Recopilación de datos de vídeo para entrenar IA

RapidWorkers Team03 oct 2026 • 16 min de lectura
Recopilación de datos de vídeo para entrenar IA

Recopilación de datos de vídeo para entrenar IA: guía para equipos de ML

Desde 2025, Google, OpenAI y otros desarrolladores de modelos de vídeo pagan a creadores entre $1 y $4 por minuto de material inédito (Fuente: AI News, citando a Bloomberg, 2025). La recopilación de datos de vídeo para IA se ha convertido en un mercado propio, porque el vídeo que hay en internet o está protegido por derechos o no encaja con una tarea concreta.

Un equipo pequeño de ML no tiene presupuesto para miles de horas con licencia, y tampoco las necesita. Lo que suele necesitar es otra cosa: 300 clips de personas hablando a cámara en un idioma concreto, 500 vídeos en primera persona de una cocina o gestos con las manos grabados con poca luz. Este tipo de datos es más fácil de grabar que de encontrar.

Esta guía explica cómo recopilar datos de vídeo de personas reales mediante microtareas: qué incluir en tu especificación, cuántas personas necesitas, cómo calcular el presupuesto, cómo revisar los archivos y qué consentimiento necesitas cuando aparece una cara en pantalla. Si quieres una visión más amplia de las formas de conseguir datos de entrenamiento, consulta nuestro artículo sobre recopilación de datos de entrenamiento para IA; este se centra solo en el vídeo.

¿Qué tipo de datos de vídeo necesitan los modelos de IA?

"Vídeo para entrenar IA" es un encargo demasiado amplio. Los modelos de avatares, robótica y reconocimiento de gestos aprenden de grabaciones completamente distintas. Antes de redactar una tarea, decide a qué tipo pertenece tu caso.

Tipo de vídeo

Qué aparece en el encuadre

Para qué se usa

¿Sirve para microtareas?

Cabeza parlante (talking head)

Una persona que mira a cámara y habla

Avatares, sincronización labial, doblaje, reconocimiento visual del habla

Sí, el mejor formato

Gestos y movimiento

Manos o cuerpo realizando una acción definida

Control por gestos, apps de fitness, lengua de signos

Sí

Vídeo en primera persona (egocéntrico)

Las manos de alguien haciendo algo: cocinar, limpiar, reparar

Robótica, asistentes de RA

Sí, si basta con un móvil

Objetos y escenas

Un producto, una habitación o una calle desde distintos ángulos

Visión artificial, reconstrucción 3D

Sí

Captura especializada

Estudio, dron, cámara estéreo, sensores de profundidad

Conducción autónoma, modelos 3D de alta precisión

No, necesitas un proveedor especializado

Recopilar vídeo a través de una red distribuida de personas no es una idea nueva. El dataset Ego4D reunió más de 3.670 horas de vídeo en primera persona de 923 participantes en 74 ubicaciones de 9 países (Fuente: Ego4D). Participaron trece universidades, pero el principio es el mismo que en una plataforma de microtareas: muchas personas distintas graban su vida cotidiana siguiendo unas instrucciones comunes.

Nota: decide de antemano qué es señal para tu modelo y qué es ruido. Para la sincronización labial, el fondo es ruido, así que pide uno neutro. Para el reconocimiento de escenas, el fondo es el dato, así que conviene pedir variedad a propósito.

Especificaciones del vídeo: qué definir antes de empezar a recopilar

El vídeo tiene más parámetros que las fotos o el audio, y cada parámetro que dejes abierto lo elegirán los trabajadores por su cuenta. Acabas con la mitad de los clips grabados en horizontal y la otra mitad en vertical, y el dataset necesita limpieza. Estos son los parámetros que conviene fijar en la tarea.

