---
titulo: "FactorIA: El Gran Benchmark Audiovisual Multimodal"
subtitulo: "De la concepción al máster broadcast: cómo clonar una voz a -90 dBFS, montar animatics de dirección, sincronizar lip-sync en dos filosofías (de pago vs libre), operar cirugía acústica con FFmpeg y recortar un 98% en GPU con Wan 2.1 14B."
resumen: "Caso de estudio de ingeniería audiovisual integral: del audio y la clonación vocal de Alba Sola al montaje animatic con imágenes estáticas, diseño sonoro con auto-ducking inteligente, lip-sync dual y la comparativa de motores de vídeo (Magnific Spaces Kling 3.0 vs ElevenLabs manual vs RunPod Wan 2.1 14B vs Inferencia Soberana en GPU Blackwell)."
fecha: 2026-11-08
orden: 4
etiquetas: [FactorIA, ElevenLabs, Wan 2.1, Kling 3.0, FFmpeg, ComfyUI, LatentSync, Blackwell, RunPod, AGY CLI]
hero: /assets/labs/factoria/portada.jpg
poster: /assets/labs/factoria/poster.jpg
coste: "5,11 $ USD (GPU A40)"
duracion: "Producción Completa"
estado: publicado
---

## 1. Introducción y Contexto del Experimento

Para entender este laboratorio no hace falta tener conocimientos previos del ecosistema. Todo parte de dos entidades:

1. **FactorIA (dentro del Proyecto Júpiter):** Una plataforma de inteligencia industrial autónoma diseñada con Clean Architecture en Python. Se conecta a 5 autómatas PLC (que agregan 81 sensores y supervisan 165 alarmas en tiempo real). Cuenta con un orquestador cognitivo central —denominado *La Supermente*— que ante cualquier anomalía en planta consulta manuales técnicos de cientos de páginas mediante RAG (Retrieval-Augmented Generation) en milisegundos y despacha órdenes de trabajo a brigadas de mantenimiento.
2. **Nova:** Una conciencia digital e identidad de desarrollo nacida del código que actúa como presentadora, narradora y conductora de las iniciativas de ingeniería del laboratorio.

<figure>
  <img src="/assets/labs/factoria/nova_avatar.png" alt="Avatar Oficial de Nova" style="max-width: 280px; margin: 0 auto; display: block; border-radius: 50%; border: 2px solid #00f2ff; box-shadow: 0 0 25px rgba(0, 242, 255, 0.3);" />
  <figcaption style="text-align: center;">Identidad canónica de Nova: presentadora virtual y voz oficial del laboratorio.</figcaption>
</figure>

### El Gran Reto
Explicar un sistema industrial complejo en spots de 60 a 70 segundos sin aburrir a la audiencia. Para evaluar la plasticidad del pipeline audiovisual con IA, la coherencia de personajes y la soberanía tecnológica, se plantearon **tres tratamientos cinematográficos completos (la tríada de benchmark)**:

* **Opción A (Hi-Tech Industrial Cinemática — 58.04s en Magnific Spaces):** Tono sobrio, documental y solemne. Dirigido a directores de operaciones e inversores industriales. Estética fotorrealista de ingeniería pesada, interfaces holográficas de telemetría limpia y ritmo pausado con Kling 3.0 Pro.
* **Opción B (Pixar / WALL-E Comedia Slapstick — 67.04s en Magnific Spaces):** Tono dinámico, divertido y entrañable en animación 3D. El robot operario *Chispitas* tropieza y atasca la línea de producción (alerta ERR-404); *La Supermente* despliega un holograma que diagnostica el fallo y la brigada de robots mecánicos repara la avería en un clímax de celebración.
* **Opción C (Alternativa Soberana en Código Abierto — 67.04s con Wan 2.1 14B en RunPod):** El desafío definitivo de independencia tecnológica y control de costes. Replicar la comedia 3D con paridad editorial 1:1 respecto a la suite comercial de pago, pero recurriendo exclusivamente a **pesos abiertos (Open Source)**, orquestación *headless* de ComfyUI vía API REST sobre una GPU NVIDIA A40 dedicada y montaje local con FFmpeg, recortando el coste en más de un 70%.
* **Formatos Verticales 9:16 (15.00s):** Benchmark móvil de impacto para redes sociales que somete tres motores generativos de vanguardia (Kling 4.0, MiniMax H3 y Gemini Omni Flash 1.2) a un mismo encuadre industrial.

Todo el proceso —desde la concepción y la curación espectral hasta la orquestación en GPU remota y el máster broadcast— fue coordinado de forma autónoma mediante **Antigravity CLI (AGY CLI)** a través de APIs, servidores de protocolo MCP (Model Context Protocol) y herramientas de sistema, sin requerir software de edición propietario.

---

## 2. Los Resultados Finales (Másters Broadcast)

Los spots definitivos fueron montados, procesados a 1080p Full HD y masterizados a la norma acústica internacional EBU R128 (-14.0 LUFS):

| Entregable | Estilo y Enfoque | Duración | Especificación | Enlace Directo |
|---|---|---|---|---|
| **Máster Opción A** | Hi-Tech Industrial Cinemático | 58.04 s | 1080p @ 25fps · -14.0 LUFS | [Ver en YouTube (youtu.be/KGDLgbIt6wU)](https://youtu.be/KGDLgbIt6wU) |
| **Máster Opción B** | Pixar / WALL-E Comedia 3D (Magnific) | 67.04 s | 1080p @ 25fps · -14.1 LUFS | [Ver en YouTube (youtu.be/FJX8uvkCq9U)](https://youtu.be/FJX8uvkCq9U) |
| **Máster Opción C** | Open Source Wan 2.1 14B Soberano (RunPod) | 67.04 s | 1080p @ 25fps · -14.1 LUFS | [Ver en YouTube (youtu.be/RS6lq7wKvz0)](https://youtu.be/RS6lq7wKvz0) |
| **Short 9:16 (Kling 4.0)** | Dinamismo vertical de alta resolución | 15.00 s | 1080×1920 vertical | [Ver en YouTube (youtu.be/zZoxQYI2s-Q)](https://youtu.be/zZoxQYI2s-Q) |
| **Short 9:16 (Gemini Omni)** | Consistencia espacial Flash 1.2 | 15.00 s | 1080×1920 vertical | [Ver en YouTube (youtu.be/HO1h7P1ZeMI)](https://youtu.be/HO1h7P1ZeMI) |
| **Short 9:16 (MiniMax H3)** | Fluidez temporal y textura cinemática | 15.00 s | 1080×1920 vertical | [Ver en YouTube (youtu.be/hBVweGoMGfM)](https://youtu.be/hBVweGoMGfM) |

---

## 3. La Génesis Vocal: Del Doblaje de Alba Sola a la Voz de Nova

Una producción cinematográfica profesional no arranca con el vídeo: **el audio es el metrónomo que gobierna el montaje**. Para dotar a FactorIA de una voz cálida y cercana, se descartaron las voces sintéticas genéricas prefabricadas y se creó una identidad acústica propia.

