Tiny Desk AI: cómo hacer el vídeo de Outstanding

La fuente es un Tiny Desk de NPR de 2023 con Charlie Wilson interpretando «Outstanding», una canción de Gap Band en la que él era el vocalista original. La sección que se rehace es corta: la banda detrás de la mesa, el vocalista girándose a cámara con una carcajada y un saludo, un solo de saxo y un plano final con el puño en alto.

Todo lo demás está fijo. La sala, la luz, los cortes, el ritmo y la música se quedan como están; solo se sustituyen los intérpretes. Quien conoce el clip reconoce la versión antes del segundo plano, y por eso el montaje puede ser tosco y el chiste sigue funcionando.

Otra cosa que conviene dejar clara desde el principio: ninguna versión es una actuación real de Tiny Desk. Si publicas una, etiquétala como generada con IA donde la plataforma lo pida y no la presentes como imágenes del concierto real.

La versión que encendió la mecha puso en la banda a entrenadores de fútbol americano universitario que acababan de perder. El estribillo — outstanding — suena a sarcasmo cuando lo canta alguien a quien su rival acaba de ganar, y el formato pasó de TikTok a X en cuestión de días. Desde ahí se extendió a compañeros de equipo, colegas de trabajo, políticos y familias, y la estructura se mantuvo idéntica porque el chiste es el reparto, no el montaje.

La mayoría de los formatos de vídeo con IA piden que admires la generación. Este pide que leas un reparto, y ese listón es mucho más bajo.

• Una fuente reconocible. La gente ya conoce el clip, así que un vistazo basta para entender qué cambió y por qué tiene gracia.
• Un remate que ya está en las imágenes. El giro del vocalista hacia cámara ya es un tiempo cómico; solo hay que ponerle la cara correcta.
• Cinco puestos, no uno. Un grupo entero cabe en un mismo vídeo, lo que convierte el meme en algo que hace un chat juntos y no en un montaje en solitario.
• Sin prompt. El formato está fijo, así que hasta la versión más vaga se lee como el meme.
• Un bucle corto. Unos dieciocho segundos alcanzan para plantear el chiste y son lo bastante cortos para verlo dos veces.

Una plantilla fija resuelve la puesta en escena, pero no la identidad. Mantener una foto a lo largo de cuatro planos conservando la luz, el pelo y la ropa de la escena es la parte difícil, y la hace el modelo de vídeo, no la plantilla.

Esa edición corre sobre Kling 4.0, el modelo más reciente y más capaz de esa familia, no una versión antigua o recortada con la que habríamos podido abaratar costes. Un modelo de gama alta cuesta más por render que los que hay detrás de la mayoría de plantillas baratas, y esa es la razón principal de que un vídeo cueste 520 créditos y no una cantidad simbólica. No hay suscripción y los créditos se reembolsan automáticamente si la generación falla. Lo que compran esos 520 créditos es que la misma cara sobreviva a los cuatro planos con toda su fidelidad: lo primero que suelen perder los modelos más baratos.

Aquí una plantilla no es un proyecto de CapCut que abres y montas tú. Es una actuación terminada que el modelo edita en su sitio: una secuencia fija de cuatro planos, de unos dieciocho segundos, con el ritmo y la banda sonora ya resueltos. No describes una escena, no eliges un movimiento de cámara ni aportas un vídeo de referencia. Asignas fotos a puestos y el modelo cambia a los intérpretes dentro de un material que nunca cambia.

El plano uno, de unos cinco segundos, es del tecladista y los dos coristas. El plano dos es el momento sobre el que se construye el meme: un primer plano del vocalista riéndose y saludando, de unos seis segundos. El plano tres es el solo de saxo, filmado de lado con el tecladista en una esquina. El plano cuatro vuelve al trío, con un puño en alto.

El orden te dice qué puestos importan. El vocalista se lleva el plano más largo y el remate. El tecladista aparece en tres de los cuatro. Los coristas abren y cierran el clip. El saxofonista aparece una vez, pero es el momento más reconocible después de la carcajada.

Hay cinco puestos fijos y solo el vocalista es obligatorio: cada puesto vacío conserva al músico original de la banda, así que una sola foto ya produce una banda completa.

