los grandes que genera audio nativo sincronizado (diálogo, ambiente y efectos) en la misma pasada. Accedes desde Gemini o desde Flow, con unos 50 créditos diarios gratis y uso comercial permitido, o desde los planes de pago de Google: AI Plus 4,99 $/mes, AI Pro 19,99 $/mes y AI Ultra desde 99,99 $/mes. Todo lo que sale lleva SynthID, la marca de agua invisible de Google.

Kling 3.0, lanzado el 17 de junio de 2026, es mejor cuando el plano lleva personas moviéndose, y su sincronía labial funciona en español. Standard por 10 $/mes. Su plan gratuito da 66 créditos diarios (unos dos clips de 5 segundos), pero lleva marca de agua y prohíbe el uso comercial: para probar sí, para el Instagram de tu empresa no.

Cómo escribir un prompt de vídeo que funcione

La estructura:

[Acción/escena] + [sujeto] + [entorno] + [estilo visual] + [movimiento de cámara] + [iluminación]

Un ejemplo real que puedes copiar y adaptar:

A smooth cinematic tracking shot of a sleek wireless earbud case opening on a minimalist marble desk. The earbuds slowly rise and float in the air, catching warm studio lighting. Shallow depth of field, product photography style. Camera slowly orbits around the product.

La clave: describe lo que la cámara ve, no lo que quieres comunicar. "Un vídeo que transmita confianza" no genera nada útil. "Plano medio, luz suave lateral, la persona mira a cámara y asiente" sí.

Y genera siempre 3 o 4 variantes del mismo prompt antes de decidir. Estos modelos son probabilísticos: la diferencia entre la primera generación y la cuarta suele ser enorme, y descartar es más rápido que reescribir el prompt.

Paso 3C: si mezclas generado y grabado, Runway

Runway es la única herramienta que junta generación y postproducción en el mismo sitio: Motion Brush para animar zonas concretas de una imagen, inpainting para borrar objetos de una grabación real, eliminación de fondo sin croma, Act-Two para captura de movimiento con la webcam y escalado a 4K.

Precios: Standard 15 $/mes (12 $ anual, 625 créditos), Pro 35 $/mes (28 $ anual, 2.250 créditos) y Max 95 $/mes. Si una comparativa te habla de un plan "Unlimited", está desactualizada: se retiró y ahora se llama Max.

Dos cosas que conviene saber. Su plan gratuito no es mensual: son 125 créditos que te dan una sola vez, unos 25 segundos de vídeo en total. Y el plan Pro incluye Topaz Upscale ilimitado, que suelto cuesta 299 $ al año, así que si vas a escalar resolución con frecuencia los 20 $ de diferencia con Standard se pagan solos.

Paso 4: edita el resultado con CapCut

Esto no es opcional. El vídeo generado con IA es un punto de partida, no un producto final. Siempre pásalo por un editor, aunque sea solo para ajustar el ritmo y poner subtítulos.

CapCut es gratis para casi todo lo que necesitas y funciona en web, escritorio y móvil:

1. Importa el vídeo del avatar y los clips generados
2. Ajusta los cortes y el ritmo: quita todo lo que no aporte
3. Auto Captions para los subtítulos (los mejores que he probado en español)
4. Remove Silence si hay grabación propia: en contenido de hablar a cámara, solo esto te quita un 30-40 % del tiempo de edición
5. Añade música de fondo de su biblioteca, a bajo volumen
6. Exporta en el formato que necesites: 9:16 para Reels y TikTok, 16:9 para YouTube

Precio: CapCut no publica una página de tarifas (sus URLs de precios devuelven 404 y las cifras se fijan dentro de la app según región). Lo que sostiene su propia documentación es CapCut Pro alrededor de 19,99 $/mes o 179,99 $/año. Si has leído que costaba 8 $, ese precio ya no existe. Y el gigabyte de nube gratuito desapareció: el plan gratuito hoy son 0 GB, todo local.