Parámetro

Requisito habitual

Por qué importa

Orientación

Vertical u horizontal, la misma para todos

Los encuadres mezclados hay que recortarlos o descartarlos

Resolución

Al menos 1080p

Con baja resolución se pierde detalle de la cara y las manos

Fotogramas por segundo

30 fps; 60 fps para movimientos rápidos

Con pocos fotogramas, los gestos salen borrosos

Duración

Un rango concreto, p. ej. 1:50–2:10

Si no, recibirás clips de 20 segundos y de 10 minutos

Encuadre

"Cara completa, de los hombros a la parte superior de la cabeza" o "ambas manos visibles en todo momento"

Los trabajadores no saben en qué se fija el modelo

Iluminación

Luz frontal o lateral, sin una ventana luminosa detrás

El contraluz convierte la cara en una silueta oscura

Audio

Sin música ni televisión de fondo

Para sincronización labial y habla, el sonido de fondo es un defecto

Procesado

Sin filtros, modo belleza, estabilización con recorte ni edición

Los filtros alteran la cara y el color, y el modelo aprende distorsiones

Formato de archivo

MP4 (H.264) o MOV, el archivo original sin recomprimir

Las apps de mensajería comprimen mucho el vídeo y eliminan los metadatos

No hace falta exigirlo todo a la vez. Cada requisito estricto reduce el número de personas dispuestas a aceptar la tarea y sube la recompensa por la que aún la aceptarán. Quédate solo con lo que de verdad afecta al modelo. Si necesitas vídeo de alta calidad, como un dataset de vídeo en 4K, pídelo solo donde el detalle fino importe de verdad.

Consejo profesional: pide a los trabajadores que suban los archivos originales directamente desde la galería del móvil en lugar de enviarlos por una app de mensajería. Así se conservan la calidad y los metadatos (fecha de grabación, modelo del dispositivo y a veces la orientación), lo que después facilita detectar clips antiguos o reciclados.

Cuántas personas y vídeos necesitas: la diversidad vale más que las horas

El error más común con los datasets de vídeo es medir el volumen en horas. Cien horas de vídeo de diez personas enseñarán al modelo a reconocer a esas diez personas. Diez horas de mil personas distintas suelen dar mejores resultados, porque el modelo necesita generalizar, no memorizar.

Por eso es mejor construir tu plan de muestreo en torno a dimensiones de diversidad que en torno al número total de clips. En vídeos con personas, normalmente importan estas:

  1. País e idioma. Los acentos, las expresiones faciales y los gestos cambian de una región a otra.
  2. Edad y género. Un modelo entrenado solo con caras jóvenes funciona peor con caras mayores.
  3. Apariencia. Gafas, barba, gorros o pañuelos, distintos tonos de piel.
  4. Condiciones de grabación. Luz natural y artificial, interiores y exteriores.
  5. Dispositivos. Cada modelo de móvil procesa el color y la nitidez de forma diferente.

Una regla práctica: limita el número de clips por persona. Si un trabajador muy activo envía 50 de tus 300 vídeos, el dataset se inclinará hacia él. Para la mayoría de las tareas basta con un envío por persona que incluya varios clips; por ejemplo, tres vídeos de dos minutos en habitaciones distintas.

En una plataforma de microtareas, el país y el idioma se fijan con la segmentación geográfica: en RapidWorkers, solo los trabajadores de los países que elijas pueden ver la tarea. La edad, la apariencia y las condiciones no se pueden filtrar así, de modo que compruebas su equilibrio después del piloto y cubres los huecos con tareas aparte.

Nota: reserva desde el principio un 10–15% de las personas para el conjunto de prueba y no uses nunca sus clips en el entrenamiento. Divide por persona, no por archivo: si los vídeos de una misma persona acaban tanto en entrenamiento como en prueba, tus métricas mostrarán una calidad mayor de la que el modelo tiene en realidad.

