Cómo crear vídeos con IA usando Claude Code o Codex en un PC normal (guía a bajo costo)
Puedes crear vídeos con IA usando Claude Code o Codex sin una tarjeta gráfica cara: el agente escribe el guion, genera la voz, anima las escenas, pone transiciones y subtítulos, y renderiza el MP4. Esta guía corta junta las herramientas open source que ya analizamos en el blog, te dice qué pasos pueden correr en la nube con tu PC apagado y cuáles necesitan tu equipo encendido, y cuánto cuesta cada camino. Está pensada para un PC normal de 8 o 16 GB de RAM.
Lo comprobamos haciendo tres vídeos en un entorno en la nube de Claude Code, sin GPU: un explainer de finanzas con gráfico animado y contadores, una demo de app con navegador, cursor y zoom sobre capturas reales, y una prueba mínima para medir tiempos. Todos llevan voz en español, música, transiciones y subtítulos.
Lo que necesitas
| Pieza | Mínimo | Para qué |
|---|---|---|
| Un agente de código | Claude Pro (20 USD/mes, incluye Claude Code) o ChatGPT Plus (20 USD/mes, incluye Codex) | Escribe el guion, el código del vídeo y lanza los comandos |
| Node.js 22 o superior | Gratis | HyperFrames, el motor de render |
| FFmpeg | Gratis | Cortar, mezclar audio y exportar |
| Python 3.10 o superior | Gratis | Voz local (Kokoro) y subtítulos (Whisper) |
| PC | 8 GB de RAM funciona; 16 GB va más holgado. GPU opcional | Solo para los pasos que no pueden ir a la nube |
No hace falta saber editar vídeo ni programar animaciones. Sí conviene saber abrir una terminal y revisar los comandos que el agente te propone antes de aprobarlos.
Las tres maneras de hacerlo: nube, tu PC o servicios de pago
1. Todo en la nube, con el PC apagado. Claude Code en la web (claude.ai/code) trabaja en un contenedor remoto con Node, Python y FFmpeg. Ahí el agente puede escribir el guion, generar una voz sintética gratis con Kokoro, maquetar las escenas en HTML con HyperFrames y renderizar el MP4. Sirve para vídeos sin grabación tuya: explainers, intros, promos de producto, tutoriales con texto y diagramas. Cuando termina, el agente sube el vídeo a tu repositorio o a la carpeta que le indiques y tú lo descargas desde el móvil.
2. En tu PC, encendido. Todo lo que parte de un material que solo existe en tu equipo: grabar la pantalla o la cámara, limpiar los cortes de una grabación, subtitular lo que dijiste, editar a mano o clonar tu voz sin pagar. Un PC de 8-16 GB sin GPU lo hace todo; lo que cambia es la velocidad de la transcripción y de la clonación.
3. Con servicios de pago, desde cualquier equipo. Si quieres una voz clonada natural sin GPU, imágenes o clips generados por IA o música a medida, conectas una API. El agente sigue siendo el que orquesta; tú solo pagas por uso.
Qué herramienta usar en cada paso
Todas son proyectos públicos que ya analizamos. Los enlaces llevan al artículo con instalación, licencia y límites.
