¿Cómo funciona el face swap en tiempo real? El pipeline de IA por dentro

Tiempo real significa que el procesado entrega un fotograma sustituido lo bastante rápido como para que la reproducción no lo espere. A 30 fotogramas por segundo ese presupuesto son unos 33 milisegundos por fotograma; a 60, unos 16,7 milisegundos. Todo lo más lento tiene que descartar fotogramas, bajar la resolución de la vista previa o quedarse atrás.

Que ese presupuesto se alcance depende del modelo, la resolución y el hardware, así que conviene tratarlo como una propiedad que se puede medir y no como el nombre de una función. Aquí verás dónde se va el tiempo y cómo medir tu propia configuración.

Cuándo es realista el tiempo real y cuándo no

Una vista previa en vivo tiene sentido cuando necesitas juzgar un cambio antes de comprometer un render: una cara de origen, un ángulo difícil, una expresión. No es una promesa de calidad de exportación, y una vista previa que va al ritmo no dice nada del tiempo de render.

Encaja mal en grabaciones largas, trabajo por lotes y material que preferirías no subir, donde importa el tiempo total y no la latencia. El flujo local y la guía de vídeos largos cubren esos casos.

Dónde se van los milisegundos

Un cambio de cara en vídeo es una cadena, y un eslabón lento frena el fotograma:

1. Decodificar el fotograma comprimido a píxeles. La documentación de FFmpeg describe las etapas de decodificación, filtrado y codificación; el material de alta resolución cuesta tiempo aquí antes de tocar ninguna cara.
2. Detectar las caras, devolviendo una caja y una confianza por cara.
3. Marcar ojos, nariz y boca para poder alinear.
4. Alinear en un cuadrado fijo, que decide cuánta cara ve el modelo.
5. Identificar a qué persona sustituir cuando hay varias en el fotograma.
6. Generar una cara a partir de la identidad de origen, ajustada a la pose del destino.
7. Mezclar y, si estás grabando, codificar el fotograma.

De ahí salen dos consecuencias. Lo que importa es el caudal, no la velocidad media: 33 ms son una fecha límite, y solapar etapas solo ayuda si la cadena entera llega. Y la resolución multiplica el trabajo en varias etapas a la vez. Un fotograma de 3840×2160 tiene cuatro veces los píxeles de uno de 1920×1080, así que decodificar, componer y codificar crecen, mientras un modelo de cara puede seguir trabajando sobre un recorte de tamaño fijo. El tiempo total sube, pero no con un factor limpio de cuatro.

Qué muestra el procesado de fotos de este sitio

La herramienta de navegador de este sitio trabaja con imágenes fijas y cada coste es verificable en la especificación del producto, lo que la convierte en una referencia útil para las etapas 2 a 7.

• Detección. Usa FaceLandmarker de MediaPipe, configurado para una cara y en modo de imagen fija (especificación del producto). Se ejecuta en el navegador, prefiere la GPU y recurre a la CPU si hace falta, y descarga el modelo del almacenamiento de MediaPipe de Google en el primer uso.
• Alineado. Toma cinco puntos —los centros de los dos ojos, la punta de la nariz y las dos comisuras de la boca— y los ajusta a la plantilla del modelo en su tamaño de recorte nativo (especificación del producto): 128 px para inswapper_128 y 256 px para las variantes Hyperswap.
• Mezcla. Se ejecuta en tu propio lienzo y solo cambia la opacidad, con Difuminado de bordes (0 a 1, por defecto 0,4) y Área de fusión (0 a 50, por defecto 50) (especificación del producto). La cara no se mueve con ningún control, así que un control no arregla un recorte mal alineado.
• Salida. Un JPEG con marca de agua, codificado bajo un presupuesto de 6 MiB bajando la calidad por pasos (especificación del producto).

Como la detección funciona en modo de imagen fija, este procesado no puede seguir una cara en movimiento. Esa es la razón estructural por la que la herramienta de navegador es para fotos y el vídeo pertenece a la app de Windows.

Los plazos que lleva una solicitud de foto

Incluso un cambio de una sola imagen tiene presupuestos, y explican la mayoría de los "simplemente falló":

• 45 segundos para la vía síncrona (especificación del producto) y 150 segundos para un trabajo en cola;
• 6 envíos por minuto por sesión y 12 por minuto por red;
• un techo diario compartido de 800 llamadas al proveedor (especificación del producto).

Nada de esto mide calidad. Son los presupuestos que aplica el servicio, y un procesado de vídeo en vivo se diseñaría contra el mismo tipo de límite.

