Video · 9 min de lectura
Guía de prompts para Veo 3: cámara, audio y diálogo
Guía de prompts para Veo 3: plano, sujeto, acción, cámara, estilo, efectos de sonido, música, diálogo entre comillas, prompts negativos e imagen a video.
Veo 3 es el modelo de video de Google que genera clips cortos con imagen y sonido a la vez: efectos, ambiente, música y voces sincronizadas con los labios. Esa capacidad cambia la forma de escribir el prompt, porque ya no basta con describir lo que se ve; también hay que dirigir lo que se oye. Esta guía de prompts para Veo 3 recorre cada pieza (plano, sujeto, acción, escenario, cámara, estilo, audio y diálogo) con ejemplos listos para adaptar, basados en la guía de prompts que publica Google.
Las versiones del modelo y las funciones disponibles cambian según la plataforma (la app de Gemini, Flow o la API), así que revisa siempre la documentación de la herramienta que uses para conocer duraciones y formatos.
La fórmula base de un prompt de Veo 3
La guía de Google Cloud propone una estructura en cinco bloques: cinematografía + sujeto + acción + contexto + estilo y ambiente. No es obligatorio seguir ese orden, pero empezar por el plano ayuda a que el modelo encuadre antes de llenar la escena.
Medium shot of an elderly fisherman mending a net on a wooden dock at dawn. He pulls the thread tight with weathered hands and looks out at the calm sea. Soft blue morning light, light mist over the water, documentary style, quiet and contemplative. Audio: SFX: gentle waves against the dock, seagulls in the distance.
Cada frase cumple una función: la primera fija plano, sujeto y lugar; la segunda, la acción; la tercera, el estilo; la última, el sonido. Un prompt así es fácil de corregir: si la luz no te convence, cambias solo esa frase y vuelves a generar.
Plano y movimiento de cámara
Veo 3 entiende el vocabulario cinematográfico estándar, normalmente en inglés. Elige primero el tipo de plano y después, si quieres, un solo movimiento de cámara; combinar varios en un clip de pocos segundos suele dar resultados confusos.
| Término | Qué hace |
|---|---|
| Wide shot, establishing shot | Muestra el lugar completo; ideal para abrir una secuencia |
| Medium shot | Encuadra a la persona de cintura hacia arriba; bueno para acciones y diálogo |
| Close-up, extreme close-up | Rostro o detalle; transmite emoción |
| POV shot | Muestra lo que ve el personaje |
| Dolly in, dolly out | La cámara se acerca o se aleja físicamente del sujeto |
| Tracking shot | La cámara acompaña al sujeto en movimiento |
| Crane shot | La cámara sube o baja, a menudo para revelar el entorno |
| Slow pan | Giro horizontal lento sobre su eje |
| Handheld | Cámara en mano, con una ligera vibración realista |
También puedes indicar lente y foco: shallow depth of field, wide-angle lens, macro lens. Para encadenar varias tomas en un mismo clip, la guía de Google muestra prompts con marcas de tiempo del tipo «[00:00-00:02] Medium shot… [00:02-00:04] Reverse shot…». Úsalas con moderación: cada tramo de dos segundos admite poco más que un gesto.
En el generador de prompts para Veo 3 eliges plano y movimiento en menús desplegables, y la herramienta los escribe en inglés para que el modelo los interprete de forma consistente.
Sujeto, acción y escenario
Describe al sujeto con dos o tres rasgos visibles (edad aproximada, ropa, un detalle distintivo) y la acción con verbos concretos. Los clips duran pocos segundos, así que una acción principal es suficiente; una secuencia de cinco acciones no cabe.
Peor: una chica en una ciudad haciendo cosas. Mejor: A young woman in a yellow raincoat walks toward the camera along a narrow Tokyo street at night, stops under a neon sign and smiles. Light rain falls and reflections shimmer on the wet asphalt.
El escenario aporta la mitad de la atmósfera: hora del día, clima, época y nivel de detalle. «Una cocina» es neutra; «una cocina pequeña de los años setenta con azulejos naranjas y vapor saliendo de una olla» ya cuenta una historia.
