Nota del autor: comparamos dos formas de añadir subtítulos a un vídeo generado con IA. La primera es quemar los subtítulos con la indicación de Seedance. La segunda es transcribir la pista de audio del vídeo final. El artículo explica cuáles de esos subtítulos se pueden editar y traducir, y qué parte del gasto se ahorra realmente al cambiar de modelo de vídeo.
Muchos usuarios que ya tienen funcionando la interfaz de vídeo en APIYI se atascan, y no es por la calidad de imagen, sino por los subtítulos del vídeo final. La idea habitual es esta: «Seedance sale muy caro por clip, me paso a Grok, Hailuo o Wanxiang, y de paso busco uno que me deje los subtítulos hechos». Te adelanto una conclusión que puedes llevarte ya: los subtítulos editables no los entrega directamente un modelo de vídeo; si quieres subtítulos que se puedan corregir y traducir, transcribe la pista de audio del vídeo final.
Entre los modelos de vídeo disponibles hoy, ninguno ofrece un archivo de subtítulos editable como salida de la generación. Con Seedance puedes quemar el texto en los píxeles de la imagen siguiendo lo que indica la «Guía de indicaciones de la serie Seedance 2.0» de Volcano Engine. Esa misma guía admite que, si no mencionas subtítulos en la indicación, el vídeo final también puede traer subtítulos por su cuenta, y que no se pueden eliminar al 100 %. Las páginas de Wan3.0, Wan2.7, HappyHorse, MiniMax H3, Oxygen y Grok Imagine solo hablan de pista de audio o de generación guiada por audio, y no incluyen ningún parámetro de subtítulos. Por eso, cambiar a un modelo de vídeo más caro no resuelve el problema de los subtítulos.
Esto no es un análisis de término medio del tipo «cada uno tiene sus ventajas». El artículo compara solo dos caminos, quemar con la indicación y transcribir después, y te da una recomendación directa para tres escenarios típicos. Todos los modelos de vídeo que mencionamos se invocan desde APIYI (apiyi.com); los modelos y precios dependen de la lista de modelos de la plataforma.
Valor principal: al terminar de leer podrás tomar dos decisiones. Primera, si este vídeo necesita que pidas subtítulos quemados en la indicación. Segunda, a qué nivel de modelo conviene cambiar si lo que quieres es ahorrar.
Antes de nada: pista de audio no es lo mismo que subtítulos
Antes de hablar de cómo añadir subtítulos a un vídeo generado con IA, conviene separar dos cosas: el «sonido» y los «subtítulos». Los modelos de vídeo generan a la vez los diálogos, los efectos de sonido y la imagen, y lo que obtienes es una pista de audio incrustada en el vídeo final. Que la pista de audio contenga diálogo no significa que el vídeo tenga subtítulos. Y aunque aparezca texto en pantalla, si está «quemado» en los píxeles, es solo una parte de la imagen, no una pista de subtítulos.
En este artículo, unos «subtítulos utilizables» deben cumplir tres condiciones a la vez. Primera: el texto es correcto, sin erratas, sin palabras omitidas y sin caracteres raros convertidos en garabatos. Segunda: el momento en que aparece el texto está alineado con el diálogo. Tercera: después se puede corregir el texto y traducirlo a otros idiomas. El texto quemado en los píxeles, como mucho, cumple las dos primeras, pero la tercera nunca: para corregir una errata hay que volver a generar el vídeo entero, y para hacer una versión en inglés, también.
La guía de indicaciones (prompts) de Volcano Engine (火山引擎) usa el mismo criterio: describe los «subtítulos» como un tipo de texto en pantalla, en la misma sección que los eslóganes publicitarios y los bocadillos de diálogo. En esa guía no hay SRT, VTT ni pistas de subtítulos independientes. Una vez entendido esto, la pregunta «¿qué modelo de vídeo hace mejores subtítulos?» se puede plantear de otra manera: ¿lo que quieres es texto en la imagen o un archivo de subtítulos editable?