Cuándo usar Descript en su lugar: si el material es una entrevista, un podcast en vídeo o un tutorial largo. Descript sustituye la línea de tiempo por la transcripción, así que editas borrando texto. Gratuito con 60 minutos al mes (export a 720p con marca) y Hobbyist a 24 $/mes (16 $ anual).

Paso 5: pule el audio antes de publicar

El paso que casi todo el mundo se salta y el que más nota el espectador. Un vídeo con imagen mediocre y audio limpio funciona; al revés, no.

Si hay grabación tuya de por medio, pásala por Adobe Podcast Enhance: es gratis, procesa hasta 1 hora de audio al día y convierte una grabación hecha en una habitación con eco en algo que suena a estudio.

Si necesitas voz en off generada, ElevenLabs es la referencia en español. Su plan gratuito da unos 10 minutos de audio al mes pero no incluye licencia comercial: esa empieza en el plan Starter, 6 $/mes. Si vas a publicar el vídeo en un canal de empresa, esos 6 $ no son opcionales.

Y revisa siempre la pronunciación antes de dar por bueno el vídeo. Los motores de voz fallan con nombres propios y términos técnicos. Truco sucio que funciona: escribe la palabra mal a propósito, fonéticamente, para que la lea bien.

Ejemplo completo: vídeo explicativo de 2 minutos

El flujo real, de principio a fin, con tiempos:

Paso	Herramienta	Tiempo
Guion de 300 palabras	ChatGPT o Claude	10 min
Vídeo base con avatar	HeyGen	10 min
2 clips de apoyo generados	Veo 3.1 en Flow	15 min
Montaje, subtítulos y música	CapCut	20 min
Limpieza de audio	Adobe Podcast	5 min
Total		~1 hora

Un vídeo profesional de dos minutos en una hora, sin cámara, sin micrófono y sin experiencia en edición. La segunda vez, en 35 minutos.

Cuánto cuesta de verdad producir vídeo con IA

Con precios de agosto de 2026:

Nivel	Stack	Coste mensual
Gratis	CapCut + Veo 3.1 en Flow + Synthesia gratuito + Adobe Podcast	0 $
Básico	HeyGen Creator (29 $) + CapCut gratuito	~29 $
Intermedio	HeyGen Creator (29 $) + Runway Standard (15 $) + ElevenLabs Starter (6 $)	~50 $
Profesional	Synthesia Creator (89 $) + Runway Pro (35 $) + Descript Hobbyist (24 $)	~148 $

La opción gratuita es más viable de lo que parece: los 10 minutos mensuales de Synthesia permiten uso comercial, y Veo 3.1 en Flow también. Con eso y CapCut tienes un canal de contenido funcionando sin pagar nada.

Antes de subir de nivel, haz la cuenta que casi nadie hace: divide el coste mensual entre los vídeos que publicas. Si te salen 30 € por vídeo y ese vídeo no te devuelve 30 €, el problema no es la herramienta.

Errores comunes al crear vídeos con IA

Los he cometido todos, así que te los cuento con conocimiento de causa.

Guiones demasiado largos. 300 palabras para dos minutos. Más corto siempre es mejor.

No revisar la pronunciación. Los motores de voz pronuncian mal nombres propios y tecnicismos. Escucha el vídeo entero antes de publicarlo.

Avatares poco apropiados. El avatar tiene que encajar con el contenido y con la audiencia. Es lo primero que el espectador juzga, y lo hace en dos segundos.

Olvidar los subtítulos. El 85 % de los vídeos en redes se ven sin sonido. CapCut los genera automáticamente y gratis.

Publicar sin editar. El output de la IA es materia prima. Siempre pasa por editor.

Usar el plan gratuito para contenido comercial. Kling, Pika y ElevenLabs lo prohíben expresamente en sus capas gratuitas. Léelo antes de publicar en la cuenta de tu empresa.