| Paso | Herramienta | Licencia | Dónde corre |
|---|---|---|---|
| Guion | Tu agente; [OpenMontage](/openmontage-producir-videos-claude-code) si quieres pipelines de producción completos | AGPL-3.0 (OpenMontage) | Nube o PC |
| Voz sintética gratis | Kokoro con `npx hyperframes tts` ([HyperFrames](/hyperframes-crear-videos-html-agentes-ia)) | Apache-2.0 | Nube o PC, CPU |
| Clonar tu voz | [VoiceStudio](/voicestudio-clonar-voz-open-source-elevenlabs) o [Fish Speech](/fish-speech-clonar-voz-ia-gratis-alternativa-elevenlabs) | AGPL-3.0 / Fish Audio Community | PC (lento sin GPU) o GPU alquilada |
| Grabar pantalla | [Recordly](/recordly-grabador-pantalla-open-source) (zoom automático y subtítulos con whisper.cpp) | AGPL-3.0 | PC |
| Cortar pausas y subtitular | [editonny](/editonny-skill-editar-video-claude-code) | MIT | PC |
| Editar a mano con ayuda del agente | [Concat](/concat-alternativa-open-source-capcut) por MCP | AGPL-3.0 | PC |
| Animación y transiciones | HyperFrames, [Bang Motion](/bang-motion-motion-graphics-claude-code) o [video-shotcraft](/video-shotcraft-video-promocional-claude-code) | Apache-2.0 / MIT / Apache-2.0 (usa Remotion) | Nube o PC |
| Render a MP4 | HyperFrames, Remotion o FFmpeg | Apache-2.0 / Remotion / LGPL-GPL | Nube o PC |
Dos avisos de licencia que importan si vas a vender el vídeo o usarlo en anuncios: el modelo de voz por defecto de VoiceStudio (OmniVoice) es no comercial, y Remotion pide licencia de empresa a partir de cierto tamaño. Kokoro, HyperFrames, editonny y Bang Motion no tienen esas trabas.
Prueba mínima: cómo trabaja el agente, paso a paso
Para ver el flujo sin adornos, primero pedimos a Claude Code, en una sesión en la nube, un vídeo de 19 segundos en 1920×1080 con cuatro escenas, voz femenina en español, transiciones y subtítulos. Este es el flujo que siguió, con los comandos reales; los dos ejemplos de la sección siguiente usan el mismo método.
1. Guion dividido en frases
El agente escribe el guion como una lista de frases, una por escena. Así cada frase es un audio y su duración marca cuánto dura la escena. Para nombres en inglés, escribe en el texto de la voz cómo se pronuncian ("Clod Coud") y deja el nombre real en pantalla.
2. Voz gratis con Kokoro
pip install kokoro-onnx soundfile
npx hyperframes@0.8.170 tts "Este vídeo lo hizo un agente de inteligencia artificial, con el computador apagado." -v ef_dora -o assets/audio/p1.wav
ffprobe -v error -show_entries format=duration -of csv=p=0 assets/audio/p1.wavLa primera vez descarga las voces (unos 27 MB). Cada frase tardó segundos en CPU y salió entre 3,5 y 4,7 s de audio. ffprobe da la duración exacta para colocar la escena y su subtítulo.
3. Escenas, transiciones y subtítulos en un index.html
HyperFrames convierte un HTML con atributos de tiempo en vídeo. Las transiciones son un panel de color que barre la pantalla entre escenas, animado con GSAP. Los subtítulos salen del mismo guion: como cada frase tiene su audio y su duración, el agente coloca el texto en el mismo instante que la voz y no hace falta transcribir nada.
<div id="wipe1" class="wipe clip" data-start="4.9" data-duration="1" data-track-index="3"></div>
<div id="cap1" class="caption clip" data-start="0.5" data-duration="4.7" data-track-index="4">
<p>Este vídeo lo hizo un agente de inteligencia artificial, con el computador apagado.</p>
</div>
<audio id="vo1" src="assets/audio/p1.wav" data-start="0.5" data-duration="4.67" data-track-index="10"></audio>4. Revisar y renderizar
npx hyperframes@0.8.170 check
npx hyperframes@0.8.170 render -o demo.mp4check pasó con 35 de 35 textos con contraste suficiente después de un ajuste (lo contamos en errores frecuentes). El render tardó 39,9 segundos para 570 fotogramas, en una máquina de 4 núcleos y 15 GB de RAM sin GPU, muy parecida a un PC modesto. El MP4 pesa 1,4 MB.
El pedido que puedes copiar
Crea un vídeo de 60 segundos en 1920x1080 con HyperFrames sobre <tema>.
