La Planificación del Lenguaje de Video (VLP) es un algoritmo que, mediante el entrenamiento de modelos de lenguaje visual y de texto a video, permite la planificación visual de tareas complejas a largo plazo. VLP recibe como entrada instrucciones para tareas de larga duración y observaciones de imágenes actuales, y genera un plan detallado multimodal (video y lenguaje) que describe cómo completar la tarea final. VLP puede generar planes de video a largo plazo en diferentes ámbitos robóticos, desde la reordenación de múltiples objetos hasta la manipulación diestra con dos brazos y múltiples cámaras. La planificación de video generada se puede transformar en acciones robóticas reales mediante una estrategia de condición de objetivo. Los experimentos demuestran que, en comparación con métodos anteriores, VLP mejora significativamente la tasa de éxito en tareas a largo plazo.