Avatar IA en vídeo: guion o interpretación

Dos productos bastante distintos se venden bajo la misma palabra. Uno monta un orador a partir de un texto escrito. El otro coge una interpretación que una persona dio de verdad y la traslada a la cara de otra. No cuestan lo mismo, no fallan en el mismo sitio, y esa diferencia decide cuál cabe en un anuncio de pago.

Dos productos, una sola palabra

Un generador de avatares devuelve un vídeo de alguien hablando, fabricado a partir de lo que tú le entregas. Lo que le entregas es todo el debate.

En la vía del guion entregas palabras en una página. Un modelo de voz las lee y una cara se anima para encajar con el audio. En la vía de la interpretación entregas una toma: alguien delante de un móvil, diciendo el texto en voz alta, y el sistema traslada esa entrega a otra cara.

Las dos devuelven el vídeo de una persona que no eres tú. Solo una de las dos contiene una interpretación que un ser humano dio realmente.

El avatar guiado por un guion

Pegas el texto. Eliges un avatar del catálogo, o fabricas uno a partir de una foto o de una grabación corta de registro. Eliges una voz, de una biblioteca o clonada de una muestra tuya. El sistema sintetiza el audio y anima la boca, y casi siempre la cabeza, para que encaje.

El atractivo es real. Ni cámara, ni habitación que recoger, ni tomas falladas, ni ninguna conversación incómoda sobre quién sale. Veinte versiones idiomáticas de un mismo texto son veinte generaciones, y corregir un precio en el guion es una edición y no un rodaje nuevo.

La factura llega en la entrega. Un modelo de voz lee la puntuación, no la intención. Coloca el acento donde lo sugiere la gramática y no donde está el sentido, así que una frase irónica cae plana y una pregunta al final de una enumeración se lee como un elemento más de la lista. Las caras animadas sobre ese audio heredan el problema: la boca se agita, el resto de la cara sigue en calma, y los ojos apuntan al objetivo sin llegar a mirar nada.

El presentador guiado por una interpretación

Grabas la toma. Tu voz, tus silencios, la media décima de segundo en que bajas la vista al producto y la subes otra vez, la respiración antes del gancho. El sistema lee esa grabación como una interpretación y con ella mueve otra cara. El ritmo sale de la toma y no de la hipótesis de un modelo sobre cómo debería sonar la frase.

Aquí la factura llega antes. Alguien tiene que ponerse en una habitación y decir el texto de forma creíble, y una toma floja da un anuncio flojo sobre una cara más agradable. Veinte versiones idiomáticas son veinte rodajes, no veinte pegados, salvo que la persona hable veinte idiomas.

La sincronía labial no es el tema

Es lo primero que todo el mundo comprueba y la diferencia menos interesante entre las dos vías.

Las herramientas guiadas por un guion suelen resolverla bien, porque la boca se anima sobre la onda que el mismo sistema acaba de producir y las dos difícilmente pueden contradecirse. Las guiadas por una interpretación sacan sus formas de boca de una boca real, así que la sincronía vale lo que valga la toma y se degrada con mal sonido, con una cara medio fuera de encuadre o con una mano delante de la mandíbula.

Lo que las separa ocurre por encima de la boca. El audio transporta los fonemas con limpieza y casi nada de hacia dónde miraba quien hablaba, de cuándo inclinó la cabeza o de qué palabra decidió subrayar.

Lo que el texto no lleva dentro

Lee un guion en voz alta y cuenta lo que haces que no está escrito. Marcas la enumeración con la mano. Apartas la mirada en la concesión y la devuelves en la promesa. Aceleras en la advertencia porque sabes que es la parte aburrida.

Nada de eso está en las palabras. Un sistema guiado por un guion lo omite, y entonces se lee rigidez, o lo saca de un banco de movimientos de espera, y entonces se lee agitación sin relación con la frase. En un feed el espectador no diagnostica nada de esto. Sigue bajando.

Cuál encaja en un anuncio de formato creador

El anuncio de formato creador se construye alrededor de una demostración: el producto entra en cuadro, se muestra una promesa en lugar de enunciarla, y una persona dice qué hacer después. La anatomía de un anuncio UGC es esa estructura, y es sobre todo física.

Un avatar guiado por un guion no puede sostener tu producto, porque nunca estuvo en la habitación con él. Eso lo convierte en un candidato razonable para un aviso, un cambio de condiciones o una explicación hablada, y en un mal candidato para un anuncio cuyo trabajo es enseñar algo funcionando. La guía de actores IA trata el lado del casting de la misma decisión, y la guía del contenido UGC recuerda de dónde viene el formato.

Lo que hay que identificar en España

El código de conducta de publicidad a través de influencers, promovido por AUTOCONTROL junto con la Asociación Española de Anunciantes e IAB Spain, entró en vigor en su versión actualizada el 1 de octubre de 2025. Refuerza los criterios de identificación del contenido publicitario, que debe quedar claro desde el inicio con indicaciones del tipo Publicidad, Colaboración pagada o Patrocinado por la marca, y aborda por primera vez de forma expresa el uso de inteligencia artificial en la creación de contenidos publicitarios. El texto del código está publicado entero.

Lo que añade el reglamento europeo

El artículo 50 del reglamento de IA se aplica desde el 2 de agosto de 2026 y obliga a quien despliega un sistema que genera o manipula vídeo ultrafalso a indicar que el contenido se ha generado o manipulado artificialmente. Conviene planificar el aviso al escribir el guion y no después del montaje.

Cómo encaja Sosie

Sosie es la vía de la interpretación. Grabas hasta cuarenta segundos con el móvil, tu propio texto, en la habitación en la que estés. Eliges un presentador del catálogo, describes uno para que Sosie lo genere, o subes la imagen de alguien que te dio permiso por escrito; las figuras públicas están bloqueadas. Tu voz, tu ritmo, tus expresiones y tus gestos se conservan y los entrega ese presentador, colocado por defecto en tu propia habitación, con sus paredes y su luz, o sobre su propio fondo si lo prefieres.

El archivo que vuelve es un MP4 vertical en 1080p sin marca de agua, utilizable comercialmente incluida la publicidad de pago, en unos cinco minutos para un vídeo de veinte segundos. Un crédito cubre hasta veinte segundos y dos cubren hasta cuarenta. Los créditos se compran por suscripción mensual o en packs de un solo pago que no caducan, desde 39 € por cinco créditos, y no existe ningún plan sin pago. Un renderizado que falla se devuelve.

Una prueba rápida

Escribe una frase que solo funcione con un encogimiento de hombros y ponla en mitad del guion. Genera el vídeo por las dos vías. La versión guiada por el texto dirá las palabras. La versión guiada por la interpretación encogerá los hombros, porque alguien lo hizo.