Los Vehículos Aéreos No Tripulados (VANT) son capaces de proporcionar pistas visuales instantáneas y un alto nivel de transferencia de datos que podrían aprovecharse aún más para abordar tareas complejas, como la comprensión semántica rica de escenas. En este trabajo, nos basamos en el uso de Modelos de Lenguaje Grande (MLGs) y Modelos de Lenguaje Visual (MLVs), junto con una tubería de detección de última generación, para proporcionar descripciones textuales literarias de escenas de VANT en cero disparos. Los textos generados logran un nivel de grado mediano en la escala GUNNING Fog en el rango de 7-12. Las aplicaciones de este marco podrían encontrarse en la industria cinematográfica y podrían mejorar la experiencia del usuario en parques temáticos o en el sector publicitario. Demostramos una implementación práctica de última generación, altamente eficiente y de bajo costo de microdrones en un entorno bien controlado y desafiante, además de proponer el uso de métricas de legibilidad estandarizadas para evaluar las descripciones mejoradas por MLG.