El buen tipo de vídeo falso

Abre hoy cualquier feed y encontrarás una cara diciendo algo que nunca dijo. Un político, una celebridad, un desconocido — colocados en una escena que nunca ocurrió, moviendo los labios con palabras que jamás pronunciaron. En apenas un par de años, el vídeo con caras intercambiadas pasó de curiosidad de laboratorio a ruido de fondo, y la mayoría de las veces te apunta a ti: para venderte, para difamar, para estafar, para hacerte dudar de lo que estás viendo.

En Annoying-Is-Caring construimos exactamente la misma tecnología. La usamos para convertir al abuelo en el héroe de una película de acción. A propósito. Y, en silencio, para enseñarle a una máquina algo profundamente humano.

La misma herramienta, la intención opuesta

Esta es la verdad incómoda sobre el face-swap: la tecnología en sí es neutral. A los píxeles les da igual si están falseando una confesión o poniendo la cara de tu padre en un plano heroico a cámara lenta alejándose de la explosión. Lo que separa a las dos cosas no es el software — es la intención, el consentimiento y el oficio.

El nuestro es deliberado en las tres:

Intención

Hacer sonreír a una persona concreta que quieres — no engañar a una multitud.

Consentimiento

Los vídeos los haces tú, para tu persona, a partir de fotos que son tuyas, compartidos en privado con alguien que los está esperando. La cara de nadie se difunde para engañar a un desconocido.

Oficio

Y en esta parte vale la pena detenerse, porque es aquí donde lo inquietante y lo encantador se separan de verdad.

Enseñarle a una máquina a ser graciosa

La gente da por hecho que una empresa de chistes es una fina capa sobre un gran modelo de IA. No lo es. La comedia es uno de los problemas genuinamente difíciles y sin resolver de la inteligencia artificial — y resulta ser una maravillosa maestra.

Un modelo puede escribir una frase gramaticalmente perfecta todo el día. Conseguir que escriba una que le arranque una carcajada durante el desayuno a una determinada persona de 78 años en un determinado pueblo es un deporte completamente distinto. Requiere ritmo, sorpresa, brevedad y un pequeño detalle personal que diga este se escribió para ti. Por eso no nos quedamos con el primer borrador: el sistema audiciona varias versiones de cada chiste y deja que un juez de IA elija la que más pega. En vídeo, el narrador incluso aprende el truco más antiguo del stand-up — la pausa, justo antes del remate.

La comedia con face-swap es donde todo eso se aterriza. Un chiste es abstracto hasta que está sobre una cara que reconoces, en una escena que resulta absurda precisamente porque son ellos. Construir eso bien obliga a los modelos a entender no solo «¿esto es gracioso?», sino «¿esto es gracioso sobre esta persona?» — una pregunta mucho más rica, mucho más difícil, y una lección mucho mejor.

Poner la cara correcta en la persona correcta

Lo que nos lleva a la ingeniería poco glamurosa que de verdad se come nuestro tiempo — y a la línea más clara entre un deepfake malicioso y uno alegre.

Un face-swap puede verse impecable — nítido, suave, creíble — y aun así estar completamente equivocado, porque puso la cara correcta en la persona equivocada. En un clip de una sola persona eso nunca pasa. Pero apúntalo a una escena real — dos personas bailando, una mesa a la hora de cenar, un momento de película con un corte en medio — y de repente la identidad lo es todo.

Nuestra maestra más clara fue un clip de dos bailarines. Fotograma a fotograma se veía genial. Y justo después de un corte de escena, intercambió ambas caras sobre la cabeza de un único bailarín — una persona con dos identidades, peleando por el mismo cráneo. Un fotograma precioso que estaba completamente equivocado sobre quién era quién. A un número en una gráfica eso le da igual; un humano retrocede al instante, porque todos estamos exquisitamente afinados para reconocer a las personas que queremos.

Arreglarlo es el trabajo: cortamos el vídeo en cada cambio de escena y decidimos quién es quién dentro de cada plano; nos quedamos solo con la mejor detección por cada cabeza, para que un primer plano no gane dos identidades; ejecutamos comprobaciones baratas y casi instantáneas que vetan los intercambios obviamente incorrectos que una simple puntuación de «calidad» dejaría pasar tan campante; y modelamos la cara con decenas de miles de puntos para que una identidad sobreviva a un giro de cabeza en vez de derretirse en otra persona.

Nos obsesionamos con esto por una razón sentimental con una consecuencia contundente: el regalo solo funciona si la persona en pantalla es, sin lugar a dudas, la persona que quieren. Equivoca la identidad y no tienes un vídeo gracioso — tienes uno inquietante, y el cariño desaparece. Hacerlo bien es exactamente la disciplina que separa una herramienta construida para encantar de una construida para engañar.

El futuro que de verdad queremos

El vídeo falso no va a volver a la caja. La pregunta interesante nunca fue «¿podemos detenerlo?» — es «¿hacia dónde lo apuntamos?». Puedes apuntar esta tecnología a erosionar la confianza, una mentira convincente cada vez. O puedes apuntar esos mismos píxeles a una sorpresa de treinta segundos que haga que alguien suelte una carcajada frente a su móvil y te conteste «MÁNDAME ESO OTRA VEZ». Uno de esos futuros es en el que nos gustaría vivir. Y lo maravilloso es que construir bien la versión alegre — con consentimiento, con cuidado, con la cara correcta en la persona correcta — es también la forma en que estamos enseñando a las máquinas a hacer algo que ningún benchmark captura aún del todo: ser graciosas, sobre alguien, a propósito.

La misma herramienta. La intención opuesta. Eso es toda la empresa.