Diferencias clave entre las 2 formas de añadir subtítulos a un vídeo generado con IA
La diferencia entre los dos caminos no está en la calidad de imagen ni en el nivel del modelo, sino en dónde acaban guardados los subtítulos. El camino 1 los guarda en los píxeles; el camino 2, en un archivo aparte. La siguiente tabla los compara según los tres criterios de unos subtítulos «utilizables».
| Dimensión | Camino 1: subtítulos quemados mediante indicación | Camino 2: transcripción de la pista de audio del vídeo final | Ganador |
|---|---|---|---|
| ¿Los caracteres son correctos? | Depende de lo que genere el modelo; la guía recomienda usar caracteres comunes y evitar los poco frecuentes y los símbolos especiales | Viene del reconocimiento de voz sobre la pista de audio y se puede revisar a mano | Camino 2 |
| Alineación con el diálogo | La indicación puede decir «totalmente sincronizado con el ritmo del audio», pero el resultado depende de la suerte | Se alinea con las marcas de tiempo de la transcripción o con el software de edición, y se puede ajustar | Camino 2 |
| Cambiar texto o traducir después | No se puede; para corregir un texto hay que regenerar el vídeo entero | Sí, basta con editar el archivo, e incluso se pueden sacar versiones en varios idiomas | Camino 2 |
| Modelos compatibles | Solo la guía oficial de Seedance menciona esta capacidad | Cualquier vídeo final con pista de audio | Camino 2 |
| Pasos adicionales | Ninguno: el vídeo sale ya con subtítulos | Requiere un servicio de transcripción o software de edición | Camino 1 |
| Si quieres quitar los subtítulos | La documentación oficial indica que no se puede evitar al 100 % que aparezcan subtítulos por error | Este problema no existe | Camino 2 |
Camino 1: quemar subtítulos en el video generado por IA con indicaciones de Seedance
Seedance es la única de las series disponibles cuya guía oficial de indicaciones dice a la vez que «puede hacer subtítulos» y que «a veces genera subtítulos por su cuenta». En la sección de generación de texto, la guía explica que el modelo permite generar texto de uso común y que se pueden especificar el color, el estilo, la forma de aparición, el momento y la posición. Entre los casos de uso están los eslóganes publicitarios, los subtítulos y los globos de diálogo. Ojo: la guía está titulada como serie 2.0 y no declara que la capacidad de subtítulos de la 2.5 sea distinta, así que no se puede presentar el subtitulado incrustado como algo exclusivo de la 2.5.
La tabla siguiente recoge las formulaciones de la guía oficial relacionadas con los subtítulos, y puedes usarlas directamente para armar tus indicaciones:
| Uso | Formulación de la guía oficial | Observaciones |
|---|---|---|
| Especificar el contenido del subtítulo | «En la parte inferior de la pantalla aparece un subtítulo con el contenido «……», y debe estar totalmente sincronizado con el ritmo del audio.» | Usa caracteres comunes en el contenido del subtítulo |
| Subtítulos según el diálogo | «En la parte inferior de la pantalla aparecen subtítulos siguiendo el diálogo» / «En la parte inferior aparece el subtítulo correspondiente al diálogo» | La salida sigue siendo texto en píxeles, sin archivo de línea de tiempo |
| Sin subtítulos | «Mantener sin subtítulos» / «Evitar generar cualquier texto o subtítulo» | La guía oficial aclara que, por ahora, no se puede evitar al 100 % |
| Estilo del texto | Se pueden especificar color, estilo, forma de aparición, momento y posición | Evita caracteres raros y símbolos especiales |
La ventaja de este camino es que no añade ningún paso extra: el video sale ya con el texto, lo que viene bien para clips verticales en plataformas de video corto. El inconveniente también es evidente: si el texto sale mal, solo queda volver a generar, y cada intento hasta que quede bien cuesta lo que cuesta producir un video. Y si quieres una versión en otro idioma, hay que generar todo de nuevo.