Cómo lanzar una recopilación de datos de vídeo con microtareas

Una tarea de grabación de vídeo es más difícil que una de etiquetado: el trabajador le dedica 10–20 minutos, así que un error en las instrucciones sale más caro. Esta secuencia te ayuda a no tener que repetir la recopilación:

  1. Graba tú mismo un ejemplo. Dos clips cortos: uno correcto y otro con un error típico. Los trabajadores miran un ejemplo con más atención de la que leen un texto.
  2. Escribe un guion, no solo requisitos. "Cuéntanos qué has desayunado" funciona mejor que "habla de cualquier cosa": el habla suena más natural y la gente se bloquea menos delante de la cámara. Ofrece 3–5 temas para elegir.
  3. Elige los países. Una tarea por idioma o región. Así es más fácil controlar el equilibrio y fijar recompensas distintas.
  4. Indica cómo se usarán los vídeos. Una frase al principio de la tarea. Más sobre el consentimiento abajo.
  5. Haz un piloto con 10–20 personas. Mira cada clip hasta el final y anota qué entendieron mal los trabajadores.
  6. Corrige la tarea y escala. Normalmente cambian 2–3 líneas de las instrucciones tras un piloto. Después abre plazas en lotes de 100–200.

Así podría ser una tarea de vídeo de cabeza parlante:

Para qué: los vídeos se usarán para entrenar un modelo de sincronización labial.
Qué hacer: graba 3 vídeos de 2 minutos cada uno hablando en español sobre uno de los temas de abajo.
Temas: tu día a día; tu plato favorito; tu último viaje.
Encuadre: cara completa, de los hombros a la parte superior de la cabeza, móvil en vertical, luz frontal.
No: uses filtros, pongas música, leas de una pantalla ni salgan otras personas en el encuadre.
Cómo enviarlo: 3 archivos MP4 originales desde la galería de tu móvil.
Ejemplos: [ejemplo correcto] [ejemplo con un error]
Consejo profesional: si necesitas varios clips de una misma persona, pídele que grabe cada uno en una habitación distinta o a otra hora del día. Así consigues más variedad de condiciones por el mismo dinero.

Cuánto cuesta la recopilación de datos de vídeo

En el mercado de licencias, el vídeo se paga por minuto: el material inédito corriente cuesta $1–2 por minuto, mientras que el 4K y las tomas con dron cuestan más. Pero eso es vídeo ya hecho de cualquier cosa. En una plataforma de microtareas pagas por material grabado según tu propia especificación, así que tiene más sentido calcular el precio por el tiempo del trabajador que por la duración del clip.

Tres vídeos de dos minutos no son seis minutos de trabajo. El trabajador tiene que leer la tarea, encontrar buena luz y un sitio tranquilo, repetir las tomas fallidas y subir los archivos. El tiempo real es dos o tres veces la duración del vídeo, y en eso debes basar la recompensa.

En RapidWorkers, el empleador fija la recompensa por tarea, con un mínimo de $0.05. Se añade una comisión de la plataforma del 15%, el depósito mínimo es de $20 y no pagas por los envíos rechazados. Presupuestos de ejemplo para tareas de vídeo habituales:

Tarea

Tiempo del trabajador

Recompensa de ejemplo

Volumen

Total con comisión del 15%

2 vídeos cortos en inglés, cualquier país

5 minutos

$0.30

300 personas

$103.50

10 vídeos cortos de gestos con las manos

10 minutos

$0.75

500 personas

$431.25

3 vídeos de dos minutos en español, Latinoamérica

15 minutos

$2.00

300 personas

$690

5 minutos de vídeo en primera persona en una cocina

20 minutos

$2.50

200 personas

$575

Las recompensas de la tabla son orientativas. Si una tarea se llena despacio, sube la recompensa: los trabajadores eligen qué trabajos aceptar. Los idiomas poco comunes y la segmentación por países muy concreta suelen requerir una recompensa más alta, porque hay menos trabajadores.

Advertencia: no metas más de 20–30 minutos de trabajo en una sola tarea. Las tareas largas se abandonan a medias con más frecuencia, y un solo error estropea muchos vídeos a la vez. Divide los volúmenes grandes de una misma persona en varias tareas más cortas.

Para saber más sobre presupuestos y las condiciones de precios para empleadores, consulta la sección de costes de nuestra guía de recopilación de datos de entrenamiento para IA.

