La narración se cobra por minuto, el rostro se cobra por segundo, y ahí está todo el problema
Empieza por el taxímetro, porque todo lo demás en este artículo sale de ahí. La narración se cobra por minuto de video terminado, no por voz: 3 créditos por minuto en modo económico y 24 en premium, o sea 36 y 288 créditos en un video de doce minutos. Un segundo personaje con una voz completamente distinta cuesta cero extra, porque el medidor cuenta minutos de video y no le importa cuánta gente esté hablando dentro. Un guion de narración puede respirar, puede repetirse, puede dar la vuelta larga.
El avatar no funciona así en nada. El lip sync se cobra por segundo de rostro en pantalla, y el precio depende del motor: Kling Avatar Std cuesta 32 créditos por segundo, Kling Avatar Pro 64, HeyGen 80 y OmniHuman 1.5 112. Nada en ese medidor pregunta si el segundo sirvió. Un segundo de silencio, un segundo tomando aire, un segundo sonriendo al final y un segundo con la frase más afilada del video cuestan exactamente lo mismo.
Ponle números y el argumento deja de ser abstracto. Noventa segundos de rostro en Kling Avatar Std cuestan 2.880 créditos, casi tres veces el video económico entero de doce minutos, que cuesta 1.008. La pieza terminada, doce minutos de video con noventa segundos de rostro adentro, cierra en 3.888 créditos. El rostro es un minuto y medio de duración y más o menos tres cuartos de la cuenta.
La versión que todos piden primero es la cabeza parlante de principio a fin, y esa merece un precio dicho en voz alta. Doce minutos son 720 segundos de rostro, que en Kling Avatar Std son 23.040 créditos de lip sync, más los 1.008 del video, o sea 24.048 créditos. Veinticuatro veces el mismo video sin ningún rostro en pantalla. En los motores más pesados sube todavía más, porque OmniHuman 1.5 a 112 créditos por segundo deja esos mismos doce minutos en otro orden de magnitud.
Así que aquí está la frase que organiza todo lo que sigue. El texto del avatar es el texto más caro de tu video por segundo, y por eso también tiene que ser el más denso. Antes de comprometer nada, genera una prueba de 15 segundos por 480 créditos y aprueba tono, encuadre y voz ahí, no en la pieza terminada. En FalconVid el motor es una elección por proyecto, así que el mismo guion se prueba barato y se entrega en un motor más pesado cuando se lo gana.
- Narración: 3 créditos por minuto en económico, 24 en premium, o sea 36 o 288 créditos en doce minutos.
- Lip sync: Kling Avatar Std 32 créditos por segundo, Kling Avatar Pro 64, HeyGen 80, OmniHuman 1.5 112.
- Noventa segundos de rostro en Kling Std: 2.880 créditos, contra 1.008 del video económico entero.
- Video económico con noventa segundos de rostro adentro: 3.888 créditos.
- Cabeza parlante en los doce minutos completos en Kling Std: 24.048 créditos.
- Una prueba de 15 segundos cuesta 480 créditos, y ahí se aprueban tono, encuadre y voz.
Tu guion no está roto, fue escrito para una voz y lo está diciendo un rostro
La secuencia siempre es la misma. El guion de la narración queda listo, se lee bien en voz alta, alguien lo mete en el avatar y el resultado parece una persona leyendo mal un teleprompter. El primer instinto es culpar al modelo, después al motor, después a la voz. Lo que está mal es el texto, y está mal de una forma muy concreta: fue escrito para ser oído mientras otra cosa aparecía en pantalla, y ahora lo dice la cosa que aparece en pantalla.
La narración describe. Dice que el canal necesita tres cosas, que el mercado cambió, que la mayoría de los creadores falla justo aquí. Eso funciona porque el espectador está mirando material, un gráfico, un corte de apoyo, y la voz es una capa encima de la imagen. En el instante en que aparece un rostro, la misma frase deja de ser capa y se vuelve una persona haciendo una observación general para nadie en particular, que es exactamente la sensación que todos terminan llamando robótica.
Además no hay dónde esconderse. En video narrado, cada oración torcida se tapa con un corte, un zoom, una imagen nueva entrando a tiempo. El tramo de avatar tiene un plano, un rostro y ningún corte de escape, así que cada oración subordinada se desarrolla en la boca de alguien que visiblemente está empujando la frase hasta el final. La cámara nunca parpadea, y por eso el texto tiene que estar limpio antes de generar, no remendado después.