En cuanto a la invocación, hay varias trampas fáciles de pisar. Al crear el token en la consola de APIYI apiyi.com, elige el grupo SeeDance2 (multiplicador 0.18x), y el modo de facturación debe ser «pago por uso con prioridad» o «pago por uso». El endpoint debe ser /seedance/api/v3/..., no /v1/videos. La página dedicada indica que el endpoint genérico transmite mal la resolución, aunque la facturación se hace según el video realmente generado. Además, generate_audio es true por defecto, así que, si quieres un video sin sonido, tienes que pasar false de forma explícita.
Vía 2: transcribir la pista de audio del vídeo final para generar subtítulos con IA
El reparto de tareas en la solución de posproducción es claro: el modelo de vídeo solo se encarga de producir un vídeo final con pista de audio, y los subtítulos se dejan a un servicio de transcripción independiente o a un programa de edición. La transcripción devuelve un archivo de subtítulos con marcas de tiempo, que se puede usar de dos maneras. Una es incrustar los subtítulos en la imagen (hardcoded), para plataformas que no admiten subtítulos externos. La otra es distribuirlos como archivo sidecar junto con el vídeo, de modo que el reproductor pueda activarlos o desactivarlos, e incluso cambiar de idioma.
Conviene fijarse bien en el estado actual del servicio de transcripción. La guía de voz a texto de OpenAI recomienda ahora gpt-transcribe para transcribir archivos. Su endpoint es POST /v1/audio/transcriptions, devuelve el texto y el idioma detectado, y el límite es de 25 MB por archivo. Los ejemplos de marcas de tiempo a nivel de palabra o de frase siguen apuntando al parámetro timestamp_granularities de whisper-1, y ese parámetro solo es compatible con whisper-1. Modelos como whisper-1, gpt-4o-transcribe y gpt-4o-mini-transcribe ya figuran como obsoletos, con fecha de cierre el 2027-02-26.
Una aclaración más: en la tabla general de modelos de APIYI del 2026-11-10 a las 15:40 no aparecen ni whisper-1 ni gpt-transcribe. Este paso de posproducción no forma parte de la lista de modelos de vídeo de esta ocasión, así que hay que resolverlo con un servicio de transcripción aparte o con el reconocimiento de voz que traen los propios programas de edición. La alineación de la línea de tiempo también puede dejarse en manos del editor; la transcripción solo tiene que encargarse de reconocer el texto con precisión.
Resumen de la capacidad de subtítulos en vídeo generado por IA en los modelos de vídeo disponibles
La tabla siguiente reúne cómo describe cada página de modelo el sonido y los subtítulos. La columna de parámetros de subtítulos es el resultado de una búsqueda de texto completo en cada página el 2026-11-11, con las palabras clave «字幕» (subtítulos), SRT, subtítulos incrustados (burn-in) y pista de subtítulos.
| Serie | ID del modelo | Sonido (según la página del modelo) | Parámetro de subtítulos | Puntos clave de la invocación |
|---|---|---|---|---|
| Seedance | doubao-seedance-2-5-260628, doubao-seedance-2-0-260128, doubao-seedance-2-0-fast-260128, doubao-seedance-2-0-mini-260615 |
generate_audio activado por defecto |
Sin archivo de subtítulos; se pueden incrustar con la indicación siguiendo la guía de Volcano | Grupo SeeDance2, ruta /seedance/api/v3/... |
| Wan3.0 | wan3.0-video, wan3.0-video-prime |
audio es true por defecto, la salida incluye pista de audio |
Ninguno | Se envía a /wan/api/v1/services/aigc/video-generation/video-synthesis, con el encabezado X-DashScope-Async: enable |
| Wan2.7 | wan2.7-t2v, wan2.7-i2v, wan2.7-r2v, wan2.7-videoedit |
Solo wan2.7-i2v admite driving_audio para sincronizar labios |
Ninguno | Solo 720P / 1080P, duración de 2 a 15 segundos |
| HappyHorse 1.1 | happyhorse-1.1-t2v, happyhorse-1.1-i2v, happyhorse-1.1-r2v, happyhorse-1.0-video-edit |
La imagen a vídeo no admite driving_audio, y la página no menciona diálogo por defecto |
Ninguno | Duración de 2 a 15 segundos; para sincronización labial hay que usar Wan2.7 |
| MiniMax H3 | MiniMax-H3 |
Incluye pista de audio estéreo, no se puede desactivar | Ninguno | Solo ofrece 768P, ruta /hailuo/v2/video_generation |
| Oxygen | oxygen-1.0 |
El vídeo final incluye pista de audio | Ninguno | Compatible con OpenAI Videos, POST /v1/videos |
| Grok Imagine | grok-imagine-video, grok-imagine-video-1.5, grok-imagine-video-1.5-lite |
Incluye pista de audio por defecto; desactivar el audio no reduce el precio | Ninguno | Hay que activar el grupo GrokOfficial |
Lo que más conviene subrayar de esta tabla: salvo Seedance, ninguna de las demás páginas dice nada sobre subtítulos, así que no se puede suponer que «también puedan generar subtítulos a partir de la indicación». Todos estos modelos se pueden invocar con una misma cuenta en APIYI (apiyi.com); los modelos concretos y los grupos disponibles dependen de la lista de modelos de la plataforma.
