Al crear videos, lo más difícil de generar a menudo no son imágenes de productos brillantes y limpias, sino escenas oscuras como paisajes nocturnos, desastres, ciencia ficción y guerras.
Este tipo de toma parece “oscura”, pero en realidad contiene mucha información.
Debe haber variaciones de luminosidad a distintas profundidades en las nubes, el humo no puede difuminarse en una sola masa, los edificios distantes deben mantener capas espaciales, las llamas y las fuentes de luz de energía deben iluminar el entorno circundante, y la lluvia, el metal y el agua estancada también deben formar reflejos razonables. Cuando los personajes llevan ropa oscura, sus contornos no pueden desaparecer en el fondo, ni pueden flotar en la imagen como pegatinas.
Las imágenes de calidad insuficiente pueden tener mucha atmósfera al reducirse, pero una vez que entran en el flujo de producción de video, los problemas se revelan rápidamente. Aparecen bloques de color en las zonas oscuras, los detalles de los edificios se pegan entre sí, el humo pierde sus capas, la estructura de las aeronaves se vuelve borrosa y los personajes no pueden separarse del fondo. Al realizar avances de cámara, ampliaciones locales, animaciones de paralaje o generación de video a partir de imágenes, estas deficiencias se amplifican aún más.
Para los creadores audiovisuales, una imagen no termina cuando se genera. También debe entrar en los procesos de edición, movimientos de cámara, efectos visuales y animación. Este es precisamente el significado de que existan niveles de calidad más altos.
GPT Image 2.5 de Ace Data Cloud ahora añade los niveles de calidad xhigh y max, además de low, medium y high. Tanto Flare como Sunburst admiten estos dos niveles, incluidos los canales oficiales correspondientes.
Cuando la imagen involucra zonas oscuras complejas, nubes volumétricas, humo, luz de fuego, reflejos de noches lluviosas y relaciones espaciales multicapa, los creadores pueden permitir que el modelo invierta más presupuesto de generación para conservar, en la medida de lo posible, la estructura y los detalles de los entornos oscuros.
¶ Probamos cinco niveles de calidad con una escena oscura de alta dificultad
Para que las diferencias fueran más fáciles de revelar, esta vez no elegimos un fondo brillante ni un producto simple, sino que diseñamos un fotograma clave de efectos visuales de una película de desastre de ciencia ficción.
La escena tiene lugar en una futura ciudad costera durante la hora azul. Un anillo orbital fracturado se cierne sobre la ciudad, una grieta de energía desgarra las nubes de tormenta y los restos de una nave espacial en llamas caen hacia los rascacielos. En primer plano hay un piloto de rescate de espaldas a la cámara, junto a una aeronave de rotores basculantes dañada.
Toda la escena está dominada por azul oscuro, negro y gris, y solo la grieta de energía, las llamas, las luces de la ciudad y partes de la aeronave forman brillos cálidos.
Este tipo de escena pondrá a prueba simultáneamente si hay detalles reales en las zonas oscuras, si el personaje en primer plano puede separarse del fondo, si las nubes y el humo tienen capas espaciales, si las llamas realmente iluminan el entorno circundante y si las estructuras de la ciudad, la aeronave y el anillo orbital son coherentes.
La prueba utiliza gpt-image-2.5-sunburst, más orientado a la alta fidelidad y al control preciso. Todas las imágenes utilizan exactamente el mismo prompt, cambiando únicamente quality.
¶ Prompt completo de prueba
Cinematic VFX keyframe from an original science-fiction disaster film, ultra-wide 16:9 composition. A colossal orbital ring has fractured above a rain-soaked futuristic coastal megacity at blue hour; a luminous energy rift tears through storm clouds while burning spacecraft debris falls toward skyscrapers. In the foreground, an armored rescue pilot stands on a flooded rooftop beside a damaged tilt-rotor aircraft, seen from behind, looking toward the catastrophe. Include physically plausible volumetric clouds, layered smoke, glowing embers, sparks, rain streaks, wet reflective surfaces, turbulent ocean spray, atmospheric perspective, realistic destruction, miniature-scale city detail, complex blue-orange lighting, accurate reflections and refractions, cinematic anamorphic lens flare, subtle film grain, deep depth staging, photorealistic live-action blockbuster visual effects, coherent geometry, natural human anatomy. No text, no logo, no watermark, no split screen, no collage.
Este prompt incorpora intencionalmente una gran cantidad de elementos que tienden a perder el control en escenas oscuras: nubes oscuras y humo multicapa, chispas puntuales y restos en llamas, personajes con armadura oscura, edificios urbanos nocturnos, superficies húmedas y reflejos complejos, así como múltiples fuentes de luz con grandes diferencias de luminosidad.
Si la calidad de generación es insuficiente, al modelo le resulta fácil conservar solo la intensa atmósfera azul y naranja, sacrificando la estructura de las zonas oscuras que realmente determina la textura visual.