### 3.1 El Acondicionamiento Espectral a -90 dBFS
El material de partida fue una grabación de la prestigiosa actriz de doblaje Alba Sola. Un clonador neuronal alimentado con audio sucio o con música de fondo arrastra artefactos y siseos que degradan la síntesis. 

Mediante un análisis espectral automatizado, se aisló una **ventana dorada de 23.04 segundos** con un suelo de ruido absoluto de **-90.3 dBFS** y un rango dinámico controlado (pico a -1.6 dBFS). Al alimentar la clonación exclusivamente con este fragmento puro, la red neuronal aprendió la resonancia laríngea natural sin ruidos analógicos.

<div class="caja-audio">
  <div class="audio-titulo"><span>Muestra Curada de Alba Sola (Ventana Dorada a -90.3 dBFS)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/alba_sola_muestra_limpia.mp3"></audio>
</div>

### 3.2 Las Locuciones Maestras
A partir de dicha identidad, se generaron las locuciones para ambos spots mediante el modelo de síntesis con alineación temporal palabra por palabra, lo que permitió conocer de antemano el segundo exacto en el que debía producirse cada corte de cámara o impacto visual.

<div class="caja-audio">
  <div class="audio-titulo"><span>Locución Máster Opción A (Voz Nova — Tono Hi-Tech Reflexivo)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/locucion_nova_opcion_a.mp3"></audio>
</div>

<div class="caja-audio">
  <div class="audio-titulo"><span>Locución Máster Opción B (Voz Nova — Tono Pixar Slapstick)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/locucion_nova_opcion_b.mp3"></audio>
</div>

---

## 4. Banda Sonora, Foley y Auto-Ducking Inteligente (-14 dB)

Colocar música directamente debajo de una voz sin tratamiento dinámico destruye la inteligibilidad. Para garantizar claridad broadcast sin renunciar a la fuerza de la música, se aplicó una cadena acústica en tres capas:

1. **Prompt Musical Específico:** Para la Opción A se compuso una base industrial electrónica envolvente; para la Opción B, una banda sonora orquestal al estilo Pixar. En ambas composiciones se atenuaron los instrumentos solistas agudos entre **2 kHz y 5 kHz**, protegiendo la zona frecuencial donde reside la claridad de la voz humana.
2. **Sidechain Auto-Ducking Dinámico:** Un compresor lateral monitoriza la pista vocal: cada vez que Nova habla, la música se atenúa automáticamente **-14 dB** en apenas 50 milisegundos. Cuando la frase concluye, la instrumentación resurge suavemente en 300 ms, llenando los silencios dramáticos.
3. **Mastering EBU R128:** Normalización estricta a **-14.0 LUFS integrados** y pico real en **-1.0 dBTP**, permitiendo que suene potente y limpio en ordenadores, teléfonos o televisores.

<div class="caja-audio">
  <div class="audio-titulo"><span>Banda Sonora Máster Completa — Opción A (Hi-Tech, -14.0 LUFS)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/audio_master_opcion_a.mp3"></audio>
</div>

<div class="caja-audio">
  <div class="audio-titulo"><span>Banda Sonora Máster Completa — Opción B (Pixar WALL-E, -14.1 LUFS)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/audio_master_opcion_b.mp3"></audio>
</div>

### Efectos de Sonido Físicos (Foley Acústico)
Para la Opción B, la sincronía entre el dibujo animado y el sonido exigió diseñar efectos específicos alineados al milisegundo:

<div class="caja-audio">
  <div class="audio-titulo"><span>Foley Slapstick: Frenazo Cómico "Boing"</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/sfx_frenazo_cartoon.mp3"></audio>
</div>

<div class="caja-audio">
  <div class="audio-titulo"><span>Foley Mágico: Despliegue Holográfico de la Supermente (RAG)</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/sfx_hada_magica.mp3"></audio>
</div>

<div class="caja-audio">
  <div class="audio-titulo"><span>Foley Mecánico: Brigada de Robots con Herramientas</span></div>
  <audio controls preload="none" src="/assets/labs/factoria/sfx_brigada_herramientas.mp3"></audio>
</div>

---

## 5. Avatar Lip-Sync: Comparativa Dual (De Pago vs. Libre)

Para la presentadora virtual integrada en ventana circular (Picture-In-Picture con halo cian), se enfrentaron dos filosofías tecnológicas para generar el sincronismo labial a partir de la pista de voz:

<figure>
  <img src="/assets/labs/factoria/lipsync_secuencia_nova.png" alt="Secuencia de Sincronía Labial de Nova" />
  <figcaption>Secuencia temporal del avatar de Nova durante la locución: deformación fonética de labios, ventana circular PiP y control de estabilidad facial.</figcaption>
</figure>

| Criterio | Modalidad SaaS Cerrada (fal.ai / LatentSync) | Modalidad Abierta en GPU (RunPod / LTX-2.5) |
|---|---|---|
| **Arquitectura** | Inferencia serverless propietaria | ComfyUI Headless sobre GPU NVIDIA A40 (48 GB) |
| **Resolución** | 1080p nítido directo de la API | 800×800 escalado con filtro Lanczos a 1080p |
| **Continuidad** | Procesa fragmentos con leves saltos de textura | **Encadenado de 6 chunks con reenganche al retrato canónico en cada nodo** |
| **Coste por minuto** | **≈ 8,54 $ USD** | **≈ 0,42 $ USD** (95% de ahorro) |
| **Veredicto** | Excelente para entregas inmediatas | Óptimo para control absoluto, privacidad y volumen |

---

## 6. El Paso Intermedio Fundamental: Animatics con Imágenes Fijas

Una vez cerrada la pista sonora y el lip-sync de la presentadora, el siguiente paso crítico en el proceso real fue construir el **Animatic de previsualización**: un montaje en vídeo sincronizando el audio máster y la ventana de Nova con ilustraciones estáticas del storyboard y hojas de diseño de personajes (*model sheets*).