Hay algunos detalles que merecen mención aparte. El driving_audio de Wan2.7 hace que los labios sigan el audio: es una capacidad de sincronización labial y no tiene que ver con los subtítulos. La recomendación de la propia página es usar la 2.7 cuando necesitas que el audio guíe la sincronización labial, y Wan3.0 cuando quieres pista de audio por defecto, mayor duración y menor precio. MiniMax H3 en APIYI es un modelo de pesos abiertos autodesplegado, no un reenvío de la API original; su pista de audio no se puede desactivar, y si envías generate_audio=false devuelve un 400 con el campo de error unsupported field generate_audio; si envías una resolución de 2K, también se rechaza.
El caso de los tres Grok Imagine es algo particular: su página tiene precios, pero en la tabla general de modelos del 2026-11-10 a las 15:40 no aparecen esas tres filas. No es que no estén publicados: antes de invocarlos hay que confirmar en la consola que el grupo GrokOfficial está activado.
Subtítulos en vídeo generado con IA y costo por clip: qué se ahorra al cambiar de modelo
Como los subtítulos no dependen del modelo de vídeo, lo único que puedes ahorrar al cambiar de modelo es el costo de generar el clip. A continuación comparamos el precio de documentación de un mismo clip de 5 segundos. Una aclaración importante: la resolución cambia de una fila a otra, así que esta tabla sirve para comparar costos, no la calidad de imagen de un mismo clip.
| ID del modelo | Resolución | Duración | Vídeo de referencia | Precio en documentación | Fuente del precio | Fecha de los datos |
|---|---|---|---|---|---|---|
oxygen-1.0 |
480p o 768p (mismo precio) | 5 s | No incluye | $0.10 | Precio por segundo de la página dedicada × 5 | Verificado en la página dedicada el 2026-11-11 |
grok-imagine-video-1.5-lite |
480p / 720p | 5 s | No incluye (no se cuenta la imagen de entrada) | $0.10 / $0.15 | Precio por segundo de la página dedicada × 5 | Verificado en la página dedicada el 2026-11-11 |
wan3.0-video |
480P / 720P / 1080P | 5 s | No incluye | $0.147 / $0.294 / $0.588 | Precio total de 5 s en la página dedicada | Verificado en la página dedicada el 2026-11-11 |
MiniMax-H3 |
768P | 5 s | No incluye | $0.15 | Página dedicada | Verificado en la página dedicada el 2026-11-11 |
grok-imagine-video |
480p / 720p | 5 s | No incluye (no se cuenta la imagen de entrada) | $0.25 / $0.35 | Precio por segundo de la página dedicada × 5 | Verificado en la página dedicada el 2026-11-11 |
wan2.7-* |
720P / 1080P | 5 s | No incluye | $0.42 / $0.70 | Precio total de 5 s en la página dedicada | Verificado en la página dedicada el 2026-11-11 |
doubao-seedance-2-0-mini-260615 |
720p | 5 s | No incluye | $0.4508 | Lista de precios de la página dedicada | Verificado en la página dedicada el 2026-11-11 |
happyhorse-1.1-* |
720P / 1080P | 5 s | No incluye | $0.63 / $1.12 | Precio total de 5 s en la página dedicada | Verificado en la página dedicada el 2026-11-11 |
doubao-seedance-2-0-fast-260128 |
720p | 5 s | No incluye | $0.7253 | Lista de precios de la página dedicada | Verificado en la página dedicada el 2026-11-11 |
doubao-seedance-2-0-260128 |
720p | 5 s | No incluye | $0.9074 | Lista de precios de la página dedicada | Verificado en la página dedicada el 2026-11-11 |
grok-imagine-video-1.5 |
1080p | 5 s | No incluye (no se cuenta la imagen de entrada) | $1.25 | Precio por segundo de la página dedicada × 5 | Verificado en la página dedicada el 2026-11-11 |