Qué falla y qué significa

Síntoma	Causa	Dónde se aplica
"No face detected"	No se encontró un conjunto de puntos ni una sola cara clara	Especificación del producto
Rechazo antes de enviar	Tipo de archivo fuera de JPG, PNG y WebP, archivo vacío o más de 20 MB	Especificación del producto
La foto llega más pequeña	Se escaló a 4096 px en el lado largo o a 16 MP	Especificación del producto
La API rechaza la imagen	Más de 6 MiB, 16 MP, 8192 px por lado o varios fotogramas	Especificación del producto
"The free demo is at capacity"	Techo diario compartido del proveedor alcanzado	Especificación del producto
Tiempo de espera agotado	Venció el plazo de 45 o de 150 segundos	Especificación del producto

Hay otro caso que no es un error: la vista previa puede ir al ritmo y la exportación no. Son ejecuciones distintas con ajustes distintos, así que cronométralas por separado.

Cómo probar una vista previa en tu propio PC

1. Elige un clip corto con un plano frontal, un giro y una mano o un mechón que cruce la cara.
2. Prepara una foto de origen con una luz parecida a la de la escena.
3. Anota resolución, GPU y ajustes antes de cambiar nada, para poder atribuir el resultado a una sola variable.
4. Mira la línea de la mandíbula, el nacimiento del pelo y los ojos en los momentos difíciles: deslizamientos, costuras o parpadeos.
5. Exporta un segmento y revísalo a tamaño completo. No juzgues la exportación por la vista previa interactiva.

ClapClip para Windows es donde se hace esa prueba con vídeo: vista previa local, procesado en el PC, descarga gratuita y exportación con compra dentro de la app. La página de la app de escritorio detalla el entorno admitido y la comparativa de software para PC cubre alternativas.

Escritorio y online son herramientas distintas

Herramienta de navegador para fotos	ClapClip para Windows
Solo imágenes fijas	Edición de fotos y vídeo
Detección y mezcla en el navegador, generación en un servidor	El procesado se queda en el PC
Gratis, sin cuenta y sin límite de cambios	Descarga gratuita; la exportación exige una compra dentro de la app
Funciona en móviles y en cualquier sistema de escritorio moderno	Windows 10 u 11

Entrada de cámara es un caso distinto de un archivo importado: para eso existe el flujo de cámara en vivo, que no debe confundirse con la vista previa de un clip.

Usa el navegador cuando el resultado sea una foto: la herramienta de fotos en línea no pide cuenta y termina en una sola solicitud. Usa el flujo en tiempo real para juzgar un clip antes de renderizarlo y lee la guía de cambio sin conexión si mantener el material en tu equipo es el criterio decisivo.

Preguntas frecuentes

¿El cambio de cara en tiempo real funciona en un PC normal?

A veces, y solo una prueba en tu máquina lo responde. La tasa de fotogramas depende del modelo, la resolución, el número de caras y los ajustes de la vista previa; una GPU compatible mejora las probabilidades sin garantizar una cifra.

¿Por qué es más lento con material 4K?

Un fotograma 4K tiene cuatro veces los píxeles de uno 1080p, lo que encarece decodificar, componer y codificar. La inferencia puede correr sobre un recorte de tamaño fijo y apenas cambiar. Cuánto frena depende de dónde gasta el tiempo tu procesado.

¿El procesado local es más privado que una herramienta en la nube?

La inferencia local elimina la subida, que es una vía de exposición, no todas. Los permisos de archivos, las copias de seguridad y el uso compartido de pantalla siguen existiendo, así que lee la documentación de privacidad de la app en lugar de dar por hecho que una ventana de escritorio lo mantiene todo local.

¿Qué etapa es el cuello de botella?

Cambia según la máquina: inferencia, decodificación, composición o codificación pueden dominar por turnos. Mide la cadena completa en lugar de suponer que la red neuronal es la parte lenta.

Fuentes y alcance

La guía de MediaPipe Face Landmarker documenta puntos y transformaciones para imágenes y vídeo, y la documentación de FFmpeg cubre la decodificación, el filtrado y la codificación de medios. Esas fuentes explican los componentes; no demuestran que este sitio reparta el trabajo de una forma concreta ni que alcance una velocidad concreta. Las referencias a la especificación del producto describen el procesado de fotos en el navegador, no el motor de vídeo de la app de escritorio, cuyos tiempos dependen de tu hardware y de los ajustes de exportación. Fuentes revisadas el 12 de octubre de 2026.