• Vocalista: obligatorio. El primer plano y el trío final. Es el plano que la gente captura.
• Tecladista: tres de los cuatro planos, incluidos la apertura y el solo de saxo. El puesto opcional más visible.
• Coristas, izquierda y derecha: los planos de grupo de apertura y cierre. Buenos puestos para quien quiere salir sin cargar con el clip.
• Saxofonista: solo el solo. Un plano, pero el más reconocible después de la carcajada.

Casi todos los resultados decepcionantes son un problema de foto, no del modelo. El modelo sustituye a la persona entera — cara, pelo, tono de piel, complexión y ropa — y solo sabe lo que la foto le enseña. Una foto que esconde la mitad de eso deja al modelo adivinando, y adivinar es lo que produce una cara que deriva entre planos.

Técnicamente, el modelo empareja bordes: la línea de la mandíbula, el pelo contra el fondo, la forma de los hombros, el color y el corte de la ropa. Con esos bordes reconstruye a la persona y repite la reconstrucción en cuatro planos con luces y ángulos distintos. Por eso la nitidez importa más que la resolución: una foto de móvil nítida de 1.200 píxeles da bordes limpios, y una foto blanda de 4.000 píxeles llena de artefactos de compresión da ruido. También por eso importa una foto frontal: la cámara de la plantilla está de frente, así que una foto a tres cuartos obliga al modelo a inventarse la mitad que falta de la cara.

La respuesta corta: una persona, mirando a cámara, nítida y con luz uniforme, de cintura para arriba para que se vea la ropa. Sin gafas de sol, sin manos delante de la cara, sin filtros de belleza fuertes, sin ángulos extremos y una foto distinta por persona en lugar de una foto de grupo.

• Usa luz de día o luz interior suave y uniforme. Una luz lateral dura parte la cara en dos exposiciones.
• Muestra la ropa desde los hombros hacia abajo. El modelo toma la ropa de la foto, no de la plantilla.
• Mantén la cámara a la altura de los ojos. Desde abajo se ensancha la mandíbula; desde arriba se estrecha.
• No uses gafas de sol, mascarillas ni manos cerca de la cara.
• No uses filtros de belleza ni HDR agresivo. El suavizado se convierte en la piel de la persona.
• No uses una captura de una videollamada. Suele estar blanda, descentrada e iluminada por la pantalla.
• No uses una foto de grupo para varios puestos. Recorta a una persona cada vez o pide fotos separadas.

Los puestos no exigen lo mismo, así que pon tu mejor foto donde más se va a ver. El vocalista es el puesto más estricto: un primer plano de seis segundos, de frente, nítido, sin gafas de sol. El saxo es opcional pero recibe uno de los planos más cercanos del clip, así que una foto nítida rinde ahí también. El tecladista aparece en tres planos, casi siempre en plano medio. Los coristas salen en los planos de grupo de apertura y cierre, con caras más pequeñas: la pareja de puestos más indulgente.

Dónde colocas a cada persona también decide cómo cae el chiste. Dale el puesto de vocalista a quien sea el blanco de la broma: quien cumple años, el jefe, el amigo que perdió una apuesta, el responsable cuyo equipo acaba de lanzar. Pon en los coros a quienes quieren salir sin cargar con el clip. El reparto es la parte divertida y también la única decisión creativa que te pide el formato.

Si haces uno en grupo, la dificultad práctica no es el generador: es reunir cinco fotos usables sin convertirlo en un proyecto. Manda un solo mensaje con las reglas en lugar de cinco mensajes corrigiendo. Algo así: «Mándame una foto solo tuya, mirando a cámara, de cintura para arriba y con luz de día. Sin gafas de sol y sin filtros. Te voy a meter en una banda». La mayoría mandará una selfie tomada un poco desde abajo, porque es la foto que todos tienen. Normalmente sigue sirviendo; solo distorsiona la mandíbula y esconde la ropa.

Algunos repartos que suelen funcionar: el chat del grupo, con todo el mundo en la banda y el puesto principal para quien más habla; el equipo que acaba de lanzar; el cumpleaños, con el homenajeado al frente y los amigos en los coros; la despedida, con quien se va como vocalista; la familia, con los abuelos en el primer plano y los nietos en los planos de grupo. El hilo común es que el puesto principal debe ser alguien a quien el público reconozca: el chiste es el reparto, así que cuanta más gente lo entienda al instante, mejor funciona el clip.