doubao-seedance-2-5-260628 |
720p | 5 s | No incluye | $1.3721 | Lista de precios de la página dedicada (se cobra por área × duración; una desviación de ±5 % es normal) | Verificado en la página dedicada el 2026-11-11 |
Con las mismas condiciones (720p, 5 segundos, sin video de referencia; datos verificados en la página dedicada el 2026-11-11), los $1.3721 de Seedance 2.5 son unas 4.7 veces los $0.294 de wan3.0-video y unas 3.0 veces los $0.4508 de mini. Esta proporción solo habla del costo de generar el video, no de que los subtítulos salgan mejor. Además, un FAQ de la página dedicada indica un precio de 2.5 que no coincide del todo con el de la tabla de precios; en este artículo me quedo con la tabla de precios.
Al leer la tabla general hay también algunas casillas fáciles de malinterpretar. Las de Seedance son el precio base por millón de tokens, sin aplicar el multiplicador de grupo de 0.18; no son los dólares que cuesta un video. En la tabla general, wan3.0-video solo tiene una casilla de precio por segundo, y corresponde a 480P, no es el precio unitario de todas las resoluciones. En cuanto a HappyHorse, la tabla general muestra el precio base por consumo, no un precio por segundo; para calcular el costo por segundo hay que mirar la página dedicada. Al contrastar precios, te recomiendo guiarte por la lista de modelos de APIYI (apiyi.com) y por los precios por nivel de cada página dedicada.
Recomendaciones para añadir subtítulos a videos generados con IA
Escenario 1: videos con IA cuyos subtítulos deben poder editarse y traducirse
Aquí entran los tutoriales, las demos de producto y cualquier contenido que necesite versiones en varios idiomas. Los subtítulos de este tipo de piezas tarde o temprano se tocan: el cliente señala una errata, hay que unificar la terminología, marketing pide una versión en inglés. La única opción fiable es transcribir en posproducción, y dejar que el modelo de video se encargue solo de entregar la pieza con pista de audio.
En este escenario, el modelo de video se elige según lo que necesites en pantalla y el presupuesto; los subtítulos no cuentan como criterio de selección. Eso sí, ojo: el video final no debe traer ya subtítulos con texto basura grabados, porque luego se superpondrían a los de posproducción. Si usas Seedance, añade a la indicación una restricción de «sin subtítulos»; si usas otras series, aunque su página dedicada no mencione capacidad de subtítulos, conviene revisar el fotograma después de generar.
Escenario 2: videos cortos que solo necesitan el diálogo abajo y toleran regenerar
Si solo publicas verticales cortos en una plataforma, con una línea de diálogo en la parte inferior es suficiente y puedes aceptar algún error ocasional y regenerar, entonces basta con usar Seedance con subtítulos incrustados siguiendo la plantilla de Volcano Engine. En la indicación, escribe claramente el contenido del subtítulo y pide que se sincronice con el ritmo del audio; además, usa caracteres comunes y evita los raros y los símbolos especiales.
Hay que tener claro que esto no es una entrega estable. Cuando sale un carácter erróneo, regenerar significa pagar otra vez por un video, así que primero afina la indicación con mini o fast, y solo cuando la forma de redactar los subtítulos sea estable, plantéate un nivel superior. No saltes directo a 2.5 solo por el efecto de los subtítulos.
