Cómo se hizo el corto de Harry Potter con IA: más allá de Gemini y ChatGPT

El fenómeno Malfoid y la confusión sobre las herramientas

Acabo de ver un vídeo de un youtuber a propósito del fenómeno de la versión femenina de Draco Malfoy, conocido como Malfoid, que ha hecho mucho ruido por causa de un corto animado hecho con IA. Lo gracioso es que nunca habla de IA local, sino solo de Gemini, ChatGPT o servicios web, sin explicar el cómo. En los comentarios del video nadie menciona nada al respecto.

Esquema visual del flujo de trabajo para generar animación con inteligencia artificial
El proceso detrás de los cortos virales no es una simple conversación con un modelo.

Se trata de una distinción importante: usar IA para crear un vídeo no significa necesariamente generarlo con una única herramienta, ni mucho menos hacerlo íntegramente en la nube. La tendencia comenzó a difundirse mediante ilustraciones y después dio lugar a cortos y animaciones. Algunas obras son dibujos humanos y otras sí son generadas con IA.

¿Cómo se hicieron esos cortos?

He encontrado varios candidatos que encajan con lo que describes. Uno de los más interesantes es Malfoid – Draconia Malfoy – Anime Short Film, publicado por schmede_AI y moonlightbro el 15 de octubre, cuya descripción atribuye la creación a Vidu. También existe una versión más cinematográfica titulada The Only Explanation, publicada el 7 de octubre.

No puedo asegurar cuál de ellos viste sin el enlace al vídeo del youtuber que lo comentaba. Pero sí podemos examinar lo que se conoce de los métodos de producción. El flujo habitual de estos cortos se parece bastante más a una pequeña producción audiovisual que a una conversación con un modelo de lenguaje.

La receta técnica: no es simplemente escribir un prompt

El proceso implica varias etapas clave:

  1. Diseñar los personajes: Se crean imágenes de referencia con el rostro, el pelo, la ropa y distintas expresiones. Esto ayuda a evitar que el personaje tenga una cara distinta en cada plano.
  2. Preparar los planos: Se decide qué ocurre en cada toma: quién habla, dónde mira, qué expresión hace y cómo se mueve la cámara.
  3. Generar el movimiento: Un modelo de vídeo anima una imagen de referencia siguiendo instrucciones de movimiento. Se generan tomas cortas que después se seleccionan y combinan.
  4. Montar el resultado: Se ajustan los cortes, los diálogos, las voces, la música, los efectos sonoros y el ritmo. La edición disimula muchas imperfecciones que se notarían en una toma continua.

Una fuente describe precisamente el uso de hojas de referencia de personajes, escenas breves con una acción clara y montaje posterior. Aquí está la parte interesante: cada toma puede ser generada por separado. No necesitas que un modelo produzca de una sola vez tres minutos perfectos de animación coherente.

¿Y dónde entra la IA local?

Aquí creo que has detectado un sesgo real en la conversación pública, aunque no podemos afirmar que todos esos creadores utilicen modelos locales. Cuando un creador habla de Gemini, ChatGPT, Vidu, Kling o Higgsfield, está mencionando servicios relativamente accesibles. Eso no significa que haya utilizado únicamente esas herramientas ni que esas sean las únicas capaces de producir el resultado.

En tu caso, que ya trabajas con ComfyUI y modelos como WAN y LTX, la distinción te resultará familiar. Con una RTX 3090 de 24 GB es posible construir una parte importante de ese flujo localmente. La diferencia fundamental es que la IA local no es un producto único, sino un conjunto de modelos, interfaces, nodos, extensiones y técnicas de producción.

Tabla comparativa de capacidades entre IA local e IA en la nube
La distinción clave radica en si se utiliza una plataforma externa o el propio ordenador.

Las alternativas locales posibles para cada tarea son las siguientes:

  • Diseñar personajes: SDXL, FLUX y modelos de anime. Limitación: Consistencia entre imágenes.
  • Mantener la identidad: LoRA, imágenes de referencia y nodos de condicionamiento. Requiere preparar el flujo.
  • Generar movimiento: WAN y LTX, entre otros. Limitación: Memoria de vídeo, duración y estabilidad.
  • Montar y corregir: Blender, FFmpeg, Kdenlive. Requiere trabajo de edición y revisión.
  • Crear voces: Modelos locales de síntesis de voz. Limitación: Naturalidad, actuación y sincronización.

¿Por qué casi nadie habla de IA local en los comentarios?

Se me ocurren cuatro explicaciones, y no todas tienen que ver con desconocimiento técnico:

  1. La mayoría de los espectadores quiere ver el resultado, no reproducir el proceso. Si alguien dice que lo hizo con una plataforma web, la explicación parece completa para quien nunca ha instalado un modelo.
  2. Los servicios comerciales simplifican el relato. «Escribí el prompt y obtuve el vídeo» funciona muy bien como historia. Explicar VRAM, cuantización, nodos, modelos auxiliares, semillas y montaje no tanto.
  3. La IA local tiene una barrera de entrada mayor. Hay que descargar modelos enormes, resolver dependencias y configurar el entorno.
  4. Los comentarios no son una encuesta representativa. Que nadie mencione ComfyUI en ese vídeo no demuestra que nadie lo conozca. Puede que la audiencia sea principalmente de usuarios de herramientas web o que el vídeo ni siquiera haya explicado el flujo técnico.

Hay además un matiz: los creadores que sí utilizan IA local a veces publican sus workflows, modelos y configuraciones en comunidades especializadas, en vez de explicarlos en el canal generalista donde muestran la obra terminada. Mi impresión es que la brecha está menos en la capacidad técnica que en la visibilidad: el público ve el producto final, pero no el ecosistema de herramientas que lo hace posible.

Para investigar el caso concreto, me falta una pista. ¿Me pasas el enlace del vídeo del youtuber que acabas de ver? Con eso puedo distinguir si comenta el corto de schmede_AI, el de Foyege u otro, y revisar qué se sabe realmente de su producción, en lugar de atribuirle herramientas por mera suposición.