La economía vuelve esa corrección no negociable. Cuando la narración cuesta 36 créditos en doce minutos, un párrafo torpe cuesta apenas un poco de paciencia. Cuando el rostro cuesta de 32 a 112 créditos por segundo, un párrafo torpe es una línea en la factura. Cuarenta segundos de rostro desperdiciados en Kling Std son 1.280 créditos, más que el video económico entero que los rodea. Por eso el guion del avatar tiene que ser otro documento desde el principio, con la misma investigación y una gramática completamente distinta.
Seis reglas para escribir el tramo del avatar, y lo que ahorra cada una
Escribe en dirección directa, en segunda persona. La narración dice que el canal necesita un gancho en los primeros diez segundos. El rostro dice que tienes diez segundos antes de que se vayan. Un rostro en pantalla diciendo una frase impersonal es la fuente más ruidosa de la sensación de teleprompter, porque nadie mira a una cámara para hacer una observación general, se mira a la cámara para hablarle a alguien. Reescribe cada frase del tramo de avatar hasta que tenga un tú adentro, o hasta que sea obvio que podría tenerlo.
Después corta las frases hasta que quede una idea en cada una. El rostro no tiene dónde apoyar una oración subordinada, así que todo lo que lleva más de dos comas se parte o se borra. Y una lista larga no es trabajo del rostro: el avatar anuncia que son tres, y la pantalla muestra los tres. Un rostro recitando 7 puntos quema 40 segundos, o sea 1.280 créditos en Kling Std, para entregar lo que el texto en pantalla entrega en 4 segundos mientras el rostro dice una sola frase.
El número largo hablado es donde aparece el robot, todas las veces. Veintitrés mil cuarenta y ocho créditos, dicho en voz alta por una boca sintética, es donde se cae la ilusión, porque el modelo tiene que sostener el ritmo de un numeral largo y ningún motor lo hace de forma convincente todavía. La regla es redondear en la boca y ser exacto en la pantalla. El rostro dice veinticuatro mil, el subtítulo escribe 24.048, el espectador recibe los dos y ninguno suena mal.
Nunca hagas referencia a la pantalla ni al tiempo. Como mostré en el minuto 3, en el gráfico de al lado, en la próxima sección: todo eso suelda el clip a una posición que puede no conservar. Los tramos de avatar se remontan, se mueven, se reusan en un Short o caen en otro montaje del mismo video, y cada una de esas referencias se vuelve una pequeña mentira que cuesta de 32 a 112 créditos por segundo volver a generar. Escribe el tramo para que siga siendo cierto en cualquier posición.
Empieza y termina en el habla. El medidor cuenta un segundo de silencio igual que un segundo de habla, así que la respiración chiquita del principio y la sonrisa educada del final cuestan de 32 a 112 créditos cada una, y son los dos segundos que nadie nota que está pagando. Corta la entrada, corta la cola, deja que el primer cuadro caiga en la primera palabra y el último en la última. En una estructura de cuatro dosis, ese solo hábito paga una segunda prueba en cada video. En FalconVid el guion sale de un guionista de IA trabajando en paralelo con el narrador y el editor, y el ADN del canal fija el rostro y la voz, así que estas seis reglas se aplican a un presentador que ya es la misma persona en todos los videos.
- Dirección directa: la narración describe, el rostro le habla a alguien. Cada frase gana un tú.
- Una idea por frase: todo lo que tiene más de dos comas se parte o se borra.
- La lista larga es de la pantalla: el rostro dice que son tres, la pantalla muestra los tres.
- Redondea en la boca, exacto en pantalla: el rostro dice veinticuatro mil, el subtítulo escribe 24.048.
- Ninguna referencia a pantalla ni a tiempo, porque el tramo se remonta y puede terminar en otro lugar.
- Empieza y termina en el habla: el silencio cuesta igual que el habla, de 32 a 112 créditos por segundo.
Las cuatro dosis de rostro: noventa segundos que sostienen un video de doce minutos
La estructura que sobrevive al contacto con el taxímetro no es un rostro que entra y sale al azar. Son cuatro dosis planificadas, puestas donde el rostro hace algo que la imagen no hace, y todo lo que va entre ellas es narración sobre escena. Escrito así, el avatar deja de ser un presentador leyendo un video y pasa a ser la persona que aparece en los cuatro momentos que deciden si alguien se queda.
La primera dosis es el gancho, de 15 a 20 segundos, y es la que más paga. La promesa dicha por alguien mirando a la cámara es otro objeto, distinto de la misma promesa leída sobre un plano abierto, porque el rostro la convierte en compromiso en vez de subtítulo. Aquí es donde la regla de la segunda persona se paga sola, y aquí es donde debe gastarse la prueba de 15 segundos por 480 créditos antes de generar cualquier otra cosa del video.
