Un documental histórico hecho con IA en una sola GPU
Construimos un estudio local que lleva un tema de historia hasta el montaje final en una RTX 4090, sin servicios de generación en la nube. Con él produjimos 13 Vendémiaire, sobre Bonaparte y la insurrección del 5 de octubre de 1795, en francés, español e inglés.
13 Vendémiaire cuenta cómo un general de 26 años, sin mando, hizo disparar los cañones contra los realistas de París el 5 de octubre de 1795. La imagen, la voz y la música se generaron en un PC con una RTX 4090: imágenes clave con Qwen-Image 2.1, planos con sonido nativo con FastH3, narración con Qwen3-TTS y música con MiniMax Music 3. El estudio entregó una película de 5 minutos y otra de 30 en cada idioma, más 103 episodios verticales.
- Cliente
- Slash AI Lab · 13 Vendémiaire
- Sector
- Producción audiovisual · I+D
- Año
- 2026
- Entregables
- Estudio local de 62 módulos Python
- Películas de 5 y 30 minutos en 3 idiomas
- 103 episodios 9:16
- Subtítulos, miniaturas y textos de publicación
- Método de exactitud histórica y QA
Una jornada de 1795 contada con fuentes
El tema es un día preciso: el 13 vendimiario del año IV, cuando la Convención usó la artillería contra las secciones de París que rechazaban sus decretos, y Bonaparte salió del anonimato. Ese documental necesita escenas que ningún archivo conserva, un narrador que no cambie de voz en 30 minutos y cifras que se puedan defender.
El estudio corre en una sola máquina: RTX 4090 de 24 GB, Ryzen 9 9900X, 94 GB de RAM y Windows 11. La red sirvió para investigar y para descargar modelos e imágenes de dominio público. La generación, el montaje y la mezcla se hacen en local, y ComfyUI 0.42 solo escucha en 127.0.0.1.
Del guion al plano, con una revisión en cada paso
Agentes de investigación arman una ficha de hechos donde cada dato está marcado como confirmado, incierto o discutido: 72 afirmaciones con fuentes, citas literales de ediciones de dominio público y una biblia visual de uniformes, banderas y arquitectura. Cada cifra del guion remite a una afirmación. Lo discutido se narra como discutido, y la frase «whiff of grapeshot» se atribuye a Carlyle, que la escribió en 1837.
Para cada plano, Qwen-Image 2.1 propone 3 imágenes clave en unos 4 segundos cada una. Las revisamos en tableros y rechazamos los anacronismos que el modelo repite: faroles del siglo XIX, banderas parecidas a la Union Jack, fachadas haussmannianas, una luna llena en una noche de cuarto menguante. Si la composición sirve, una edición de Qwen repara solo la zona fallida. Después FastH3 anima la imagen aprobada en 5 segundos de video con audio nativo, y cada toma pasa por una hoja de 4 fotogramas, y por Whisper si hay frases habladas.
Mapas, títulos, subtítulos y mezcla salen de código propio en CPU con numpy, PIL, OpenCV y ffmpeg. El estudio completo son 62 módulos de Python y 26.828 líneas. El máster sale a -14 LUFS y luego se corta en episodios de cerca de 60 segundos con subtítulos karaoke.
-
01
Un Bonaparte que no es siempre el mismo retrato
El rostro parte del retrato de dominio público que pintó Gros en 1796, convertido en imagen de identidad con Qwen-Image. Una auditoría mostró que 27 de los 37 planos hechos con esa imagen copiaban su cabeza en tres cuartos a la derecha, así que volvimos a escenificar 16 planos con otro ángulo, otro encuadre y otra dirección de la mirada. La película siguiente usa un retrato ancla por época, de los 27 a los 35 años, con 8 poses cada uno.
-
02
Voz sintética medida con Whisper
Cada narrador es una voz de Qwen3-TTS diseñada a partir de una descripción escrita y clonada solo de esa muestra sintética. Whisper elige la mejor toma de cada sección: 0–4 % de palabras erradas en francés y 0–9 % en español. Kyutai TTS quedó descartado con 6–23 %.