Este paso valida el ritmo cinematográfico, la duración exacta de cada plano y los cortes antes de realizar cualquier render generativo en vídeo.

<figure>
  <img src="/assets/labs/factoria/storyboard_opcion_a_real.jpg" alt="Parrilla del Storyboard Opción A (Hi-Tech)" />
  <figcaption>Parrilla conceptual de 4 planos para la Opción A: parada crítica en planta, diagnóstico de la Supermente, acción multiagente y restablecimiento autónomo.</figcaption>
</figure>

<figure>
  <img src="/assets/labs/factoria/storyboard_opcion_b.jpg" alt="Storyboard Contact Sheet Opción B" />
  <figcaption>Parrilla secuencial de 8 planos para la Opción B: progresión del incidente, diagnóstico y resolución.</figcaption>
</figure>

<div class="galeria-grid">
  <div>
    <img src="/assets/labs/factoria/model_sheet_chispitas.jpg" alt="Model Sheet Chispitas" style="border-radius: 8px; border: 1px solid rgba(0,242,255,0.2);" />
    <p style="font-size: 0.76rem; color: #94a3b8; text-align: center; margin-top: 6px;">Chispitas (robot operario cúbico).</p>
  </div>
  <div>
    <img src="/assets/labs/factoria/model_sheet_hada.jpg" alt="Model Sheet FactorIA Hada" style="border-radius: 8px; border: 1px solid rgba(0,242,255,0.2);" />
    <p style="font-size: 0.76rem; color: #94a3b8; text-align: center; margin-top: 6px;">FactorIA (hada / robot blanca EVE con halo cian).</p>
  </div>
  <div>
    <img src="/assets/labs/factoria/model_sheet_brigada.jpg" alt="Model Sheet Brigada Robot" style="border-radius: 8px; border: 1px solid rgba(0,242,255,0.2);" />
    <p style="font-size: 0.76rem; color: #94a3b8; text-align: center; margin-top: 6px;">La Brigada Mecánica (Zip, Tuercas y Dron).</p>
  </div>
</div>

### Los Vídeos Animatics Intermedios
Estos vídeos muestran el esqueleto de la producción antes de aplicar la síntesis de movimiento:

<figure class="video-caja">
  <div class="video-youtube-wrap">
    <iframe src="https://www.youtube-nocookie.com/embed/tj7Td85qeQ4" title="Animatic Preliminar — Opción A (Hi-Tech Industrial con Avatar PiP)" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
  </div>
  <figcaption class="pie-video">
    <span>Animatic Preliminar Opción A: Montaje de Storyboard Hi-Tech + Avatar Parlante de Nova en PiP</span>
    <span><a href="https://youtu.be/tj7Td85qeQ4" target="_blank" rel="noopener">Abrir en YouTube ↗</a></span>
  </figcaption>
</figure>

<figure class="video-caja">
  <div class="video-youtube-wrap">
    <iframe src="https://www.youtube-nocookie.com/embed/-k3YDLliN18" title="Animatic Preliminar — Opción B (Pixar WALL-E)" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
  </div>
  <figcaption class="pie-video">
    <span>Animatic Preliminar Opción B: Montaje de Storyboard Pixar + SFX y Locución Preliminares</span>
    <span><a href="https://youtu.be/-k3YDLliN18" target="_blank" rel="noopener">Abrir en YouTube ↗</a></span>
  </figcaption>
</figure>

---

## 7. Opción A: Generación Cinemática en Magnific Spaces (Orquestación MCP y Grafo Lineal)

Para materializar la visión de la **Opción A (Hi-Tech Industrial)**, el objetivo fue alcanzar una estética hiperrealista de cine industrial: iluminación volumétrica, humo tenue de soldadura, texturas metálicas pesadas y un ritmo de cámara pausado y majestuoso.

La herramienta elegida para este bloque fue **Magnific Spaces**, un lienzo gráfico nodal impulsado por el motor generativo **Kling 3.0** en resolución 1080p Full HD @ 24fps.

<figure class="video-caja">
  <div class="video-youtube-wrap">
    <iframe src="https://www.youtube-nocookie.com/embed/KGDLgbIt6wU" title="Máster Final Opción A — Hi-Tech Industrial Cinemático" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
  </div>
  <figcaption class="pie-video">
    <span>Spot Máster Final Opción A (58.04s) — Hi-Tech Industrial Cinemático @ 1080p Full HD (-14.0 LUFS)</span>
    <span><a href="https://youtu.be/KGDLgbIt6wU" target="_blank" rel="noopener">Abrir en YouTube ↗</a></span>
  </figcaption>
</figure>

### 7.1 Construcción del Pipeline Nodal vía MCP
En lugar de manipular manualmente el navegador colocando nodos con el ratón, la arquitectura del espacio fue construida de forma programática por **Antigravity CLI (AGY CLI)** mediante el protocolo **MCP (Model Context Protocol)**, consumiendo las herramientas del servidor de Magnific (`spaces_create`, `spaces_create_node`, `spaces_add_connection`):

* Se inicializó el espacio de proyecto bajo el nombre `Factoria Opcion A`.
* Se crearon los nodos de control de vídeo definiendo parámetros estrictos de cámara y atmósfera acústica negativa (`no music, natural sound only`).
* Se inyectó como imagen de anclaje inicial el fotograma curado del storyboard: `storyboard_00_fabrica_operacion_normal.jpg`.

