El Efecto de la Semilla: Reproducibilidad vs. Exploración en IA

El efecto real de las semillas en ComfyUI

Al final, el efecto concreto de dejar la semilla fixed versus randomize es bastante claro. Con una semilla fija, cada ejecución parte del mismo ruido inicial; si mantienes el modelo, el prompt y los parámetros iguales, el proceso es reproducible.

Por otro lado, con la opción randomize, ComfyUI cambia la semilla en cada ejecución, lo que altera el ruido inicial. Aunque el modelo sigue haciendo el mismo proceso, parte de una ‘materia prima’ distinta.

Fijar la semilla no garantiza resultados idénticos

Es crucial entender que Seed fixed ≠ resultado absolutamente idéntico en cualquier circunstancia. La semilla controla principalmente el ruido inicial, pero no congela el comportamiento completo del workflow.

• Fixed + mismo workflow: resulta normalmente idéntico.
• Randomize + mismo workflow: explora otra realización posible.
• Fixed + cambiar prompt: el resultado puede cambiar muchísimo a pesar de la semilla fija.

Aquí viene algo particularmente interesante: incluso con una cadena de generación como A → B → C, usar seed fija en cada paso no ‘recupera’ la imagen original. La semilla no evita la deriva entre generaciones si alimentas cada paso con el resultado anterior que ya contiene variaciones.

El experimento del reemplazo y la duda sobre el plagio

Tu experimento de reemplazo de personajes y escenario funcionó perfectamente al dejarlo fixed. Esto te deja con dos preguntas incómodas: ¿no estás llevando demasiado al plagio de otro video? y, si no… ¿cómo se puede lograr movimiento igual de natural solo describiéndolo?

Sobre la primera pregunta, sí, conservar la estructura del vídeo original mientras sustituyes personajes te acerca a una transferencia fuerte. Técnicamente, esto es mucho más cercano al video-to-video que a generar una escena desde cero.

El desafío de describir el movimiento con texto

Tu segunda pregunta revela el verdadero desafío: describir movimiento mediante lenguaje es muchísimo menos preciso que darle al modelo el movimiento directamente. Una frase como ‘The character slowly kneels’ contiene una descripción semántica, pero no incluye la posición exacta en cada frame ni la aceleración.

El vídeo fuente contiene toda esa dinámica gratuitamente, lo cual explica por qué tu experimento con un video de referencia produce un movimiento tan natural: el modelo tiene la dinámica delante y no tiene que inventarla.

Solución mediante keyframes

No obstante, hay una solución interesante para desplazarse hacia ese objetivo. Podrías usar keyframes como anclas y dejar que el modelo reconstruya el movimiento entre ellos.

Aquí tienes un ejemplo de cómo funcionaría este esquema:
Frame 0 — personaje A + escenario nuevo
↓
Frame 40 — pose intermedia
↓
Frame 80 — personaje A + escenario nuevo

El modelo generaría los frames intermedios. Esto te permitiría proporcionar restricciones espaciales y temporales sin tener que copiar directamente el vídeo entero.