Artículo
Cloudflare presenta Clef-omni para clasificar contenido multimodal
Cloudflare anunció el 9 de octubre de 2026 Clef-omni, una nueva versión de su familia de modelos de decisión que procesa texto e imágenes junto con audio y video. La empresa lo ofrece a través de Workers AI y publicó los pesos del modelo en Hugging Face. La documentación de Clef-omni lo identifica como hospedado por Cloudflare, con una ventana de contexto de 64.000 tokens y un precio de USD 0,15 por millón de tokens de entrada.
La novedad es la combinación de modalidades en una misma solicitud. Un equipo puede enviar una pieza de video con su pista de audio y formular preguntas concretas sobre lo que necesita comprobar. Clef-omni devuelve probabilidades para las respuestas definidas en el esquema. No es una promesa de que el modelo entienda cualquier material ni una aprobación automática del contenido: el equipo debe escribir las preguntas, delimitar las opciones y decidir qué hacer con el resultado.
La propuesta puede interesar a quienes producen tutoriales, anuncios, cursos o videos de soporte. Una revisión inicial podría preguntar si aparece un producto, si una locución coincide con el mensaje aprobado o si el cierre muestra una instrucción específica. En vez de pedir un comentario abierto, el sistema trabaja con campos delimitados. Eso hace más fácil registrar criterios y comparar resultados, aunque no elimina la necesidad de revisar la muestra y los casos dudosos.
Un clasificador con criterios definidos
Cloudflare describe Clef-omni como un modelo de decisiones estructuradas. La solicitud contiene un estado que se evaluará y una lista de preguntas tipadas. Según la documentación, el estado puede incluir texto u objetos estructurados, y la respuesta entrega una probabilidad para cada opción permitida. El cliente puede formular hasta 64 preguntas por solicitud. Por eso, su papel se parece más a una etapa de clasificación que a un asistente que escribe un guion, transcribe una entrevista o entrega una evaluación narrativa.
Esta diferencia cambia la forma de probarlo. Antes de integrarlo, hay que decidir qué significa “correcto” para cada pregunta. “¿Se ve el producto?” puede resolverse con sí/no; “¿qué tipo de cierre aparece?” requiere opciones mutuamente claras; “¿qué tan audible es la voz?” necesita una escala definida. Si las alternativas se solapan o dejan fuera una situación frecuente, la probabilidad de salida no corrige ese defecto de diseño.
El anuncio de Cloudflare plantea que el modelo puede recibir audio y video directamente, en lugar de separar siempre esas señales en etapas distintas de transcripción y análisis de fotogramas. Es una posibilidad para simplificar algunos flujos, no una prueba de que todas las piezas de producción se vuelvan innecesarias. Todavía hacen falta preparación de archivos, reglas de decisión, tratamiento de errores, controles de privacidad y una persona responsable de la revisión final.
Qué podría revisar y dónde están los límites
| Revisión propuesta | Pregunta acotada | Qué aporta Clef-omni | Riesgo que debe quedar visible |
|---|---|---|---|
| Presencia del producto | ¿Aparece el producto en el fragmento? | Probabilidades para las opciones definidas por el equipo | Un plano breve puede caer entre fotogramas muestreados |
| Mensaje de una locución | ¿La voz menciona el beneficio aprobado? | Evalúa audio y video en una solicitud | Una respuesta probable no demuestra transcripción exacta ni contexto completo |
| Cierre de una pieza | ¿El video termina con la llamada a la acción esperada? | Clasificación contra alternativas explícitas | El muestreo puede omitir un cierre muy corto o leer mal texto en pantalla |
| Revisión de tutorial | ¿Se observa el paso visual que exige la lista? | Ordena comprobaciones repetibles para lotes de videos | Una lista aprobada no equivale a control de seguridad, derechos o calidad total |
La limitación más importante para una revisión cuadro a cuadro está en la propia documentación: el video se procesa mediante muestras de dos fotogramas por segundo. Un error que aparezca durante una fracción de segundo podría no estar representado. Por tanto, la herramienta podría ayudar a priorizar videos para una inspección humana, pero esa frecuencia no respalda una afirmación de auditoría exhaustiva ni de detección de todos los defectos.
También hay topes de entrada. La API acepta hasta dos videos por solicitud, de hasta 60 segundos y 16 MiB cada uno; hasta cuatro clips de audio de hasta 300 segundos y 8 MiB por clip; y el conjunto de audio y video no puede exceder 16 MiB decodificados. La pista de sonido se escucha junto con los fotogramas cuando todos los videos de la solicitud tienen audio. Las imágenes se limitan a cuatro archivos: hasta 4 MiB y 16 megapíxeles cada uno, con un máximo total de 8 MiB decodificados. Las URL remotas no se aceptan: los medios deben enviarse como datos incrustados.
Los medios y las preguntas cuentan dentro de la ventana de 64.000 tokens. Si por sí solos exceden ese contexto, la solicitud falla. Si caben, el texto del estado se trunca para ocupar el espacio restante.
El precio depende de los medios enviados
El precio publicado para Clef-omni es por tokens de entrada, no por video ni por revisión. Cloudflare explica que audio e imágenes se convierten a tokens facturables y que no cobra por tokens de salida. Como referencia aproximada, la documentación estima unos 8.600 tokens de fotogramas por minuto para un video de 480p y unos 780 tokens por minuto para el audio. Aplicando USD 0,15 por millón, un minuto de video de 480p con sonido representaría alrededor de USD 0,0014 en tokens multimedia.
Ese cálculo no es el costo de un flujo completo. No incluye el texto y las preguntas enviados, imágenes adicionales, reintentos, almacenamiento, procesamiento previo ni infraestructura alrededor de la API. Para presupuestar una integración hay que medir la resolución real, duración, presencia de sonido, tamaño de los lotes y tasa de revisión humana. Una prueba en un único clip corto no permite proyectar un mes de producción.
Cómo evaluarlo antes de confiarle una parte del flujo
Un piloto útil parte de videos autorizados y de una lista de errores conocidos. Cada pieza debería tener una etiqueta humana para cada pregunta: por ejemplo, “la marca aparece”, “la frase está completa” o “el cierre usa la versión vigente”. Conviene incluir casos normales, negativos difíciles y ejemplos ambiguos. Luego hay que medir dos fallos separados: material con defectos que el sistema deja pasar y material correcto que envía innecesariamente a revisión.
También se deben analizar los resultados por duración, iluminación, tipo de plano, acento y calidad del sonido. Cloudflare no establece en las fuentes consultadas una región concreta de procesamiento ni publica una medición específica de desempeño en español. Esa disponibilidad regional y esa calidad deben verificarse para la cuenta y el flujo propios; no corresponde asumir que están confirmadas para Chile.
Por último, los umbrales no deberían convertirse en una aprobación silenciosa. Un resultado de baja confianza puede ir a una cola humana; un resultado de alta confianza aún necesita controles adicionales si la pieza incluye afirmaciones sensibles, datos de clientes, música o material de terceros. Antes de enviar archivos reales, el equipo debe comprobar los términos aplicables, los permisos sobre los medios y las reglas internas de retención.
Clef-omni ofrece una forma acotada de evaluar varios tipos de señal con preguntas explícitas. Su valor práctico dependerá de que esas preguntas representen el estándar editorial, de que los medios quepan en sus límites y de que el equipo mida errores con ejemplos propios. Para aprender a diseñar y revisar flujos de IA aplicada con criterio humano, únete a la Comunidad IA gratuita.