Un fotograma cada vez: una nota de vídeo fiable

Tras un render, extraemos fotogramas del vídeo terminado y le preguntamos a un modelo de visión qué falla: texto encima del subtítulo, una imagen que no encaja con lo que dice la voz, el mismo plano mostrado dos veces. La respuesta se convierte en una nota y una lista breve de problemas, que aparecen junto al vídeo.

El 19 de septiembre volvimos a renderizar todos los vídeos de nuestra propia web y comparamos cada veredicto con los fotogramas que citaba. La mayoría de las quejas no se sostenían frente a los fotogramas. Un vídeo en francés perdía puntos por un desajuste que comparaba la narración de una escena con la imagen de la siguiente. Uno en alemán se calificaba de fragmentado por una composición que no aparece en ninguno de sus fotogramas.

Eso importa más de lo que parece. Si un vídeo limpio puede variar cincuenta puntos, una nota baja en un vídeo con un problema real tampoco dice nada, y quienes dependen de la nota, tú y nosotros, dejan de leerla. Una revisión en la que nadie cree es peor que ninguna, porque sigue costando atención.

Detrás de esos informes había un único mecanismo. Enviábamos seis fotogramas en una petición, cada uno con su etiqueta, y pedíamos los problemas de cada uno. En algún punto el modelo pegaba una etiqueta a la imagen equivocada: leía el subtítulo de la escena 4 mirando la escena 3, o mezclaba dos vecinas en un solo juicio.

La solución fue dejar de pedirle que mantuviera seis imágenes separadas. Una imagen y una pregunta por llamada no se pueden confundir. Ahora cada fotograma se evalúa solo, con la narración y el subtítulo de su escena al lado, y la nota del vídeo es la media de sus fotogramas.

Hay una pregunta que de verdad necesita todos los fotogramas a la vez: ¿dos escenas muestran el mismo plano? Un vídeo que se repite parece de relleno, y solo se nota comparando escenas una junto a otra.

Se convirtió en una segunda llamada, aparte, a la que no se le pregunta nada más. Se ganó su sitio en su primera semana al detectar dos escenas realmente idénticas en un vídeo vertical. Cada pareja repetida cuesta ahora una penalización fija y encabeza la lista de problemas, así que el motivo de una nota más baja es siempre lo primero que lees.

Parte del ruido venía de nuestras propias instrucciones. El prompt de evaluación aún describía una etiqueta en pantalla que el render ya no dibuja, así que el modelo la buscaba y la daba por ausente. La quitamos. Un revisor al que le dices que busque algo acaba encontrándolo, aunque no esté.

Después, los vídeos reevaluados volvieron con notas que coincidían con lo que veíamos:

• los vídeos de portada en inglés y en español con 100, sin problemas;
• el alemán con 85, por motivos comprobables;
• el francés y el vertical con una lista corta de quejas concretas que podíamos revisar una a una.

Antes de publicarlo, pedimos a un revisor independiente que atacara el cambio. Afinó los bordes: cada llamada por fotograma funciona o falla por su cuenta, así que una respuesta lenta nunca tira toda la auditoría, y el resaltado karaoke sigue pegado a la palabra exacta que acompaña.

Para que fuera repetible, escribimos un solo comando que vuelve a renderizar los vídeos de nuestra web, los espera e imprime cada veredicto junto a su duración y sus avisos. Termina con la frase que nos dejó esta semana: una nota es una pista. Abres los fotogramas antes de creerla.

Ese principio guía el producto. La nota de tu vídeo te dice dónde mirar; los fotogramas te dicen si es verdad. Puedes ver cómo se hacen y se revisan los vídeos en la página de funciones.