Cómo armé mi avatar de IA

La cara

En Higgsfield entrené un Soul ID, un modelo que aprende tu cara a partir de fotos. Mi primer intento fue con tres fotos de Instagram y la cara no quedaba fiel. Con once fotos variadas quedó.

• Entre 10 y 12, de frente, de tres cuartos y de perfil.
• Luz natural, sin filtros ni retoque, con distintas expresiones.
• Solo vos en cada foto, con la cara bien visible.

Con el Soul ID listo, generás la escena que después anima HeyGen. Tres cosas hacen la diferencia: boca entreabierta, con tus dientes reales a la vista, encuadre del pecho para arriba y formato vertical 9:16. Este es mi prompt del estudio de podcast; cambiá la ropa y el fondo por los tuyos:

Photorealistic portrait of the man in the character reference, identity preserved with maximum fidelity, same face, hair, stubble and small hoop earring. Seated in a modern podcast studio, framed from the chest up, facing the camera, mid-sentence, lips slightly parted with real teeth visible, no smile. A professional broadcast microphone on a boom arm enters from the right at chest height, not covering his face. Wardrobe: plain black crew-neck t-shirt. Background: dark moody studio, warm practical lights, soft bokeh, acoustic panels hinted, deep shadows. Soft key light front-left, subtle rim light on the hair, natural skin texture with visible pores, no beautification. 50mm, shallow depth of field, eye-level, vertical 9:16, sharp on the eyes, no text, no watermark.

Si querés tu logo en la remera, generá la escena sin el logo y agregalo en un segundo paso. Los modelos de imagen deforman el texto chico.

La voz

La cloné en ElevenLabs con un clon instantáneo. Lo que más pesa en el resultado es cómo grabás la muestra.

• Hablá, no leas. El clon copia cómo decís las cosas. Si grabás leyendo, tu avatar suena leído.
• Dos minutos con micrófono. Mi primer clon salió de audios de WhatsApp y sonaba a teléfono. El que uso hoy salió de una grabación con micrófono, sin eco.
• Contá algo que sabés de memoria. Un caso de un cliente o cómo explicás tu trabajo. Las muletillas reales ayudan.

Para leer los guiones uso el modelo eleven_v4. Pedí el audio con las marcas de tiempo de cada palabra: con eso armás los subtítulos exactos sin transcribir nada.

El movimiento

En HeyGen uso Avatar IV desde foto: subo la escena y el audio de ElevenLabs, en 9:16, 1080p y expresividad baja. Probé Avatar V y lo descarté por los dientes, las manos y la mirada fija.

Este prompt de movimiento saca las manos del cuadro, porque el modelo tiende a inventar gestos raros:

Still, composed talking-head delivery, like a calm podcast host. The hands stay out of the shot or rest motionless on the desk for the entire video; no hand gestures at all. All the expression lives in the face, head and shoulders: slow, fluid, natural movements, a slight head tilt when thinking, a small nod on affirmations, a gentle head shake on negations. Relaxed mouth, lips together between phrases, no wide smiles. Steady eye contact with the camera, natural blinking.

El guion

Todos mis reels siguen la misma estructura, entre 30 y 50 segundos:

1. Gancho: una oración con un caso o un número real.
2. Tres puntos: "Primero", "Segundo", "Y tercero", uno por párrafo.
3. La diferencia: "La diferencia con hacerlo de otra forma es esta…"
4. La llamada: qué tiene que comentar y qué le llega por mensaje.

Subtítulos y sonido

• Subtítulos palabra por palabra, a la altura del pecho, lejos del caption y de los botones de Instagram.
• Una sola palabra destacada por oración, en el color de tu marca: la que carga el sentido, no la más larga.
• Música muy baja de fondo y un efecto corto solo cuando enumerás.
• Cortá las pausas largas. Un avatar callado se nota más que una persona callada.

Publicar y medir

Agendo todo en Metricool, un reel por día a la misma hora, con la etiqueta de IA activada en cada uno. Cada semana miro tres cosas: cuánto del video ven, cuántas veces lo comparten y cuántos comentan la palabra clave.