Escenario 3: el video final no puede mostrar ningún subtítulo
Los videos de marca, el material que se va a reeditar y las bases que luego recibirán subtítulos en varios idiomas exigen una imagen limpia. Si usas Seedance, debes escribir en la indicación frases como «mantener sin subtítulos» y «evitar generar cualquier texto o subtítulo». Además, elimina primero el texto de las imágenes o videos de referencia y, en lo posible, genera en horizontal. La guía oficial indica que la probabilidad de que aparezcan subtítulos no deseados es claramente menor en horizontal que en vertical; en vertical se remedia recortando en la edición.
Aun cumpliendo los tres puntos, la postura oficial sigue siendo que no se puede evitar al 100 %. Por eso, después de generar, hay que revisar el video a mano. En proyectos con requisitos de limpieza muy altos, puedes dejar margen de recorte ya en la composición del encuadre.
Recomendaciones para decidir cómo añadir subtítulos a vídeo generado con IA
Aquí va todo lo anterior condensado en una tabla de decisión, para consultarla directamente cuando tengas un vídeo concreto entre manos:
| Tu necesidad | Qué camino tomar | Dirección del modelo de vídeo | Qué no hacer |
|---|---|---|---|
| Subtítulos editables, traducibles y sincronizados | Vía 2: transcripción en posproducción | Elige según imagen y presupuesto; basta con que tenga pista de audio | Esperar que cualquier modelo de vídeo te entregue un archivo de subtítulos |
| Vídeo corto con texto de diálogo en la parte inferior, y te vale repetir la generación | Vía 1: subtítulos incrustados con Seedance | Ajusta primero la indicación con mini / fast | Subir a 2.5 solo por el efecto de los subtítulos |
| El vídeo final no debe llevar subtítulos | Vía 2, o Seedance con una restricción de «sin subtítulos» | Mejor formato horizontal; limpia el texto de los materiales de referencia antes | Fiarte de que las palabras de restricción lo eliminen al 100 % |
| Necesitas sincronización labial | Vía 2 con subtítulos | driving_audio de wan2.7-i2v |
Usar imagen a vídeo de HappyHorse para la sincronización labial |
| Quieres pista de audio por defecto y que sea barato | Vía 2 con subtítulos | Oxygen, Wan3.0 480P, Grok 1.5-lite, MiniMax H3 | Pensar que los modelos baratos carecen de capacidad para subtítulos |
Las dos vías se resumen en una frase. Incrustar los subtítulos con la indicación gana en «el vídeo sale ya con texto, sin pasos extra», pero el texto queda dentro de los píxeles: no se puede editar ni traducir, y si luego quieres quitarlo, no sale limpio. En cambio, la transcripción en posproducción añade un paso, pero gana por goleada en precisión de los subtítulos, sincronización temporal y reutilización en varios idiomas, así que encaja con cualquier vídeo que vayas a entregar.
Con esto también queda claro cómo ahorrar en pruebas. Si tu vídeo dura 15 segundos o menos y 720p te basta, mira primero Seedance mini o Wan3.0 estándar. Si quieres pista de audio por defecto y que salga barato, mira Oxygen, Wan3.0 480P, Grok 1.5-lite y MiniMax H3. Sobre las diferencias entre Grok, Hailuo y Seedance, la página dedicada no hizo una comparación de subtítulos con el mismo tema, así que no conviene usar «qué marca pone mejores subtítulos» como motivo para cambiar de modelo.
💡 Consejo: decide primero la solución de subtítulos y elige el modelo de vídeo después. Te recomendamos usar la misma clave en APIYI (apiyi.com) para generar muestras con el mismo tema en dos o tres niveles de modelo y comparar solo imagen y pista de audio; los subtítulos se encargan en posproducción para todos. Así comparas justo la parte por la que realmente pagas.
Hay además dos canales que quedan fuera de las recomendaciones. Según el comunicado de APIYI del 2026-11-09, Google dejó de ofrecer veo-3.1-generate-preview y veo-3.1-fast-generate-preview el 2026-10-22, por lo que el canal oficial de VEO 3.1 en APIYI está cerrado y, por ahora, no hay ningún canal de vídeo de la familia Google. En esa misma nota se indica que los canales relacionados con Sora 2 también se han dado de baja.