¶ Low: la atmósfera se establece rápidamente, pero se parece más a un boceto conceptual inicial
low completó la generación en aproximadamente 25.11 segundos, con una salida de imagen de 157 Tokens.
Puede establecer rápidamente la escena completa y también representar la atmósfera de desastre, la posición de los personajes y las principales fuentes de luz. Es muy eficiente para determinar si la composición funciona o para explorar múltiples direcciones de toma en las etapas iniciales.
Pero en escenas oscuras complejas, no podemos limitarnos a observar si la imagen es “lo bastante oscura y genial”. Lo más importante es comprobar si todavía hay elementos dentro de las sombras.
La estructura de la armadura del piloto de rescate, los detalles mecánicos de la aeronave dañada, los límites entre los edificios distantes y los cambios de luminosidad dentro de las nubes determinan si esta imagen puede seguir utilizándose en la posproducción. Si estos elementos ya se han mezclado en la imagen original, aumentar simplemente la luminosidad o la nitidez en posproducción no puede recuperar realmente la estructura perdida.
¶ Medium: las zonas oscuras empiezan a tener más contenido reconocible
medium completó la generación en aproximadamente 27.18 segundos, con una salida de imagen de 367 Tokens.
En comparación con Low, no aumentó mucho el tiempo de espera, pero el modelo obtuvo más presupuesto de generación.
Para las imágenes de video habituales, Medium ya es un punto de partida bastante práctico. No solo debe completar la atmósfera general, sino también tratar con mayor cuidado las relaciones entre edificios, vehículos, personajes y entorno. En una imagen oscura, la llamada mejora de calidad no necesariamente se manifiesta como «más brillante» o «más nítida». Más importante es si la estructura en las sombras aún puede verse, si el humo tiene capas delanteras y traseras, si la ciudad distante puede formar una perspectiva atmosférica real y si los personajes se separan naturalmente del fondo mediante la luz de contorno.
¶ High: de «tener atmósfera» a «tener estructura»
El tiempo de generación de high es de aproximadamente 41.35 segundos, y la salida de imagen aumenta a 1,413 Tokens.
A partir de este nivel, la inversión del modelo muestra un salto evidente. Para las escenas oscuras cinematográficas, lo más digno de atención de estas inversiones adicionales es la transición entre las zonas claras y las zonas oscuras.
Las grietas de energía no pueden ser solo una línea de luz blanca intensa; deberían afectar a las nubes circundantes; los restos en llamas no pueden ser solo manchas naranjas, deberían producir humo, brasas y luz ambiental; el agua acumulada tampoco puede ser solo un simple espejo, necesita formar reflejos de diferente intensidad según la estructura del tejado y la dirección de la fuente de luz.
Cuando estas relaciones son más completas, la imagen pasa gradualmente de ser una imagen de atmósfera a acercarse a una toma cinematográfica. High es más adecuado para entrar formalmente en la línea de tiempo de vídeo, especialmente para tomas que requieren un ligero avance, desplazamiento y tratamiento de profundidad de campo.
¶ XHigh: reservar margen para ampliación, movimiento de cámara y composición por capas en posproducción
xhigh completó la generación en aproximadamente 53.68 segundos, y la salida de imagen alcanzó 2,511 Tokens.
En el flujo de trabajo de vídeo, muchos problemas solo aparecen después de poner la imagen en movimiento. Cuando la cámara avanza, la ciudad distante necesita soportar la ampliación; al crear animaciones de paralaje, los personajes en primer plano, las aeronaves y el fondo necesitan tener límites claros; al entregarla a un modelo de imagen a vídeo para continuar generando, las estructuras mecánicas y las relaciones ambientales también deben ser suficientemente claras; de lo contrario, es muy fácil que se produzcan deformaciones durante el movimiento.
Ahí reside el valor de XHigh. No solo hace que la imagen se vea más bonita a primera vista, sino que deja tanta información utilizable como sea posible para la producción posterior. Para las escenas oscuras, esto significa contornos más claros, estructuras locales más estables, y sombras y humo con más capas.
Si la imagen se va a utilizar como toma clave, imagen de apertura, arte conceptual cinematográfico o primer fotograma de imagen a vídeo, XHigh se ajustará más que los niveles de calidad normales a las necesidades reales de producción.
¶ Max: elevar el límite de salida para las tomas oscuras más importantes
max completó la generación en aproximadamente 104.43 segundos, y la salida de imagen alcanzó 5,650 Tokens.
Su tiempo de espera se acerca al doble del de XHigh, y los Tokens de salida de imagen también superan el doble de los de XHigh. Esto demuestra que Max no es solo un nombre que suena más avanzado, sino que aumenta claramente la inversión de generación.
En escenas oscuras complejas, el significado de la máxima calidad no es añadir texturas sin fin, sino preservar simultáneamente, en la mayor medida posible, varios objetivos que entran fácilmente en conflicto: la imagen debe mantener una atmósfera oscura, pero no puede perder estructura; las grietas de energía deben ser lo suficientemente brillantes, pero no pueden destruir los detalles de las nubes; los personajes deben ser claros, pero no pueden parecer recortados por separado; el humo debe ser rico, pero no puede ocultar todos los edificios; los reflejos deben ser evidentes y, al mismo tiempo, ajustarse a la iluminación ambiental.