1. Escribe el guion en frases cortas, una por escena, y enséñamelo antes de seguir.
2. Genera la voz de cada frase con npx hyperframes tts y la voz ef_dora.
3. Mide cada audio con ffprobe y coloca escena, voz y subtítulo con esos tiempos.
4. Usa una transición corta entre escenas y mi paleta: <colores>.
5. Pasa npx hyperframes check, corrige los errores y renderiza a MP4.
6. Sube el MP4 a <carpeta o repositorio>.Para Shorts o Reels, pide --resolution portrait (1080×1920) al crear el proyecto con npx hyperframes init. HyperFrames trae además flujos de agente listos, como /faceless-explainer (explainer de 60-90 s a partir de un texto, sin grabar tu cara) o /product-launch-video (promo a partir de una web).
Vídeos que aportan algo: explainer animado y demo de app
Un vídeo de títulos que aparecen y desaparecen se nota hecho con plantilla. Lo que lo convierte en algo que la gente ve hasta el final es que la imagen explique lo que dice la voz: un gráfico que crece con datos reales, un cursor que hace clic donde se habla, un zoom al detalle. HyperFrames lo permite porque cada escena es HTML y JavaScript, y eso es justo lo que mejor escribe un agente de código.
Explainer de finanzas para YouTube (36 s)
El agente escribió el guion, calculó los datos (100 USD al mes al 7 % anual con capitalización mensual durante 20 años: 24.000 aportados, 52.093 al final) y los dibujó:
- 240 bloques que se llenan uno a uno mientras un contador sube hasta 24.000.
- Un gráfico de 20 barras apiladas (aportes en azul, interés en verde) que crece año a año con el saldo contando hasta 52.093.
- La parte del interés se resalta cuando la voz dice "28.000 los genera el interés compuesto", y después una llave marca los últimos 10 años: +34.785 USD, dos tercios del total.
- Cierre con la lección y el aviso de que es un ejemplo ilustrativo, no asesoría financiera.
La música de fondo la generó el propio agente con un script de Python (acordes y bajo sintetizados con numpy), así que no hay licencias que revisar. Render: 1 min 20 s para 36,5 s de vídeo en la misma máquina sin GPU.
Demo de una app o web (30 s)
Para enseñar un producto no hace falta grabar la pantalla: el agente monta un navegador falso con capturas reales y lo anima como un vídeo de lanzamiento. En nuestra demo del propio blog:
- El navegador entra con un giro en 3D y la barra de direcciones cambia en cada pantalla.
- La portada hace scroll suave hasta los destacados y las guías.
- El cursor va al buscador, hace clic (con una onda de color) y la cámara hace zoom a los filtros.
- En un artículo, zoom al botón "Ver el repositorio" con un rótulo que lo explica.
Render: 1 min 8 s para 30,5 s. Si tu app tiene web, sirve igual para un SaaS, una tienda o una app móvil (con capturas del teléfono en un marco vertical). Para producto web también tienes video-shotcraft, con 150 planos ya hechos.
Los pedidos que usamos
Haz un explainer de 40 s en 1920x1080 con HyperFrames sobre <tema de finanzas>.
Calcula tú los datos y enséñamelos antes de animar. La imagen tiene que explicar
lo que dice la voz: contadores que suben, un gráfico que crece y el dato clave
resaltado cuando la voz lo nombra. Voz ef_dora, subtítulos del guion, música
suave generada con Python y un aviso de "no es asesoría financiera" al final.Haz una demo de 30 s de mi app con estas capturas: <rutas>. Mételas en un
navegador con barra de direcciones, que entre con un giro 3D, haga scroll,
mueva un cursor que haga clic en <botón> y haga zoom con un rótulo en
<función clave>. Voz, subtítulos, música y cierre con <URL>.Para un vídeo de YouTube de 8-10 minutos, el método es el mismo encadenando más escenas. Con el ritmo que medimos (algo más de dos segundos de render por segundo de vídeo en 4 núcleos), calcula unos 20-25 minutos de render.
