Runway Characters: los avatares de vídeo en tiempo real de Runway funcionan ahora en cuatro GPU H100 en lugar de ocho
Runway detalla cómo sirve Characters, sus personajes de vídeo conversacionales generados a partir de una sola imagen: un modelo de unos 57.000 millones de parámetros que debe producir vídeo a 24 fotogramas por segundo para un único usuario, ahora en cuatro H100 por sesión en lugar de ocho.
Un avatar que responde en vídeo, en directo, no puede permitirse retrasos. Esta es la restricción que describe Runway en una publicación de investigación difundida el 5 de noviembre, acompañada de un artículo técnico: cómo servir Characters, sus personajes conversacionales creados a partir de una sola imagen, mediante un modelo de vídeo de unos 57.000 millones de parámetros.
Un reloj que nunca se detiene
La generación de vídeo tradicional trabaja al ritmo del modelo: se escribe un prompt, se espera y se recibe un clip. Por el contrario, un personaje conversacional debe seguir el ritmo de su interlocutor. A 24 fotogramas por segundo, el modelo debe producir un bloque de cuatro fotogramas en 704 x 1088 cada 166,7 ms, durante todo el tiempo que se prolongue la conversación. Cada fotograma lleva su parte de sonido: un bloque rezagado congela el rostro y corta la voz al mismo tiempo.
Resulta imposible, además, mutualizar el cómputo entre usuarios como hacen la mayoría de los servicios de IA: cada sesión es un flujo privado, en un cara a cara directo. Todas las ganancias debían provenir, por tanto, del interior de cada etapa de cálculo.
La mitad de GPU por sesión
En el momento del lanzamiento, Characters requería ocho H100 por sesión. En cuatro, el software original tardaba 240,9 ms por paso, algo inviable. Runway detectó que el 29% del tiempo de GPU se dedicaba a reprocesar una caché casi idéntica; al realizar este trabajo una sola vez, en la escritura de cada fotograma, la gestión de la caché pasa de 69,7 ms a 6,2 ms por paso. Un kernel que fusiona cómputo y comunicación entre GPU, sumado a una GPU dedicada a la decodificación de fotogramas, completan la solución. El resultado: 159,3 ms por paso, equivalente a 24,5 fotogramas por segundo sobre cuatro H100, y 147,4 ms con el kernel fusionado. El sistema también funciona en tres B200.
Para verificar que la calidad no se degrada, Runway comparó la sincronización labial en 51 clips: las desviaciones se mantienen en el mismo orden que las variaciones entre dos ejecuciones idénticas. La publicación relata asimismo los contratiempos: fugas de memoria tras una actualización de software y una simple llamada de monitorización que elevaba el paso de 168,5 a 278 ms.
El verdadero cuello de botella: la voz
Medido en 51 turnos de palabra, el tiempo mediano transcurrido entre el final de la frase del usuario y la respuesta del personaje se sitúa en 2,13 s. La cadena de vídeo de Runway solo consume 0,49 s de ese total; el agente de voz, 1,42 s. Entre humanos, recuerda Runway, este silencio ronda los 208 ms de media.
Nuestro análisis
Este documento revela mucho sobre la viabilidad económica de los avatares en directo: cada conversación inmoviliza varias GPU de gama alta para una única persona, sin posibilidad de compartir recursos. Reducir esta necesidad a la mitad supone un ahorro directo en el coste de cada minuto de conversación, aunque Runway no haya anunciado cambios de tarifas. La conclusión más útil para creadores y marcas reside en otra parte: el vídeo ya no es el factor limitante; la espera ahora la impone la voz. Todas las mediciones proceden de Runway y corresponden a sus propios clips de prueba.
Fuentes
- Runway Research — Real-Time Video at Batch Size One (5 de noviembre de 2026) Fuente primaria
- arXiv — Runway Characters: Serving a 57B Video Diffusion Transformer for Real-Time Conversation Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