La segunda dosis es la transición del medio, unos 15 segundos, y existe para reanclar al espectador en el punto donde cae la retención. Algo pasa cuando un video narrado sobre imágenes durante cuatro minutos de golpe vuelve a poner un rostro en pantalla: el espectador levanta la vista. Esa es toda la función, y por eso la dosis es corta. Quince segundos de rostro en Kling Std son 480 créditos, casi la mitad del precio del video económico entero, gastados en el único punto donde estabas perdiendo gente.
La tercera dosis es el veredicto, de 25 a 30 segundos, y es donde el rostro vale más que cualquier imagen que pudieras poner ahí. La opinión, el juicio y la recomendación tienen un autor, y el rostro es la forma más barata de mostrar que la pieza tiene uno. Una imagen de banco no toma posición. Es la dosis más larga a propósito, de 800 a 960 créditos en Kling Std, y es la parte del guion que más veces debería reescribirse antes de generar.
La cuarta dosis es la llamada final, de 15 a 20 segundos, un pedido directo entregado a la cámara. Suma las cuatro y tienes de 70 a 90 segundos de rostro, o sea de 2.240 a 2.880 créditos en Kling Avatar Std. Todo el resto de los doce minutos es narración sobre escena, y eso cuesta 36 créditos en modo económico. Cuatro dosis más narración es la forma que permite que un rostro aparezca en cada video que publicas en lugar de aparecer una vez por trimestre. En FalconVid el Studio ajusta una de esas dosis sin rehacer el video, de 5 a 320 créditos contra los 1.008 a 26.760 que cuesta rehacerlo entero, que es lo que vuelve segura una estructura de cuatro dosis semana a semana.
- Gancho, de 15 a 20 segundos: la promesa dicha a cámara. De 480 a 640 créditos en Kling Std.
- Transición del medio, 15 segundos: 480 créditos, gastados justo donde cae la retención.
- Veredicto, de 25 a 30 segundos: de 800 a 960 créditos, el juicio que ninguna imagen hace.
- Llamada final, de 15 a 20 segundos: de 480 a 640 créditos, un pedido directo a cámara.
- Total: de 70 a 90 segundos de rostro, de 2.240 a 2.880 créditos en Kling Avatar Std.
- Todo lo que va entre las dosis es narración sobre escena: 36 créditos en los doce minutos completos.
Dónde entra FalconVid, y por qué el mismo rostro tiene que volver la semana siguiente
Un avatar solo se vuelve presentador por repetición, y la repetición es lo primero que casi todos pierden. Un rostro generado de cero cada semana se corre, y el espectador que no reconoce a la persona en pantalla está viendo un modelo de banco, no a un presentador. El ADN del canal en FalconVid fija el mismo rostro, la misma voz y la misma identidad en todos los videos de ese canal, así que el avatar de IA acumula reconocimiento en lugar de reiniciar cada lunes.
Alrededor de eso están las decisiones que definen la cuenta. Eliges el motor por proyecto, económico o premium, puedes clonar una voz para que el rostro hable con una voz que pertenece al canal, y la narración corre en hasta 63 idiomas. La prueba de 15 segundos por 480 créditos pertenece a ese flujo y no a un rincón aparte, porque aprobar tono y encuadre en una pieza barata es la diferencia entre una generación y tres.
Después llega el día en que el tramo sale mal, que le pasa a todo el mundo. El Studio ajusta el tramo de avatar sin rehacer el video, y esa es una operación de 5 a 320 créditos contra los 1.008 a 26.760 que cuesta rehacer todo, según el modo de calidad. Acortar una dosis, cambiar el material que la rodea o la música es una reparación, no un rehacer, y en una pieza que carga 2.880 créditos de rostro la diferencia entre esas dos palabras es el mes entero.
El idioma se comporta distinto cuando hay avatar en el video, y conviene saberlo antes de planear un catálogo. Duplicar el proyecto a otro idioma repaga solo la narración, que son 36 créditos en económico y 288 en premium para doce minutos. Solo que en un video con avatar quien manda en el precio de la copia es el segundo de rostro, no el idioma, y por eso justamente la estructura de cuatro dosis es lo que vuelve viable un catálogo multilingüe.