Vídeos para YouTube con tu PC encendido
Para un tutorial o un vídeo largo donde sales tú o tu pantalla, el flujo barato es este:
- Graba con Recordly: zoom automático en los clics y cursor suave, gratis y sin marca de agua.
- Limpia y subtitula con editonny desde Claude Code o Codex: quita pausas, respiraciones y errores, normaliza la voz a −14 LUFS y pone subtítulos palabra por palabra con Whisper en local. Antes de cortar te enseña una tarjeta de ajustes para que apruebes.
- Añade gráficos: escenas de motion del catálogo de editonny, o pídele al agente rótulos y transiciones con HyperFrames (
/talking-head-recutsuperpone títulos y datos sobre tu grabación;/embedded-captionssolo añade subtítulos). - Retoca a mano lo que quieras en Concat, que el agente también puede manejar por MCP.
La voz más barata y natural para YouTube sigue siendo la tuya grabada con un micrófono decente. La voz sintética encaja en explainers y promos; la clonada, cuando no puedes o no quieres grabar cada vídeo.
En un PC sin GPU la transcripción con Whisper va por CPU y tarda bastante más que la duración del vídeo; déjala corriendo mientras haces otra cosa.
Clonar tu voz: gratis en local o rápido pagando
- Gratis en tu PC: VoiceStudio funciona en CPU con motores ligeros, pide unos 10 GB libres en Windows y va lento. Usa un motor con licencia comercial (VoxCPM2, CosyVoice 3 o Kokoro, según sus fichas), nunca OmniVoice si vas a vender el vídeo.
- GPU por horas: Fish Speech Drama 3 necesita 48 GB de GPU; una L40 en RunPod salía a unos 0,82 USD por hora. Uso comercial gratis si facturas menos de 500.000 USD al año.
- API sin GPU: fish.audio o ElevenLabs. Sube una muestra limpia de tu voz y el agente genera los audios por API.
Clona solo tu voz o la de alguien que te haya dado permiso por escrito.
Herramientas de pago que suben la calidad (y cómo te guía Claude)
| Servicio | Qué aporta | Precio de referencia (nov. 2026) |
|---|---|---|
| ElevenLabs | Voces muy naturales y clonación instantánea | Starter 6 USD/mes con clonación instantánea; Creator 22 USD/mes con clonación profesional |
| fish.audio | Clonación y TTS barato por API | Plan gratis con 8.000 créditos/mes; Drama 3 a 50 USD por millón de caracteres |
| Proveedores de OpenMontage | Imágenes y clips generados con IA | Un corto de 60 s desde 1,33 USD según el README |
| RunPod | GPU por horas para clonar o generar en local | L40 48 GB desde ~0,82 USD/h |
La CLI de HyperFrames ya admite voces de ElevenLabs, editonny lo usa para música y efectos, y OpenMontage pide tu aprobación antes de gastar. No tienes que configurar nada a ciegas: pídele a tu agente que te guíe.
Quiero usar ElevenLabs para la voz de mis vídeos con HyperFrames.
Guíame paso a paso: dónde creo la clave de API, dónde la guardo como
ELEVENLABS_API_KEY en un archivo .env que no se suba a git, y cómo
pruebo que funciona con una frase corta. No me pidas que pegue la clave en el chat.Cuánto cuesta cada camino
| Camino | Gasto mensual | Para quién |
|---|---|---|
| Nube con Kokoro + HyperFrames | 20 USD (tu plan de Claude o ChatGPT) | Explainers, intros, promos y Shorts sin grabarte |
| PC con tu voz + Recordly + editonny | 20 USD (el mismo plan) + la luz | Tutoriales y vídeos de YouTube donde hablas tú |
| Cualquiera de los dos + ElevenLabs Starter | 26 USD | Voz clonada natural sin GPU |
| Producción con imágenes y clips de IA (OpenMontage) | 20 USD + 1-5 USD por vídeo | Vídeos con escenas generadas |
La opción más barata para empezar es la primera: con la suscripción que ya pagas para programar, el coste por vídeo es cero.