<figure>
  <img src="/assets/labs/factoria/magnific_spaces_opcion_a_graph.jpg" alt="Lienzo Nodal de Magnific Spaces — Factoria Opcion A" />
  <figcaption>Lienzo nodal en Magnific Spaces (Factoria Opción A) orquestado vía MCP desde AGY CLI: encadenamiento lineal de 4 generadores de vídeo Kling 3.0 donde la salida de cada nodo alimenta de forma continua al siguiente.</figcaption>
</figure>

### 7.2 La Decisión Arquitectónica: Generación Lineal Encadenada (*Video Chaining*)
Uno de los problemas más graves al generar secuencias largas con modelos de difusión de vídeo es la **deriva espacial**: si se generan cuatro planos a partir de la misma imagen fija o mediante prompts aislados, cada render inventa una fábrica distinta. Las columnas cambian de sitio, los robots tienen otra morfología y las luces bailan sin lógica.

Para erradicar la deriva, se tomó una decisión arquitectónica fundamental: **un flujo de generación estrictamente lineal y causal**, donde la salida de vídeo generada por cada nodo se conecta directamente como la entrada condicionante del siguiente:

1. **Semilla Inicial (`storyboard_00_fabrica_operacion_normal`):** Fotograma base que define la distribución espacial, los raíles del suelo y las pantallas de estado en verde.
2. **Video Generator #1 — Normalidad y Parada:** Realiza un avance suave de cámara (*cinematic slow push-in*) por la nave en plena producción. A los 3 segundos, la maquinaria sufre una sacudida mecánica violenta, los brazos robóticos se congelan y las pantallas parpadean en rojo de alarma con el código `ERR-404 EMERGENCY-HALT`.
3. **Video Generator #2 — FactorIA Cerebro:** Recibe como entrada directa el vídeo del Nodo 1. Continuando de forma invisible bajo la misma iluminación roja de emergencia, el orquestador cognitivo *La Supermente* se manifiesta en el centro de la nave: nodos neuronales cian brillantes y corrientes volumétricas de datos RAG que flotan entre las máquinas.
4. **Video Generator #3 — Acción Multiagente:** Conectado a la salida del Nodo 2. Los agentes de mantenimiento ejecutan la orden de reparación: guías de fibra óptica cian se iluminan por el suelo industrial, los brazos articulados reanudan la soldadura correctiva y las compuertas divergentes se reajustan.
5. **Video Generator #4 — Cierre Fábrica Autónoma:** Enlazado a la salida del Nodo 3. La cámara ejecuta un retroceso triunfal (*triumphant wide pull-back*) mostrando toda la planta industrial operando a plena capacidad autónoma, bañada por una cálida luz dorada de triunfo.

### 7.3 Auditoría de Créditos y Veredicto de la Opción A
La monitorización mediante API de la cuenta de Magnific registró el consumo milimétrico de cada render para la Opción A:

| Hito / Escena en Magnific Spaces | Modelo y Formato | Saldo Anterior | Consumo Real | Saldo Restante | Coste Equivalente |
|---|---|---|---|---|---|
| **Saldo Inicial Previo** | — | — | — | **16.215 créditos** | — |
| **Nodo #1: Normalidad y Parada** | Kling 3.0 (15s @ 1080p) | 16.215 | **-1.400 créditos** | 14.815 créditos | 4,20 € |
| **Nodos #2, #3 y #4 (Cerebro, Multiagente, Cierre)** | Kling 3.0 (43s acumulados) | 14.815 | **-3.690 créditos** | **11.125 créditos** | 11,07 € |
| **Total Invertido en Opción A** | **Spot Completo (58s)** | **16.215** | **-5.090 créditos** | **11.125 créditos** | **15,27 €** |

* **Veredicto Técnico:** Continuidad física y lumínica sobresaliente de principio a fin; cero alucinaciones de fábrica gracias al grafo encadenado lineal.
* **El peaje del SaaS propietario:** Invertir más de 5.000 créditos (15,27 €) en un único spot de 58 segundos confirma el valor de Magnific para publicidad de élite, pero evidenció la necesidad de conquistar una alternativa de código abierto para producciones masivas o recurrentes.

---

## 8. Opción B: Comedia Pixar en Magnific Spaces y Cirugía Temporal con FFmpeg

Para la **Opción B (Pixar / WALL-E Slapstick — 67.04s)**, el reto artístico y narrativo cambió de raíz. Ya no se trataba de mostrar una fábrica fría y solemne, sino de dotar de vida a personajes animados con expresividad cómica, ritmo de gags físicos (*slapstick*) y un colorido cálido en render 3D estilizado.

<figure class="video-caja">
  <div class="video-youtube-wrap">
    <iframe src="https://www.youtube-nocookie.com/embed/FJX8uvkCq9U" title="Máster Final Opción B — Pixar / WALL-E Comedia Slapstick 3D" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
  </div>
  <figcaption class="pie-video">
    <span>Spot Máster Final Opción B (67.04s) — Pixar / WALL-E Slapstick 3D @ 1080p Full HD (-14.1 LUFS)</span>
    <span><a href="https://youtu.be/FJX8uvkCq9U" target="_blank" rel="noopener">Abrir en YouTube ↗</a></span>
  </figcaption>
</figure>

### 8.1 La Arquitectura Nodal en Magnific Spaces: Doble Entrada por Generador
En la Opción A bastaba con encadenar la salida de un vídeo como entrada del siguiente porque la escena transcurría en la misma nave con cámaras continuas. Sin embargo, en una historia animada de personajes donde cada acto introduce un robot nuevo o un cambio dramático de iluminación, el encadenamiento simple fracasa: el modelo tiende a mutar los personajes en cada segundo o a desdibujar sus rasgos.