Preguntas frecuentes (FAQ) sobre subtítulos en videos generados con IA
P1: ¿Qué es un «subtítulo utilizable» en un video generado con IA?
Un subtítulo utilizable debe cumplir tres condiciones a la vez: el texto es correcto, el tiempo está alineado con los diálogos y, después, todavía se puede editar el texto o traducirlo. Los modelos de video generan una pista de audio, y las letras quemadas en los píxeles no se pueden modificar por separado, así que no cuentan como subtítulos utilizables.
P2: Si cambio a Grok, Hailuo o Wan, ¿cuál me deja los subtítulos listos directamente?
Ninguno. Las páginas dedicadas de Wan3.0, Wan2.7, HappyHorse, MiniMax H3, Oxygen y Grok Imagine solo mencionan la pista de audio o la generación impulsada por audio; no hay ningún parámetro de subtítulos ni se ha hecho una comparación con el mismo caso de prueba. Cambiar de modelo te ahorra costo de generación, pero los subtítulos siguen dependiendo de una transcripción en posproducción.
P3: ¿Seedance 2.5 quema los subtítulos mejor que la 2.0?
No hay base para afirmarlo. La guía de indicaciones de Volcano Engine está titulada para la serie 2.0 y no declara por separado que la capacidad de subtítulos de la 2.5 sea distinta. Las ventajas de la 2.5 están en la duración de 4 a 30 segundos, más imágenes de referencia y la salida en mov, no en los subtítulos.
P4: No veo Grok Imagine en la tabla general de modelos, ¿no está disponible?
No es eso. Los tres modelos de Grok Imagine tienen precio en su página dedicada; lo que pasa es que la tabla general de modelos del 2026-11-10 15:40 no incluye esas tres filas. Antes de invocarlos, confirma en la consola de APIYI (apiyi.com) que el grupo `GrokOfficial` esté habilitado. Además, desactivar el audio no reduce el precio.
P5: ¿Cómo invoco rápidamente estos modelos de video por API?
Regístrate en APIYI para obtener tu clave API (los usuarios nuevos reciben crédito gratuito de prueba) y luego llama a los endpoints indicados en cada página dedicada:
– El base_url compatible con OpenAI es `https://api.apiyi.com/v1`, y Oxygen usa `POST /v1/videos` bajo esa ruta
– Seedance va por `/seedance/api/v3/…`, y en el token hay que elegir el grupo `SeeDance2`
– Wan3.0 se envía a `/wan/api/v1/services/aigc/video-generation/video-synthesis`, con el encabezado `X-DashScope-Async: enable`
– MiniMax H3 va por `/hailuo/v2/video_generation`
Ni Seedance ni Wan3.0 deben usar `/v1/videos`.
P6: ¿Qué servicio uso para transcribir en posproducción?
La tabla general de modelos actual de APIYI no incluye `whisper-1` ni `gpt-transcribe`, así que la transcripción requiere un servicio aparte o un software de edición. OpenAI recomienda ahora `gpt-transcribe` para obtener el texto; el ejemplo de marcas de tiempo por palabra en su documentación aún apunta a `whisper-1`, que se retira el 2027-02-26. El límite por archivo es de 25 MB, así que con videos largos conviene extraer primero la pista de audio y luego transcribir.
P7: ¿Qué limitaciones conocidas tiene quemar subtítulos con la indicación?
– Los subtítulos quedan guardados en los píxeles, así que para corregir el texto o traducirlo hay que volver a generar el video completo
– Pueden aparecer subtítulos aunque no los pidas; la documentación oficial reconoce que no se puede evitar al 100%
– La probabilidad de subtítulos indeseados es mayor en vertical que en horizontal, y el texto presente en el material de referencia aumenta el riesgo
– Los caracteres poco comunes y los símbolos especiales fallan con facilidad, así que conviene usar caracteres de uso frecuente
Puntos clave sobre cómo añadir subtítulos a videos generados con IA
- Pista de audio no es lo mismo que subtítulos: los modelos de video producen sonido integrado en el clip final, no un archivo de subtítulos.