Errores frecuentes
Failed to load npm/gsap@3.14.2/dist/gsap.min.js: net::ERR_TUNNEL_CONNECTION_FAILEDenhyperframes check: el navegador del render no tiene acceso a la CDN (pasa en entornos en la nube con red restringida). Copia GSAP al proyecto (npm pack gsap@3.14.2) y enlázalo como archivo local.Transcription skipped: getaddrinfo ENOTFOUND huggingface.co: Whisper no pudo descargar su modelo porque la red bloquea Hugging Face. En la nube, usa los subtítulos sacados del guion; en tu PC, descarga el modelo una vez y ya funciona sin conexión.checkfalla por contraste en mitad de una transición: el panel de la transición tapa el texto con un color claro. Usa un color de fondo oscuro para el barrido o márcalo condata-layout-allow-occlusion.- El vídeo sale mudo: todo
<audio>necesita unid. - Un elemento que debía aparecer más tarde se ve desde el primer fotograma (a nosotros nos pasó con las ondas de los clics): un
fromTode GSAP dentro de la línea de tiempo pinta su estado inicial en el momento. AñadeimmediateRender: falsea esa animación. - editonny en Windows: no está validado por el autor; puede pedir el modo de desarrollador para crear los enlaces de la skill.
Preguntas frecuentes
¿Puede el agente hacer el vídeo con mi PC apagado?
Sí, si el vídeo no parte de una grabación tuya. En Claude Code en la web el agente genera voz, escenas, subtítulos y el MP4 en la nube. Grabar, editar tu material o clonar tu voz gratis necesita tu PC encendido.
¿Sirve con 8 GB de RAM y sin tarjeta gráfica?
Sí. Kokoro, HyperFrames, editonny y Recordly funcionan en CPU. Lo que se nota sin GPU es la velocidad de Whisper y de la clonación de voz.
¿Funciona igual con Codex?
Las skills de editonny y HyperFrames funcionan con Claude Code y con Codex, y Bang Motion con cualquier agente que lea su SKILL.md. El flujo es el mismo; cambia el comando para llamar a la skill.
¿Los vídeos se pueden monetizar en YouTube?
Las licencias del código no limitan los vídeos que produces. Revisa la licencia del modelo de voz, de la música y de las imágenes que uses, y añade valor propio: YouTube no monetiza contenido repetitivo producido en masa.
¿Qué sale mejor: voz sintética o clonada?
Para un explainer corto, Kokoro basta y es gratis. Para un canal donde la voz es tu marca, graba tu voz o clónala con un servicio de pago.
Conclusión
Con la suscripción de tu agente y herramientas open source puedes hacer explainers animados con datos reales y demos de producto en la nube sin encender el PC, y vídeos de YouTube con tu voz en un equipo de 8-16 GB. Empieza por la prueba de HyperFrames con Kokoro y, cuando grabes tu primer tutorial, sigue con editonny para los cortes y los subtítulos.
// código fuente
Nos ayuda a crecer
codigoagente es gratis y sin muros de pago. Si este artículo te sirvió, cualquiera de estas cosas mantiene el blog en marcha.
- Compártelo con alguien a quien le sirvaWhatsAppLinkedInXFacebook
- Llévate el kit para agenciasVer qué incluyeComprar
- Conoce a nuestro patrocinadorSafe Build Labs
Más sobre Agentes de IA

guía · Guía completa de ECC para Claude Code · #8
- Seguridad y revisión de código
- Claude Code

guía · Guía completa de ECC para Claude Code · #7
- Claude Code
- Skills para tus agentes

guía · Guía completa de ECC para Claude Code · #6
- Claude Code
- Skills para tus agentes