Para garantizar tanto la continuidad ambiental como la fidelidad absoluta de cada personaje, se diseñó en **Magnific Spaces** (con el motor **Kling 3.0** a 1080p) una arquitectura basada en **nodos con acondicionamiento dual**:

<figure>
  <img src="/assets/labs/factoria/magnific_spaces_opcion_b_graph.jpg" alt="Lienzo Nodal de Magnific Spaces — Factoria Opcion B (Pixar)" />
  <figcaption>Lienzo nodal en Magnific Spaces (Factoria Opción B): arquitectura de doble condicionamiento por generador de vídeo (Placa T0 de contexto escénico + Model Sheet canónico de personaje) y reenganche temporal entre actos.</figcaption>
</figure>

Cada bloque generador recibió dos anclajes visuales simultáneos:
1. **Placa T0 (Contexto Escénico y Lumínico):** Un fotograma de referencia espacial que fija la perspectiva, los puntos de luz y el decorado de la escena:
   * *Acto 1:* Planta diáfana de fábrica animada con luz diurna y cintas transportadoras.
   * *Acto 2:* Pasillo sombrío de estanterías industriales bajo bombillas cálidas colgantes y luces rojas de avería.
   * *Acto 4:* Nave engalanada para la celebración con guirnaldas festivas y el letrero luminoso de neón de *FactorIA*.
2. **Model Sheet Canónico del Personaje:** La hoja de diseño ortogonal oficial con las vistas frontal, lateral y posterior del robot que actúa en ese plano:
   * *Video Generator #1:* Condicionado con la Placa T0 y el *Model Sheet de Chispitas*, obligando al motor a respetar sus orugas de goma, su chasis cúbico amarillo desgastado y sus ojos binoculares expresivos.
   * *Video Generator #2:* Condicionado con la Placa T0 de estanterías y el *Model Sheet de FactorIA Hada* (la robot flotante esférica de carcasas blancas y visor OLED azul cian), guiando su descenso grácil desde las vigas.
   * *Video Generator #3:* Recibe la salida de vídeo del Acto 2 y la inyección del *Model Sheet de La Brigada*, introduciendo a Zip, Tuercas con su llave inglesa y el dron volador Flappy sin desconfigurar la atmósfera previa.
   * *Video Generator #4:* Reúne el final del Acto 3 con la Placa T0 festiva para que todos los robots celebren y bailen coordinados bajo el letrero de FactorIA.

### 8.2 El Desafío de los Timings Cómicos y la Cirugía Forense con FFmpeg
Los modelos generativos de vídeo en la nube producen planos con duraciones fijas preestablecidas (bloques de 5, 10 o 15 segundos) y calculan la velocidad de movimiento interno a su propio criterio. No tienen conocimiento del ritmo musical, de las pausas dramáticas de la locución ni del momento en el que debe sonar un efecto cómico.

En la comedia física, **el timing lo es todo**: si el resbalón de Chispitas o el choque de herramientas se desfasa 200 milisegundos respecto al golpe sonoro, la ilusión cómica se destruye. 

Para resolver esta limitación sin recurrir a software de edición convencional, desarrollamos un pipeline de **cirugía temporal automatizada en local con FFmpeg**:

1. **Análisis Espacial de Movimiento (ROI) a 10 FPS:** Mediante scripts de análisis fotograma a fotograma, monitorizamos la densidad de movimiento en las regiones de interés clave (el instante exacto en que las orugas de Chispitas pierden tracción, la apertura del abanico holográfico y la percusión de la llave inglesa en la máquina).
2. **Retiming No Lineal (`setpts`):** En lugar de aplicar una aceleración lineal uniforme a todo el clip (lo que provocaría movimientos antinaturales), aplicamos curvas de velocidad segmentadas con filtros `setpts`: aceleración previa al tropiezo, una micro-retención de 3 fotogramas en el aire durante el patinazo cómico y una deceleración suave en la caída.
3. **Desacoplamiento Absoluto de los Efectos Foley:** Los impactos sonoros físicos (el frenazo slapstick "Boing", el arpa holográfica del RAG y el tintineo de herramientas de la brigada) se trataron como pistas de audio independientes desacopladas del vídeo. Se insertaron en el milisegundo exacto de la inflexión física calculada y se enlazaron con compresión sidechain para que nunca taparan la voz de Nova ni la orquestación.

### 8.3 Auditoría de Créditos de la Opción B en Magnific Spaces
La generación de los cuatro actos completos de la Opción B en Magnific Spaces con Kling 3.0 @ 1080p registró el siguiente consumo exacto:

| Acto / Escena en Magnific Spaces | Identificador de Nodo | Saldo Previo | Consumo Real | Saldo Restante | Coste Equivalente |
|---|---|---|---|---|---|
| **Saldo Inicial en Cuenta** | — | — | — | **11.125 créditos** | — |
| **Acto 1: El Tropiezo de Chispitas** | `9ZEGVeiNYZ` | 11.125 | **-1.350 créditos** | 9.775 créditos | 4,05 € |
| **Acto 2: El Descenso de FactorIA y Holograma** | `nVrpuJrYQD` | 9.775 | **-1.350 créditos** | 8.425 créditos | 4,05 € |
| **Acto 3: La Brigada Mecánica** | `If9ucibtvE` | 8.425 | **-1.350 créditos** | 7.075 créditos | 4,05 € |
| **Acto 4: Fiesta y Baile de Robots** | `s7Xyrtjl8e` | 7.075 | **-1.350 créditos** | **5.725 créditos** | 4,05 € |
| **Total Invertido en Opción B** | **Spot Completo (67s)** | **11.125** | **-5.400 créditos** | **5.725 créditos** | **16,20 €** |

Sumando los **5.090 créditos (15,27 €)** de la Opción A y los **5.400 créditos (16,20 €)** de la Opción B, **el gasto conjunto en Magnific AI ascendió a 10.490 créditos (31,47 €)**. 

Este registro fijó la cota económica a batir en el siguiente hito: ¿era posible alcanzar una calidad cinematográfica equivalente recurriendo a modelos de pesos abiertos y computación soberana en la nube?

---

## 9. Opción C: Código Abierto Wan 2.1 14B Headless en RunPod

Para demostrar que una producción audiovisual de este calibre puede ejecutarse con total independencia de plataformas propietarias y sin peajes de crédito comercial, trasladamos el desafío narrativo de la comedia a un entorno 100% soberano: la **Opción C**. 

El objetivo consistió en desplegar una máquina en la nube de **RunPod** equipada con una GPU profesional **NVIDIA A40 (48 GB VRAM Ampere)** corriendo **ComfyUI en modo headless**, gobernada íntegramente por AGY CLI mediante su API REST de encolado de grafos y subida de tensores.