- Solo Seedance menciona el quemado: la guía de Volcano permite «quemar» los subtítulos en los píxeles, pero no ofrece un archivo de subtítulos.
- Quitar subtítulos no funciona al 100 %: hace falta combinar indicaciones restrictivas con imágenes de referencia sin texto, y priorizar el formato horizontal.
- El resto de series no tienen parámetros de subtítulos: las páginas específicas de Wan, HappyHorse, MiniMax H3, Oxygen y Grok solo hablan de pista de audio.
- Si quieres subtítulos editables, hazlo en posproducción: transcribe la pista de audio del video final y luego quémala en la imagen o úsala como archivo externo (sidecar).
- Cambiar de modelo solo ahorra en el coste de generación: no subas a 2.5 por los subtítulos; mira primero opciones más económicas como mini, Wan3.0, etc.
- Cómo empezar: usa una sola clave en APIYI para probar varios niveles con clips de muestra; los precios son los de la lista de modelos de la plataforma.
Conclusión
Si te preguntas cómo añadir subtítulos a un video generado con IA, la respuesta se resume en tres ideas:
- Los subtítulos editables no salen directamente del modelo: ningún modelo de video entrega un archivo de subtítulos como resultado. Si quieres subtítulos que se puedan corregir y traducir, tendrás que transcribirlos en posproducción.
- El quemado de Seedance es un parche: según la guía de indicaciones de Volcano, se puede incrustar el texto en la imagen. Sirve para videos cortos donde no te importa volver a generar si algo sale mal, pero no es una solución estable para entregas, y si luego quieres quitar los subtítulos, tampoco desaparecen del todo.
- Para ahorrar, cambia de nivel de generación, no persigas los subtítulos: con la misma configuración (720p, 5 segundos, sin video de referencia; datos de la página específica verificados el 2026-11-11), la versión 2.5 cuesta aproximadamente 4,7 veces más que Wan3.0 estándar, y esa diferencia de precio no te compra mejores subtítulos.
Mi recomendación para el siguiente paso: decide primero cómo vas a gestionar los subtítulos y después elige el modelo de video. Con el saldo de prueba gratuito de APIYI (apiyi.com) puedes generar clips de muestra con opciones más económicas como mini, Wan3.0 u Oxygen para validar la imagen y la pista de audio, y dejar los subtítulos en manos de la posproducción.
📚 Referencias
- Volcengine, «Guía de indicaciones de la serie Doubao Seedance 2.0»: explicación sobre cómo escribir texto y subtítulos, la restricción de «sin subtítulos» y cómo tratar los subtítulos que aparecen sin querer
- Enlace:
docs.volcengine.com/docs/ark/seedance-2-0-prompt-guide -
Nota: la plantilla de subtítulos de la primera vía de este artículo y la afirmación de que «no se puede evitar al 100 %» provienen de esta guía. Consultada el 2026-11-11
-
Guía de voz a texto de OpenAI: interfaz de transcripción
gpt-transcribey descripción de los parámetros de marcas de tiempo - Enlace:
platform.openai.com/docs/guides/speech-to-text -
Nota: fuente de la interfaz de la solución de transcripción posterior, del límite de tamaño de archivo y de las fechas de cierre de los modelos obsoletos. Consultada el 2026-11-11
-
Centro de documentación de APIYI · Páginas de modelos de vídeo: parámetros y precios por niveles de Seedance, Wan3.0, Wan2.7, HappyHorse, MiniMax H3, Oxygen y Grok Imagine
- Enlace:
docs.apiyi.com/api-capabilities/ - Nota: fuente de los modelos, endpoints, grupos y precios de documentación a 5 segundos. El anuncio de retirada de VEO 3.1 está en el mismo sitio, en
/live/2026-11/veo-3-1-official-offline
Autor: Equipo técnico de APIYI
Intercambio técnico: puedes contactarnos desde la página principal de APIYI. Para más parámetros de modelos e instrucciones de invocación, visita el centro de documentación en docs.apiyi.com