Cómo revisar los vídeos recopilados

Ver a mano cientos de horas de vídeo es caro, así que la revisión funciona como un embudo: primero unos filtros automáticos baratos eliminan los defectos evidentes y después una persona revisa lo que queda.

Comprobaciones automáticas

La mayoría se pueden hacer con herramientas abiertas como ffprobe y modelos de detección de caras ya disponibles:

  1. Parámetros técnicos. Duración, resolución, fotogramas por segundo, orientación y presencia de pista de audio.
  2. Cara en el encuadre. Un detector de caras aplicado a fotogramas de muestra indica si hay exactamente una cara, si está cortada y si aparecen otras personas.
  3. Habla. Un detector de actividad de voz descarta los clips en los que la persona está callada o suena música. La identificación automática del idioma detecta el habla en un idioma equivocado.
  4. Duplicados. Un hash perceptual de los fotogramas clave encuentra clips idénticos o reeditados, incluso si los enviaron cuentas distintas.
  5. Metadatos. Una fecha de grabación muy anterior al lanzamiento de la tarea suele indicar que el trabajador envió un vídeo antiguo.

Revisión manual

Tras la pasada automática, una persona comprueba lo que un script no puede juzgar: si el habla suena natural, si la persona está leyendo de una pantalla y si aparece la misma cara en todos los clips de un mismo envío. Para ir más rápido, reproduce a mayor velocidad y revisa el principio, la mitad y el final.

Durante el piloto, revísalo todo. Cuando tu tasa de aprobación se mantenga por encima del 90%, puedes pasar a revisar por muestreo un 10–20% de los envíos de cada lote.

Nota: rechaza un trabajo solo si incumple una regla que estaba escrita en la tarea, y explica brevemente por qué. Grabar vídeo le lleva al trabajador mucho más tiempo que etiquetar, y los rechazos injustos alejan rápidamente a los trabajadores cuidadosos de tus próximas tareas.

Caras en cámara: consentimiento y biometría

Un vídeo con una cara y una voz es un dato personal y, si se extrae de él la geometría facial para identificar a alguien, también es un dato biométrico. En los datasets de vídeo, esta es la cuestión legal más delicada.

En la UE, estos datos están sujetos al RGPD, y los datos biométricos suelen requerir consentimiento explícito. En EE. UU., la ley más estricta es la BIPA de Illinois. Exige aviso por escrito, informar del propósito y del plazo de conservación, y una autorización firmada; desde 2024 también vale la firma electrónica. En las demandas basadas en esta ley, las indemnizaciones empiezan en $1,000 por infracción negligente y $5,000 por infracción intencionada o temeraria, y se cuentan por persona (Fuente: Enzuzo, 2026). En un dataset de unos cientos de personas, la cifra crece rápido.

Para reducir el riesgo, incluye estos cinco elementos en cada tarea de vídeo:

  1. El propósito en la primera línea de la tarea. Por ejemplo: "Estos vídeos se usarán para entrenar un modelo de sincronización labial y se conservarán un máximo de 3 años".
  2. Consentimiento explícito. Una confirmación escrita aparte en el formulario de la tarea, como una casilla con el texto "Acepto que estos vídeos se usen para entrenar IA". Una frase dicha en el propio vídeo no basta para leyes como la BIPA.
  3. Solo el trabajador ante la cámara. Prohíbe grabar a otras personas, sobre todo a niños, y establece que se rechazará cualquier clip en el que aparezca otra persona.
  4. Nada de más en el encuadre. Ni documentos, ni pantallas con datos personales, ni una dirección en un sobre encima de la mesa.
  5. Eliminación a petición. Guarda la relación entre cada archivo y el ID de su tarea para poder borrar los vídeos de una persona concreta si te lo pide.
Advertencia: esta sección es una visión general, no asesoramiento legal. Si recopilas vídeos con caras de residentes de la UE o de EE. UU. para un producto comercial, pide a un abogado que revise el texto del consentimiento antes del lanzamiento.

Preguntas frecuentes sobre la recopilación de datos de vídeo

¿Dónde puedo conseguir datos de vídeo para entrenar IA?