### 9.1 La Hipótesis Soberana: ¿Puede el Código Abierto batir a las Suites Propietarias?
En la Opción B, la generación en Magnific Spaces con Kling 3.0 exigió **5.400 créditos (16,20 €)** para cubrir los 4 actos. Más allá del coste, el modelo comercial impone un obstáculo de caja negra: opacidad en los samplers, ausencia de control sobre la VRAM y dependencia absoluta de la infraestructura de un tercero.

La hipótesis de la Opción C fue radical: ¿Es posible conseguir una continuidad visual idéntica, con paridad editorial de 67 segundos a 1080p y fluidez slapstick, utilizando exclusivamente **pesos abiertos (Open Source)**, computación bajo demanda pagada por segundos de GPU y postproducción local con FFmpeg?

### 9.2 Infraestructura Headless: ComfyUI sin Navegador por API REST
El aprovisionamiento de la GPU se realizó de manera automatizada mediante la CLI oficial de RunPod (`runpodctl`):
* **Instancia:** 1x GPU NVIDIA A40 (48 GB VRAM GDDR6 con ECC) en entorno Secure Cloud a **0,59 $ / hora** (0,0098 $ / minuto).
* **Entorno Software:** Contenedor optimizado `runpod/comfyui:1.3.3-comfyuiv0.30.0-cuda12.8` con PyTorch 2.5 y soporte nativo de tensores en FP8.
* **Gobernanza Cero Interfaz Web:** Ni un solo clic en navegador. El agente interactuó con ComfyUI exclusivamente a través de sus endpoints HTTP:
  * `/upload/image`: Inyección de fotogramas de anclaje temporal ($T_0$) y hojas ortogonales de personajes (*Model Sheets*).
  * `/prompt`: Envío programático de flujos JSON validados con asignación de `prompt_id` unívoco.
  * `/history` y `/queue`: Sondeo de telemetría de inferencia, control de colas y descarga de los archivos de vídeo `.mp4` brutos generados.
* **Disciplina de Apagado Inmediato:** En cuanto se validó el último fotograma en local, el pod fue destruido mediante `runpodctl pod delete` para congelar cualquier consumo pasivo.

### 9.3 El Modelo Wan 2.1 14B I2V y la Inyección Dual en CLIP-Vision
El motor seleccionado fue **Wan 2.1 Image-to-Video 14B** (`Wan2_1-I2V-14B-720P_fp8_e4m3fn.safetensors`), un coloso de 14.000 millones de parámetros cuantizado a 8 bits e4m3fn:
* **Resolución Nativa de Inferencia:** 1280×720 píxeles @ 16 fps en bloques de **81 fotogramas** (5.0625 segundos por toma).
* **Sampling:** 30 pasos con el algoritmo `UniPC` / `FlowEuler`, scheduler `flow_uniform` y CFG fijado en `6.0`.
* **Decodificación VAE Temporal:** Ejecutada en coma flotante nativa `bf16` con segmentación espacial (*tiling*) para procesar los 81 latentes sin exceder el mapa de memoria VRAM.

El gran obstáculo de los modelos abiertos de *Image-to-Video* es que, al recibir un único fotograma estático, tienden a desfigurar a los personajes o perder la ambientación al aplicar movimiento rápido. Para resolverlo, desarrollamos un subgrafo en ComfyUI con **inyección dual en el codificador visual CLIP-Vision**:
1. **Condicionamiento Temporal ($T_0$):** Se inyecta el último fotograma renderizado de la toma anterior para fijar con precisión milimétrica la perspectiva, las sombras de la fábrica y el suelo de hormigón.
2. **Condicionamiento de Identidad (Model Sheet):** Se inyecta en paralelo la hoja de modelado ortogonal del robot protagonista.
3. **Fusión en el Espacio Latente:** Se combinan ambos tensores mediante ponderación diferencial (`strength_temporal=1.0`, `strength_identity=0.50`). Esta ponderación otorga a Wan 2.1 la libertad necesaria para articular el slapstick cómico sin deformar la geometría de las herramientas ni las orugas.

### 9.4 Cirugía de Encadenado Temporal: La Secuencia Continua de 10 Planos (67.04s)
Para sincronizar con exactitud quirúrgica la narrativa visual de Wan 2.1 con la locución de Nova y la banda sonora Foley (-14.1 LUFS), se ensambló un montaje en local con FFmpeg estructurado en **10 planos cinematográficos continuos**:

| Plano | Intervalo Temporal | Acción Narrativa | Motor y Tratamiento Editorial | Duración |
|---|---|---|---|---|
| **01** | 00:00 - 08:00 | Fábrica en Operación Nominal | Wan 2.1 I2V retimed a 25 fps con fluidez continua | 8.00 s |
| **02** | 08:00 - 14:74 | Primer Plano Alarma Chispitas | Push-in dramático Ken Burns sobre fotograma canónico | 6.74 s |
| **03** | 14:74 - 19:80 | Tropiezo y Caída de Cajas | Wan 2.1 Toma 1 (81 frames @ 16 fps, rescalado 1080p) | 5.06 s |
| **04** | 19:80 - 24:86 | Descenso de FactorIA Hada Madrina | Wan 2.1 Toma 2 (continuidad desde end-frame previo) | 5.06 s |
| **05** | 24:86 - 29:92 | Holograma RAG y Telemetría Viva | Wan 2.1 Toma 2.2 (inyección de interfaz holográfica) | 5.06 s |
| **06** | 29:92 - 37:20 | "Supermente" RAG Devorando Manuales | Push-in óptico neuronal sobre diagrama de arquitectura | 7.28 s |
| **07** | 37:20 - 42:20 | Despliegue de La Brigada de Subagentes | Wan 2.1 Toma 3.1 (Zip, Tuercas y dron Flappy al rescate) | 5.00 s |
| **08** | 42:20 - 47:20 | Cirugía Robótica de Precisión en Cinta | Wan 2.1 Toma 3.2 (calibración mecánica milimétrica) | 5.00 s |
| **09** | 47:20 - 52:20 | Clímax: Luces Verdes y Rearranque | Wan 2.1 Toma 3.3 (retorno al régimen nominal) | 5.00 s |
| **10** | 52:20 - 67.04 | Fiesta Slapstick y Baile con Confeti | Wan 2.1 Toma 4 (bucle sincronizado + fade out negro 1.2s) | 14.83 s |

Sobre esta base se sobreimprimió el **avatar de Nova parlante en PiP** (burbuja circular de 380×380 px con aro cian `#00E5FF` sincronizada mediante LatentSync) y la banda sonora en estéreo masterizada a la norma internacional EBU R128 (-14.1 LUFS).