La aritmética de los planes sale de ahí. Starter son US$ 47 con 15.000 créditos, 1 canal y 2 generaciones simultáneas: tres videos con las cuatro dosis completas a 3.888 cada uno, más tres videos solo narrados a 1.008 cada uno, cierran en 14.688 créditos, y los paquetes de crédito que no caducan cubren un mes cargado de avatar, Boost 2.000 por US$ 9, Power 6.000 por US$ 24 y Mega 14.000 por US$ 49. Pro son US$ 97 con 30.000 créditos, 5 canales y 5 generaciones simultáneas, que duplica esa cuenta, y la escalera llega hasta Scale, US$ 997 con 320.000 créditos, 50 canales y 50 generaciones simultáneas.
Las mismas reglas de escritura valen en los dos formatos donde el rostro es el formato. Un UGC de testimonio de producto son cuatro dosis con las proporciones cambiadas, y una VSL modelada para cualquier idioma es la dosis de veredicto estirada a la pieza entera, con los números en pantalla en vez de en la boca. Toda función de creación está en todos los planes, así que lo que cambia entre planes es volumen, canales, generaciones simultáneas, el servidor dedicado desde Pro, el Analista Sénior desde Pro con 7 días gratis en Starter, y el soporte.
Dos avatares, una portada, y el lugar más barato para poner un rostro
La pregunta que llega justo después de que el primer video funciona es si se pueden tener dos. Se puede, y el precio depende por completo de un detalle. Dos avatares alternando, uno hablando mientras el otro está fuera de cuadro, suman los mismos 90 segundos y los mismos 2.880 créditos. Dos avatares juntos en pantalla lo duplican a 5.760, porque cada rostro corre su propio reloj y el medidor cuenta rostros, no personajes de la historia.
Eso te da la regla del elenco. Un elenco no se encarece por tener más personajes, se encarece por tener más rostro simultáneo. En la narración el mismo principio corre a tu favor, porque un personaje con voz distinta cuesta cero extra y un diálogo de dos voces sobre escena es gratis. Así que escribe el diálogo como planos alternados en lugar de plano conjunto, y la misma escena cuesta la mitad.
La aplicación más barata del rostro ni siquiera está en el video, está en la portada. En FalconVid un rostro en la miniatura se cobra como imagen, 479 créditos en modo económico y 214 en premium, mientras que ese mismo rostro hablando 90 segundos cuesta 2.880. En un canal faceless, la portada es donde un rostro compra más atención por crédito, porque está haciendo el único trabajo que decide si el video se abre, y lo hace sin gastar un segundo de lip sync.
Una última cosa que pertenece a la planificación y no al apuro. YouTube pide la marca de contenido alterado o sintético cuando el video muestra a una persona realista que no existe o un evento que no ocurrió, que es exactamente lo que es un avatar hablando. Marcarlo es una casilla en la subida, sale gratis y no hunde el alcance por sí solo. Decidirlo una vez para el canal vale más que decidirlo con prisa en el video que por fin funcionó.
Qué hacer con esto en tu próximo video
El artículo entero cabe en un hábito. Deja de extraer el tramo de avatar del guion de la narración y empieza a escribirlo como documento propio: segunda persona, una idea por frase, listas en pantalla, números redondeados en la boca, ninguna referencia a la posición, primer cuadro en la primera palabra. Noventa segundos escritos así valen más que cuatro minutos de rostro escritos del otro modo, y cuestan un tercio.
Hacerlo a mano es donde la cuenta se pone fea. Escribir para cámara, iluminar una sala, grabar, descartar las tomas donde tropezaste y cortar el resto en 90 segundos aprovechables es casi una tarde entera, por video, antes de cualquier edición. A cuatro videos por mes son cuatro tardes que existen solo para que aparezca un rostro, y es la razón por la que la mayoría de los canales que planean un presentador terminan publicando una presentación con voz encima.
Del lado automatizado, esos 90 segundos salen de un calendario que apruebas una vez. Los especialistas de IA trabajan en paralelo, el video queda listo en hasta 30 minutos, el ADN del canal mantiene el mismo rostro y la misma voz de un video al siguiente y el Studio repara una dosis por 5 a 320 créditos en lugar de los 1.008 a 26.760 de rehacerlo. Un video de doce minutos cuesta 1.008 créditos en económico, 8.676 en balanceado y 26.760 en premium, y las cuatro dosis suman 2.880 encima en económico.
Así que los noventa segundos no son una limitación que aceptas, son una decisión de presupuesto que además resulta ser el mejor montaje. Escribe las cuatro dosis, gasta los 480 créditos en una prueba de 15 segundos antes de comprometerte, pon el rostro en la portada de todo, y deja que la narración sobre escena cargue los otros diez minutos y medio. Después corre esa misma estructura en cuantos canales quieras, que es la parte que dejó de ser cuestión de horas hace rato.