Montar todo tu flujo sobre una sola herramienta. En 2026 ya hemos visto cerrar productos de vídeo con IA que parecían intocables. Guarda copia local de tus proyectos y no dependas de un único proveedor para nada crítico.

Lo que viene en vídeo con IA

Lo que espero para los próximos 12-18 meses, con la cautela de quien ya ha visto cerrar un producto insignia:

• Consistencia de personajes: mantener el mismo personaje a lo largo de varios clips. Es el gran problema sin resolver y el que más limita el uso narrativo.
• Clips más largos: hoy el techo real está entre 15 y 25 segundos. Subirá, pero más despacio de lo que promete el marketing, porque cada segundo extra cuesta cómputo.
• Edición por voz: "quita el fondo", "añade subtítulos", "haz zoom aquí" como comandos hablados.
• Consolidación de precios: 2026 dejó claro que regalar generación de vídeo no se sostiene. Espera menos barra libre y planes gratuitos más justos.

Mi consejo práctico no ha cambiado: empieza por la edición con IA, no por la generación. CapCut o Descript te devuelven horas desde el primer día sobre material que ya grabas. La generación es más espectacular y encaja en muchos menos sitios de los que parece.

Preguntas frecuentes

¿Cómo creo mi primer vídeo con IA?

Escribe un guion de 300 palabras con ChatGPT, genera el vídeo base con el plan gratuito de HeyGen o Synthesia, edítalo en CapCut añadiendo subtítulos y música, y limpia el audio con Adobe Podcast. Todo eso se hace en una hora y sin pagar nada.

¿Puedo crear vídeos con IA gratis?

Sí, y mejor de lo que la gente cree. Synthesia da 10 minutos mensuales con uso comercial permitido, Google Flow con Veo 3.1 da unos 50 créditos diarios también con uso comercial, CapCut es gratis para casi toda la edición y Adobe Podcast limpia una hora de audio al día. Ese stack cuesta 0 € y da para publicar de forma constante.

¿Cuánto se tarda en hacer un vídeo con IA?

Un vídeo explicativo de dos minutos combinando avatar, clips generados y edición lleva alrededor de una hora la primera vez y unos 35 minutos cuando ya conoces las herramientas. Solo la generación del vídeo del avatar tarda entre 2 y 5 minutos.

¿Qué IA es mejor para crear vídeos con mi propia cara?

HeyGen. Grabas un vídeo tuyo de 2 a 5 minutos siguiendo sus instrucciones y en 24-48 horas tienes un avatar personalizado que dice cualquier texto que escribas. Está disponible desde el plan Creator, 29 $/mes.

¿Necesito saber editar vídeo para usar estas herramientas?

No. CapCut está pensado para gente sin experiencia previa y los subtítulos, cortes y ajuste de formato son automáticos. Lo que sí necesitas es criterio para cortar: la diferencia entre un vídeo bueno y uno malo suele estar en lo que quitas, no en lo que añades.

¿Los vídeos hechos con IA se pueden monetizar en YouTube?

Sí, siempre que aporten valor original y no sean contenido repetitivo generado en masa, que es lo que penalizan las políticas de la plataforma. Comprueba además que la licencia de tu plan permite uso comercial: en varios planes gratuitos no lo permite.

¿Qué formato y duración funcionan mejor?

Para TikTok, Reels y Shorts, vertical 9:16 y entre 15 y 45 segundos. Para YouTube, 16:9 y la duración que pida el tema sin relleno. Para formación, módulos de 5 a 10 minutos. Y subtítulos siempre, en todos los formatos.

¿Cómo evito que el vídeo parezca hecho con IA?

Tres cosas: limpia el audio (es lo que más delata), marca pausas en el guion para que la voz respire, y evita los clips generados de más de 10 segundos, porque es a partir de ahí donde aparecen las incoherencias. Y mezcla: un avatar acompañado de material grabado real siempre se percibe mejor que un vídeo 100 % generado.