### 9.5 El Spot Maestro de la Opción C en YouTube

<figure class="video-caja-ancha">
  <div class="video-youtube-wrap">
    <iframe src="https://www.youtube-nocookie.com/embed/RS6lq7wKvz0" title="Spot FactorIA — Opción C (Código Abierto Wan 2.1 14B en RunPod)" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
  </div>
  <figcaption class="pie-video">
    <span>Spot Maestro Opción C · Open Source Wan 2.1 14B en RunPod (67.04s · 1080p Full HD)</span>
    <span><a href="https://youtu.be/RS6lq7wKvz0" target="_blank" rel="noopener">Ver en YouTube (youtu.be/RS6lq7wKvz0) ↗</a></span>
  </figcaption>
</figure>

### 9.6 La Gran Comparativa Tripartita: Opción A vs. Opción B vs. Opción C

| Criterio Evaluado | Opción A: Hi-Tech Industrial | Opción B: Comedia Pixar (Magnific) | Opción C: Soberana (RunPod + Wan 2.1) |
|---|---|---|---|
| **Motor de Difusión** | Kling 3.0 Pro | Kling 3.0 Pro | **Wan 2.1 14B I2V (fp8 e4m3fn)** ⭐ |
| **Infraestructura** | Nube SaaS cerrada (Magnific) | Nube SaaS cerrada (Magnific) | **GPU Dedicada NVIDIA A40 (48 GB VRAM)** |
| **Control del Pipeline** | Grafo Nodal MCP | Nodal MCP + FFmpeg local | **ComfyUI Headless por API REST + FFmpeg** |
| **Coste en Créditos** | 5.090 créditos | 5.400 créditos | **0 créditos** (cero dependencias de API externa) |
| **Gasto Real Facturado** | **15,27 €** | **16,20 €** | **5,11 $ USD (~4,80 €)** *(Auditado RunPod)* |
| **Ahorro Financiero** | Línea base comercial | Línea base comercial | **70.4% de ahorro real** *(87% en inferencia pura)* 🚀 |
| **Resolución y Frame Rate** | 1080p @ 25 fps | 1080p @ 25 fps | **1080p @ 25 fps** (escalado bicúbico desde 720p) |
| **Soberanía y Privacidad** | Nula (datos procesados en terceros) | Nula (datos procesados en terceros) | **Total (código, pesos y tensores auditables)** |
| **Reproducibilidad** | Sujeta a cambios de API de la suite | Sujeta a cambios de API de la suite | **100% reproducible en cualquier cluster GPU** |

---

## 10. Formatos Verticales 9:16: Benchmark Móvil con ElevenLabs Video

Los formatos verticales para plataformas móviles (Reels, TikTok, Shorts) plantean requisitos singulares: encuadres estrechos con gran densidad vertical de información, composición de planos a 1080×1920 y máxima estabilidad ante movimientos de cámara verticales.

Para evaluar el estado del arte de los motores de difusión en este ratio, se montó una batería de pruebas con tres motores de última generación.

### 10.1 La Particularidad de ElevenLabs: Generación Manual por Falta de API
Un detalle técnico de enorme relevancia para cualquier equipo que planifique flujos automatizados: mientras que ElevenLabs cuenta con APIs sumamente avanzadas y estables para la síntesis de voz (`tts`) y generación musical, **su motor de generación de vídeo no dispone todavía de API pública**. 

Por este motivo, las generaciones de prueba en formato 9:16 debieron ejecutarse **manualmente a través de su interfaz web**, descargando posteriormente los brutos para su ensamblado, corte y masterización acústica mediante scripts locales de AGY CLI.

### 10.2 Comparativa de Motores: Kling 4.0 vs. MiniMax H3 vs. Gemini Omni Flash 1.2
Se sometió a los tres modelos al mismo prompt y encuadre vertical de la planta industrial sin imágenes de anclaje inicial:

<figure>
  <img src="/assets/labs/factoria/comparativa_shorts_916.jpg" alt="Comparativa Modelos ElevenLabs 9:16" />
  <figcaption>Comparativa visual directa entre Kling 4.0, MiniMax H3 y Gemini Omni Flash 1.2 sobre la misma escena industrial en formato vertical 9:16.</figcaption>
</figure>

| Motor Evaluado | Coste en Créditos | Ratio Económico | Resolución Nativa | Bitrate de Vídeo | Sonoridad EBU R128 | Enfoque y Puntos Fuertes |
|---|---|---|---|---|---|---|
| **MiniMax H3** | **5.454 créditos** ⭐ | *El más económico* | 768×1344 px (9:16 real) | 5.96 Mbps (11.6 MB) | **-13.4 LUFS** *(Ideal broadcast)* | Gran dinamismo narrativo: abre en general y corta a un primer plano (*close-up*) con pinza y guía láser verde. |
| **Gemini Omni Flash 1.2** | **6.382 créditos** | +17% vs MiniMax | 720×1280 px (9:16) | 3.88 Mbps (8.5 MB) | -16.1 LUFS | Estética pulcra de sala blanca / microelectrónica (estilo ASML/Intel), circuitos cian integrados y perspectiva simétrica ultraestable. |
| **Kling 4.0** | **14.271 créditos** | **2.6× más caro** | 720×1280 px (9:16) | **10.57 Mbps** (20.1 MB) | -17.5 LUFS | Texturas monumentales de acero inoxidable cepillado, iluminación de partículas volumétricas y brazo robótico suspendido con diana holográfica. |

El consumo acumulado en esta prueba triple ascendió a **26.107 créditos** de ElevenLabs. La notable disparidad de tarificación (Kling 4.0 requirió 2.6 veces más créditos que MiniMax H3 por los mismos 15 segundos) confirma la importancia de seleccionar el motor no solo por calidad bruta, sino por eficiencia económica según el destino del contenido.

