Inicio / Blog / Cómo generar imagen y vídeo con IA en tu ordenador, desde Claude

Blog · IA en local

Cómo generar imagen y vídeo con IA en tu ordenador, desde Claude

Las aplicaciones de vídeo con IA en la nube molan, pero casi todas funcionan con suscripción y, a la larga, el coste se acumula. Yo he montado todo en mi propio portátil, y para generar imágenes y vídeo no he contratado ninguna otra aplicación. Aquí te cuento cómo, con los tiempos y los ajustes que me han funcionado, y también con lo que me ha salido mal.

Cinco fotogramas de la presentadora hablando a cámara, con subtítulos
El vídeo principal: la presentadora generada y animada en local, con la voz de ElevenLabs y los subtítulos puestos con ffmpeg.

Qué vas a conseguir, y qué no es gratis

Vas a poder pedirle a Claude que genere imágenes y vídeo en tu ordenador, sin pagar por cada imagen ni por cada vídeo y sin subir nada a ninguna aplicación de generación. Los modelos se descargan una vez y después funcionan sin conexión.

Pero «sin coste» tiene matices, y prefiero decírtelos desde el principio:

Mi equipo, para que sepas a qué atenerte

Portátil
MSI Katana GF66: Intel i7-12700H, 16 GB de RAM y RTX 3050 Ti con 4 GB de gráfica, con Windows 11
Disco
Unos 150 GB entre los modelos de imagen y los de vídeo y audio
Lo que no sé
Cómo irá en otros equipos: solo he probado este

Con 4 GB de gráfica no caben los modelos enteros. Por eso uso herramientas pensadas para gráficas pequeñas, que van pasando el modelo por trozos desde la RAM, y versiones int8 de los modelos, que ocupan la mitad.

Cómo funciona todo esto

Claude no genera nada por sí mismo. Lo que hace es escribir y lanzar scripts que hablan con dos programas instalados en tu ordenador, y después mirar lo que ha salido:

El truco que más me ha servido no es técnico: darle a Claude documentos de instrucciones (archivos CLAUDE.md) con los ajustes que funcionan, los tiempos y los errores que ya han salido. Así, en cada sesión nueva no empieza de cero.

Logos de Claude Code, ComfyUI, Flux, Z-Image, MiniMax H3, ElevenLabs y Whisper
Las herramientas que salen al final del vídeo.

Paso 1: que Claude mire tu equipo

Antes de instalar nada, pídele que compruebe tu gráfica, tu RAM y tu disco. Eso decide qué modelos caben. Algo así:

Mira mi gráfica, mi RAM y el espacio libre en disco, y dime qué modelos de
            imagen y de vídeo podría ejecutar en local en este equipo, en qué versión
            (cuantizada o no) y cuánto tardaría aproximadamente cada uno.

Paso 2: ComfyUI y las imágenes

  1. Instala ComfyUI Desktop con su instalador de Windows.
  2. Pídele a Claude que descargue de Hugging Face los modelos de imagen en versión int8 y que los coloque en las carpetas de ComfyUI. Si necesita una cuenta o un token de Hugging Face, guárdalo como variable de entorno, nunca dentro de un archivo.
  3. En vez de montar los flujos con nodos a mano, Claude escribe un script en Python que habla con ComfyUI por su API (en mi caso, en http://127.0.0.1:8000). Le pasas el prompt, el tamaño y las imágenes de referencia, y devuelve la imagen.

Tiempos reales en mi portátil, a 704×1280: unos 100 segundos por imagen con Flux 3 Klein sin referencias, y entre 3 y 4 minutos con una o dos imágenes de referencia.

Imagen de partida de la presentadora en un estudio con plantas y una lámpara
La imagen de partida de la presentadora, hecha con ComfyUI.
Leo, el niño del monopatín, bajando una rampa de skatepark con casco y coderas
Leo, el niño del monopatín, también salió de ComfyUI.

Paso 3: Wan2GP y el vídeo

  1. Clona Wan2GP desde GitHub y crea su propio entorno de Python (yo uso Python 3.11, PyTorch con CUDA y triton para Windows).
  2. Los modelos se descargan solos la primera vez que los usas. MiniMax H3, el modelo de vídeo que mejor me ha funcionado, ocupó unos 43 GB entre el modelo, los codificadores y los de audio.
  3. Igual que con las imágenes, cada vídeo es un archivo JSON con el modelo, el prompt, la imagen de partida, la resolución y la semilla. Un script lo lanza sin abrir la interfaz web y va apuntando el progreso.

Imagen y vídeo, nunca a la vez. En 16 GB de RAM no caben juntos. Primero haces todas las imágenes, cierras ComfyUI del todo y después lanzas el vídeo.

Paso 4: los documentos que hacen que Claude acierte

Cada carpeta de trabajo lleva un CLAUDE.md con tres cosas: los ajustes que funcionan, los tiempos medidos y los errores ya resueltos. Y yo tengo además un documento general de lecciones, que crece cada vez que algo falla: cómo describir una postura para que salga bien, qué hacer si una referencia arrastra un defecto, cuándo editar una imagen en vez de generarla otra vez.

Paso 5: tu primer vídeo

El ajuste que más me ha servido para un vídeo con una persona que habla es este, en el JSON de Wan2GP:

Tiempos reales: un clip de 5 segundos tardó unos 6 a 7 minutos, y uno de 17 segundos, entre 48 y 58 minutos. La primera vez, además, hay que contar la descarga del modelo.

Un fotograma ampliado con reescalado normal y con Real-ESRGAN, lado a lado
El mismo fotograma ampliado con reescalado normal y con Real-ESRGAN, que corre en la misma gráfica de 4 GB.
Tres planos del montaje: el niño en la rampa, una mujer con vestido dorado y un frasco de perfume
Tres planos del montaje final: Leo, un plano de un anuncio de perfume ficticio y el frasco.

La voz: lo que probé en local y lo que acabé usando

Quería una voz de mujer con acento de España. En local probé el diseño de voces de Qwen3 TTS, la clonación de unas voces ya validadas, OmniVoice, IndexTTS 2.5 y Chatterbox. Con el diseño, el acento salía latino aunque pidiera castellano; con otros, el audio se comía o se inventaba palabras. Whisper confirmaba el idioma, pero no distingue el acento, así que en eso el oído de una persona sigue siendo necesario.

Al final diseñé la voz en ElevenLabs. Es un servicio en la nube y, por eso, esta parte no es local.

Lo que me ha salido mal

Límites y cosas por comprobar

Más sobre mi trabajo