Pulsa Generar. El vídeo entra en cola, se edita en una GPU y se vuelve a montar con la banda sonora de la plantilla, y por eso tarda minutos y no segundos. Puedes cerrar la pestaña: el trabajo espera en tu historial y la tarjeta muestra cuánto lleva corriendo. Un vídeo de cinco personas tarda más o menos lo mismo que uno de una, porque todo el clip se edita de una pasada, se llenen los puestos que se llenen.

Cada vídeo cuesta 520 créditos. Los créditos gratis de las cuentas nuevas están dimensionados para las herramientas de imagen, no para vídeo: una edición de dieciocho segundos fotograma a fotograma cuesta mucho más de renderizar que una sola imagen. Los packs de créditos son compras únicas, sin suscripción, y los créditos no caducan.

Si un trabajo falla, los 520 créditos vuelven automáticamente y la tarjeta del historial explica por qué. Reintenta con las mismas fotos antes de cambiar cualquier otra cosa: la mayoría de los fallos son de cola o de revisión de seguridad, no de foto, y cambiar una buena foto después de un fallo hace más difícil juzgar el siguiente resultado.

El resultado es un MP4 vertical, 720 × 1280, con sonido, listo para TikTok, Instagram Reels o YouTube Shorts. Descárgalo desde la tarjeta del historial y publícalo como cualquier otro clip.

Si quieres el audio que la gente asocia con el meme, añade «Outstanding» desde la biblioteca de música con licencia de TikTok o Instagram al subirlo y baja el sonido original. La banda sonora propia del vídeo sigue sirviendo cuando publicas donde no existe esa biblioteca o cuando quieres que la banda suene a banda.

Las reglas que mantienen el formato divertido son sencillas. Usa fotos de personas que hayan aceptado salir, incluidos los menores de 18, que necesitan el permiso de un adulto. Etiqueta el vídeo como generado con IA donde la plataforma lo pida y no lo presentes como una actuación real de Tiny Desk. No subas fotos de figuras públicas ni de nadie a quien le moleste, y no lo uses en publicidad ni en nada comercial sin permiso.

Y una distinción que conviene no perder: una versión con plantilla evita la grabación, no la marca. Tiny Desk es una marca registrada de NPR y «Outstanding» pertenece a sus titulares de derechos, así que mantén el encuadre claramente como fan-made.

Casi todos los resultados decepcionantes se remontan a la foto, no al modelo. Estos son los más frecuentes, más o menos en orden.

• Usar una foto de grupo para varios puestos. Cada persona recibe una fracción de los píxeles y la ropa suele quedar cortada. Recorta a una persona cada vez o pide fotos separadas.
• Gafas de sol, manos o pelo delante de la cara. El modelo tiene menos cara que comparar y el resultado deriva entre planos.
• Un filtro de belleza fuerte. El suavizado del filtro se convierte en la piel de la persona en el vídeo, y desentona junto a la banda sin editar.
• Una foto tomada desde abajo o de lado. La cámara de la plantilla está de frente; una foto a tres cuartos produce una cara a tres cuartos en un plano frontal.
• Cambiar varias cosas a la vez después de un mal resultado. Cambia primero la foto, luego el puesto y después los ajustes; si no, no sabrás qué cambio ayudó.

Casi todas las listas de «mejores Tiny Desk AI» mezclan productos que hacen cosas distintas, así que conviene saber qué estás comparando antes de leer el ranking. Seis preguntas separan una herramienta que usarías una vez de una que recomendarías a tu chat de grupo.

• ¿Usa la emisión original o una plantilla propia? Esa respuesta decide tu exposición legal, no solo tu calidad.
• ¿A cuántas personas puede poner? Un puesto es un filtro; cinco puestos es una actividad de grupo.
• ¿El resultado sale sin marca de agua y con qué resolución y duración reales?
• ¿Qué pasa cuando un render falla? ¿Se devuelven los créditos automáticamente?
• ¿Puedes descargar el MP4 o solo tienes un enlace para compartir que caduca?
• ¿Dice qué hace con tus fotos y cuánto tiempo las guarda?