Completar estos requisitos por separado no es difícil; lo difícil es que todos se cumplan al mismo tiempo.
Max es más adecuado para la salida final después de haber determinado la composición y el prompt, por ejemplo, la imagen principal de apertura, póster cinematográfico, toma central, material promocional clave e imágenes que necesitan continuar entrando en un flujo complejo de posproducción.
¶ Las diferencias de calidad en imágenes oscuras no pueden evaluarse solo por «si es nítida o no»
Esta prueba registró lo siguiente:
| Nivel de calidad | Tiempo de generación | Tokens de salida de imagen | Tokens totales |
|---|---|---|---|
| Low | 25.11 segundos | 157 | 567 |
| Medium | 27.18 segundos | 367 | 777 |
| High | 41.35 segundos | 1,413 | 1,823 |
| XHigh | 53.68 segundos | 2,511 | 2,921 |
| Max | 104.43 segundos | 5,650 | 6,060 |
De Low a Max, lo que realmente debe compararse no es cuál imagen es simplemente más nítida, sino cuánta información efectiva se conserva en un entorno oscuro.
Se puede observar especialmente si la armadura del piloto de rescate tiene una estructura reconocible, si existe una relación espacial clara entre el personaje y la aeronave, si las alas, los rotores y el fuselaje de la aeronave son coherentes, si la ciudad distante se vuelve una masa borrosa por la oscuridad, si las nubes tienen profundidad delantera y trasera, y si el agua acumulada en el tejado puede reflejar múltiples fuentes de luz del entorno.
Lo que más se teme en una escena oscura no es la oscuridad, sino «una oscuridad sin contenido».
Una imagen oscura de alta calidad, incluso si su brillo general es muy bajo, los personajes, edificios, maquinaria, humo y nubes deberían seguir teniendo sus propios niveles. Puede que el público no exprese claramente estas diferencias, pero percibirá intuitivamente si la imagen tiene una calidad cinematográfica.
¶ La calidad de la imagen determina cuánto margen de operación queda para la posproducción de vídeo
La creación de vídeo rara vez utiliza directamente una imagen original completamente estática. Los creadores suelen realizar acercamientos de cámara, movimientos horizontales, recortes locales, separación de capas entre primer plano y fondo, superposición de efectos de luz, simulación de profundidad de campo, o entregar las imágenes a modelos de imagen a video para seguir generando. Todas estas operaciones amplifican los defectos en las zonas oscuras.
Si el contorno del personaje ya está pegado al fondo, será muy difícil separar las capas al crear paralaje; si la estructura arquitectónica ya está borrosa, tras el acercamiento de cámara solo se verá una borrosidad mayor; si el humo no tiene relaciones espaciales, al generar efectos dinámicos puede convertirse fácilmente en bloques de color que se agitan sin patrón.
Por lo tanto, una imagen original de mayor calidad no solo significa que “el resultado final se ve más bonito”, sino que también determina directamente hasta dónde puede llegar la posproducción.
¶ No es necesario usar Max en todas, pero las escenas oscuras importantes merecen mayor calidad
Una forma razonable de producción no consiste en llevar la calidad al máximo desde el primer boceto.
En la etapa de exploración se puede usar Low o Medium para confirmar rápidamente la composición, la posición de los personajes, la dirección de la fuente de luz y el tono general. Una vez que la dirección se estabiliza, se puede usar High para generar los materiales definitivos. Si la imagen necesita una ampliación evidente, una estratificación compleja o continuar generando video, XHigh será más adecuado.
Max debería reservarse para los planos más importantes, como el primer fotograma de la introducción, la imagen principal de un póster, la imagen central de un tráiler o las escenas clave que determinan la textura de todo el video.
Ace Data Cloud incorpora XHigh y Max a GPT Image 2.5, y lo que realmente aporta no son dos parámetros más, sino permitir que los creadores, al enfrentarse a escenas oscuras complejas, no tengan que quedarse en la etapa de “la atmósfera es más o menos correcta”.
La oscuridad ya no significa renunciar a los detalles.
Cuando el modelo dispone de un mayor presupuesto de calidad, las ciudades, los personajes, las naves, el humo y los reflejos en las sombras tienen la oportunidad de conservarse juntos. Para la creación audiovisual, esta información oculta en las zonas oscuras suele ser precisamente la clave para que una imagen pase de ser una ilustración común a un plano cinematográfico.
¶ Experimenta GPT Image 2.5 ahora
¿Quieres usar XHigh y Max en tus propios planos de escenas oscuras, pósteres y primeros fotogramas de video? Visita Ace Data Cloud para experimentar GPT Image 2.5 Sunburst, con alta fidelidad y control preciso, o también puedes elegir GPT Image 2.5 Flare, más orientado a generar imágenes rápidamente.