-
03
Una GPU, un trabajo a la vez
Una cola ejecuta un solo trabajo de GPU por turno, desde que TTS al lado de Qwen-Image tardó 438 s en una toma de 70 s. Ocho tomas estancadas costaron 1,9 h de una corrida de 7,8 h, así que ComfyUI ahora se reinicia solo cuando una toma pasa de 420 s. Un cambio en el compositor hizo el render 1,65 veces más rápido, con fotogramas idénticos byte a byte.
-
04
Revisión del máster por tramos
Tres subagentes revisaron el corte inglés de 28 minutos en tramos de 10 minutos y encontraron 24 problemas mayores y 70 menores que la revisión de tomas no vio: un mástil de radio, fez, barcos a motor, lámparas eléctricas. Cada hallazgo de un revisor externo se comprueba en el fotograma, y cerca de un tercio resultó falso.
El proyecto en imágenes
11 imágenes · Abre una imagen para verla en grande.
Seis películas y 103 episodios entregados
La carpeta final tiene 6 películas 16:9 (la de 5 minutos dura de 5:12 a 5:27 según el idioma, la de 30 de 28:35 a 30:29) y 103 episodios 9:16, con archivos .srt, tres variantes de miniatura y el texto de publicación, que declara el contenido sintético y enumera los puntos discutidos y las fuentes. Los planos generados llevan en pantalla la etiqueta «Reconstitution IA». El registro cuenta 3.640 generaciones y 41,7 horas de GPU entre el 26 y el 29 de octubre de 2026; 29,8 h son de 13 Vendémiaire y el resto de una segunda película.
Las fichas de archivo usan obras de dominio público y escaneos CC0 de museos (el Gros del Louvre, Paris Musées, el Rijksmuseum). Los mapas se dibujan sobre el plano de Verniquet de 1790 con el Sena de OpenStreetMap (ODbL), acreditado en los créditos. Las voces se diseñaron a partir de texto y la música es instrumental generada.
- 184 planos generados para las dos películas
- Mediana de 84,5 s por toma de video de 5 s en la RTX 4090
- -14,1 LUFS y pico real de -1,4 dBTP en el máster inglés de 30 minutos
- Francés, español e inglés sobre el mismo material visual
Las preguntas que escuchamos a menudo
¿Se puede producir un documental con IA sin servicios en la nube?
Sí, con un límite claro de tiempo. En 13 Vendémiaire las imágenes, el video con sonido, la voz y la música se generaron en una RTX 4090 de 24 GB; la red se usó para investigar y descargar modelos e imágenes de dominio público. Una película de 30 minutos pide entre 7 y 9 horas de GPU.
¿Cuánto tarda un documental de 5 minutos con IA?
Nuestra tabla de planificación da unas 3 horas de GPU para 27 planos, narración, 4 piezas de música y escalados, contando repeticiones, más unos 8 minutos de render en 8 procesos de CPU. La investigación y la revisión humana van aparte.
¿Cómo se evita que la IA invente la historia?
Cada cifra y cada fecha del guion remite a una de las 72 afirmaciones verificadas, y lo discutido se narra como discutido. Un catálogo de anacronismos guía la revisión de cada imagen clave y de cada toma, y los planos generados se rotulan como reconstrucción.
Casos cercanos a este
Ver más
Enviable AI · Retratos IA
Retratos aspiracionales generados por IA
Producto GenAI que convierte un retrato en imagen aspiracional de calidad profesional: experiencia móvil rápida, plantillas de escena, monetización por créditos y arquitectura privacy-first conforme a GDPR.
Saber más →
Ver más
slash.events · Panel Studio
Del sitio web al panel de feria en PDF/X-4
Panel Studio, nuestra app slash.events: análisis del sitio, cuatro conceptos, edición por chat, 23 controles de preflight y un archivo listo para la imprenta por 49 €.
Saber más →
Ver más
Nigloland · Nigloween 2025
Selfies IA para la temporada Halloween
Activación Nigloween: web app de selfie con disfraces de temporada (calabaza, vampiro, bruja, esqueleto) y mascotas del parque: recuerdo compartible sin cabina ni app nativa.
Saber más →Pongámoslo en producción
Cuéntanos tu reto. Respondemos en menos de 24 horas laborales con una primera lectura honesta: si podemos ayudarte, te diremos cómo; si no, te diremos quién puede.
Contesto personalmente. Sin formularios eternos ni respuestas automáticas.