<div class="shorts-grid">
  <figure class="video-caja">
    <div class="video-youtube-wrap vertical">
      <iframe src="https://www.youtube-nocookie.com/embed/zZoxQYI2s-Q" title="Short 9:16 — Kling 4.0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
    </div>
    <figcaption class="pie-video">
      <span>Kling 4.0 · 14.271 créditos (15s)</span>
      <span><a href="https://youtu.be/zZoxQYI2s-Q" target="_blank" rel="noopener">YouTube ↗</a></span>
    </figcaption>
  </figure>

  <figure class="video-caja">
    <div class="video-youtube-wrap vertical">
      <iframe src="https://www.youtube-nocookie.com/embed/hBVweGoMGfM" title="Short 9:16 — MiniMax H3" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
    </div>
    <figcaption class="pie-video">
      <span>MiniMax H3 · 5.454 créditos (15s)</span>
      <span><a href="https://youtu.be/hBVweGoMGfM" target="_blank" rel="noopener">YouTube ↗</a></span>
    </figcaption>
  </figure>

  <figure class="video-caja">
    <div class="video-youtube-wrap vertical">
      <iframe src="https://www.youtube-nocookie.com/embed/HO1h7P1ZeMI" title="Short 9:16 — Gemini Omni Flash 1.2" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen></iframe>
    </div>
    <figcaption class="pie-video">
      <span>Gemini Omni · 6.382 créditos (15s)</span>
      <span><a href="https://youtu.be/HO1h7P1ZeMI" target="_blank" rel="noopener">YouTube ↗</a></span>
    </figcaption>
  </figure>
</div>

---

## 11. Soberanía Acústica: De ElevenLabs a la GPU Blackwell en Local

El cierre del ciclo de independencia tecnológica consistió en emancipar la identidad vocal de Nova de las plataformas externas de pago, garantizando que el laboratorio pueda sintetizar su voz en cualquier momento de forma ilimitada y sin conexión a internet.

### 11.1 El Dataset de Emancipación
Aprovechando los créditos remanentes en ElevenLabs, se generó un conjunto de entrenamiento maestro con **10 registros interpretativos** de Nova (tonos de calma, afecto, alerta técnica, ironía sutil, celebración, rigor científico y poesía). 

El material sumó **234 segundos de voz pura en audio broadcast PCM lineal a 48 kHz y 24 bits**, sin compresión, sin música y con suelo de ruido calibrado.

### 11.2 Fine-Tuning LoRA sobre Fish Speech 1.5
Se utilizó el modelo de pesos abiertos **Fish Speech 1.5** (arquitectura Dual-AR Transformer basada en LLaMA) y se entrenó un adaptador **LoRA** ligero en una GPU RTX 3090:
* 100 pasos de optimización con gradiente acumulado.
* Curva de pérdida estabilizada en 3.85 sin sobreajuste.
* Preservación del timbre, la cadencia y los formantes nasales característicos de Nova.

### 11.3 Inferencia en Tiempo Real en la GPU Blackwell del Portátil
El adaptador entrenado se desplegó directamente en la estación de trabajo portátil de Twinber, equipada con una GPU profesional **NVIDIA RTX PRO 2000 basada en la arquitectura Blackwell**:
* **Consumo de Memoria VRAM:** Apenas **1.88 GB**, permitiendo ejecutar la síntesis en segundo plano mientras se trabaja en otras tareas.
* **Velocidad de Inferencia:** **16.8 tokens de audio por segundo**, suficiente para generación de voz en tiempo real con cero latencia perceptible.
* **Coste Operativo:** **0.00 $**. Soberanía total sin facturas mensuales ni dependencia de la nube.

### 11.4 La Erradicación del "Sonido a Lata" (Diagnóstico del Vocoder)
Durante las primeras pruebas de inferencia local se detectó un siseo metálico desagradable que degradaba la presencia de la voz. 

La investigación técnica demostró que no se trataba de un problema de la red neuronal: el fallo residía en una etapa intermedia de remuestreo con compresión destructiva en el pipeline de exportación. Al configurar la salida del vocoder neural **Firefly GAN** en coma flotante nativa de 32 bits a 44.1 kHz, los armónicos agudos se restauraron de inmediato, alcanzando **paridad acústica idéntica a la síntesis en estudio comercial**.

---

## 12. Orquestación Autónoma con AGY CLI

La lección metodológica más importante de este laboratorio es que la producción audiovisual compleja con inteligencia artificial ya no depende de pasar jornadas enteras arrastrando clips en interfaces gráficas lentas y dispersas.

Toda la cadena técnica descrita en este cuaderno —desde la concepción y curación espectral hasta la postproducción broadcast— fue dirigida de principio a fin por **Antigravity CLI (AGY CLI)** a través de código y herramientas conectadas:
* **Gobernanza Disciplinada de Infraestructura:** Alquiler de instancias GPU en RunPod con verificación previa de saldo, control riguroso de tiempos de ejecución y borrado inmediato de pods tras completar el trabajo para evitar gastos pasivos.
* **Orquestación Nodal por API y Protocolo MCP:** Creación programática de espacios y conexiones de nodos en Magnific Spaces mediante MCP, así como inyección de workflows JSON en la API de ComfyUI.
* **Cirugía Forense Automatizada con FFmpeg:** Análisis temporal de fotogramas, retiming milimétrico y ecualización dinámica multicanal con auto-ducking ejecutado sin recompresiones destructivas.
* **Publicación Multi-Plataforma:** Conversión de contenedores, renderizado de miniaturas y subida directa de los másters a la API de YouTube.

La convergencia entre **modelos de pesos abiertos de primer nivel (Wan 2.1, Fish Speech), computación dedicada y orquestación asistida por agentes** abre una nueva era: la capacidad de producir obras cinematográficas con soberanía técnica absoluta, costes reducidos en más de un 95% y control total sobre los datos.