Estilo e iluminación
Al final del bloque visual, define el acabado: estilo (documental, cinematográfico, animación 3D, película antigua), iluminación (hora dorada, neón, fluorescente fría) y ambiente (tenso, nostálgico, alegre). Las referencias técnicas funcionan mejor que los adjetivos genéricos: «shot as if on 1980s color film, slightly grainy» comunica mucho más que «estilo retro bonito».
Close-up of a barista pouring latte art in a busy café. Warm tungsten light, shallow depth of field, cinematic look with soft film grain, cozy morning atmosphere.
Audio: efectos, ambiente y música
Aquí está la gran diferencia de Veo 3. Si no describes el sonido, el modelo lo improvisa; si lo describes, lo diriges. La guía de Google sugiere separar el audio con etiquetas claras:
- SFX: efectos concretos y sincronizados con la acción. «SFX: a door creaks open, footsteps on a wooden floor».
- Ambient noise: el fondo sonoro del lugar. «Ambient noise: distant traffic and light rain».
- Música: no hay una etiqueta oficial obligatoria; descríbela como un elemento más, con género, instrumentos y energía. «A soft lo-fi piano melody plays in the background».
Wide shot of a lighthouse on a rocky cliff during a storm, waves crashing below, the beam sweeping through heavy rain. SFX: thunder cracks in the distance, waves hit the rocks. Ambient noise: strong wind howling. Music: low, tense orchestral strings building slowly.
No pidas canciones ni voces de artistas reales: describe el estilo con tus propias palabras. En el generador de Veo 3, lo que escribas en el campo «Sonido / música» se añade como línea «Audio: SFX:», que puedes ampliar a mano con ambiente o música.
Diálogo entre comillas
Para que un personaje hable, escribe la frase exacta entre comillas e indica quién la dice y cómo. Las comillas le señalan al modelo que se trata de texto hablado y no de una descripción.
Medium shot of a tired detective behind a cluttered desk in a dim office. He looks up at the camera and says in a low, weary voice: "We have until midnight. Not one minute more." Ambient noise: a ceiling fan humming.
Consejos para que el diálogo salga bien:
- Frases cortas. En un clip de pocos segundos caben una o dos frases breves; un párrafo se acelera o se corta.
- Un hablante por frase. Si hay dos personajes, identifícalos por un rasgo visible: «the woman in the red coat says…».
- Tono y emoción. Usa verbos como whispers, shouts o says excitedly.
- Idioma. Puedes escribir la frase en español dentro de un prompt en inglés; escucha bien la pronunciación y repite la generación si hace falta.
- Subtítulos. A veces el modelo añade texto en pantalla. Muchos usuarios escriben «(no subtitles)» después del diálogo, y nuestro generador lo incluye en la línea de diálogo.
Prompts negativos e imagen a video
Qué evitar y cómo decirlo
Algunas plataformas, como la API, ofrecen un campo específico de prompt negativo. En él conviene escribir directamente los elementos no deseados («text overlays, watermark, blurry faces») en lugar de frases del tipo «no quiero». Dentro del prompt principal, la guía de Google recomienda describir lo que sí quieres: «a desolate landscape with no buildings or roads» funciona mejor que «no man-made structures».
Prompt: A quiet mountain lake at sunrise, mirror-like water, pine forest on the shore, slow drone fly-over. Negative prompt: people, boats, text, watermark, oversaturated colors
Si quieres una lista de partida de términos negativos por categorías, el generador de prompts negativos te ayuda a armarla.
De imagen a video
Si partes de una imagen (una foto propia o una ilustración creada con Nano Banana), Veo la usa como punto de partida del clip. En ese caso no repitas lo que ya se ve: céntrate en el movimiento, la cámara y el sonido. Según la plataforma, también puedes fijar un fotograma inicial y otro final o aportar imágenes de referencia para mantener personajes coherentes entre clips.
Animate the provided image: the woman slowly turns her head toward the window and smiles as the curtains move with the breeze. Camera: slow dolly-in. Audio: SFX: soft wind, birds outside.
La herramienta imagen a prompt tiene un destino «Veo 3 (image-to-video)» que redacta un borrador de esta instrucción a partir de tu imagen. Y si quieres comparar con otros modelos como Sora o Kling, el generador de prompts de video adapta el mismo plan a la sintaxis de cada uno.