Hay tres fuentes. Los datasets de vídeo abiertos y gratuitos, como Ego4D, sirven para investigación y prototipos, pero revisa la licencia antes de usarlos con fines comerciales: muchos son restrictivos. El material ya hecho con licencia te da volumen, pero no se ajustará a tu especificación. Si necesitas personas, idiomas y condiciones de grabación concretos, tendrás que recopilar el vídeo tú mismo, a través de una agencia o de una plataforma de microtareas.

¿Cómo creo un dataset de vídeo para IA?

Redacta una especificación: tipo de vídeo, orientación, duración, encuadre, iluminación y audio. Planifica la diversidad por países y personas, haz un piloto con 10–20 personas y corrige la tarea según los resultados. Después escala por lotes, revisa los archivos de forma automática y manual, y reserva desde el principio un conjunto de prueba dividido por persona.

¿Cuántos vídeos hacen falta para entrenar un modelo de IA?

No hay una cifra universal: depende de la tarea y de si entrenas desde cero o ajustas (fine-tuning) un modelo existente. A veces el ajuste funciona con unos cientos de clips de personas distintas; entrenar desde cero requiere órdenes de magnitud más. Lo más seguro es empezar con un piloto, medir la calidad en un conjunto de prueba y añadir datos por lotes mientras las métricas sigan mejorando.

¿Qué resolución es mejor para vídeos de entrenamiento de IA?

Para la mayoría de las tareas con personas basta con 1080p a 30 fps, y casi cualquier móvil actual graba así. El 4K y los 60 fps ayudan con el detalle fino y los movimientos rápidos, pero aumentan el tamaño de los archivos y reducen el número de trabajadores disponibles.

¿Cuánto cuestan los datos de vídeo para entrenamiento?

Las licencias de material ya hecho cuestan aproximadamente $1–4 por minuto. El material grabado según tu propia especificación mediante microtareas se paga por tarea: el empleador fija la recompensa, que en nuestros ejemplos va de $0.30 a $2.50. Un piloto con 10–20 personas cuesta unos $5–60, y una recopilación con varios cientos de personas asciende a cientos de dólares, comisión incluida.

¿Puedo usar vídeos de YouTube y redes sociales?

Es arriesgado. Que un vídeo sea público no significa que su creador y las personas que aparecen hayan aceptado su uso para entrenar IA, y las condiciones de las plataformas suelen prohibir la descarga masiva. Precisamente por eso las grandes empresas pagan licencias a los creadores y encargan grabaciones con consentimiento.

¿Es legal recopilar vídeos con caras para entrenar IA?

Sí, con consentimiento. La cara y la voz son datos personales y, cuando se usan para identificar a alguien, también datos biométricos. Indica el propósito y el plazo de conservación en la tarea y obtén un consentimiento explícito antes de que empiece la grabación.

Los datos de vídeo para tu tarea dependen de la especificación

Un buen dataset de vídeo rara vez depende del presupuesto. Depende de con qué precisión describiste lo que debía aparecer en el encuadre y en qué condiciones, y de cuántas personas distintas lo grabaron.

Las ideas clave:

  1. mide el volumen en personas y condiciones, no en horas de vídeo;
  2. fija la orientación, la duración, el encuadre y la iluminación en la tarea, y muestra un vídeo de ejemplo;
  3. basa la recompensa en el tiempo real del trabajador, que es dos o tres veces la duración del clip;
  4. primero comprobaciones automáticas, después revisión manual, y un conjunto de prueba dividido por persona;
  5. consentimiento con propósito y plazo de conservación indicados en cada tarea en la que aparezca una cara.

Si quieres poner a prueba tu especificación en la práctica, lanza un pequeño piloto en la sección AI Tasks de RapidWorkers: elige tus países, fija una recompensa y recibe tus primeros clips para revisarlos.

¿Listo para empezar?

Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.

  • Sin suscripción
  • Cancela cuando quieras
  • Disponible 24/7
  • Resolución de disputas