IA local: modelos de texto, imagen, vídeo y música en tu PC

👁 124 lecturas

La IA local abarca todos aquellos modelos de inteligencia artificial que ejecutas directamente en los componentes de tu propio ordenador, procesando texto, imágenes, vídeo y pistas de música sin depender de servidores externos ni pagar suscripciones mensuales. Al trabajar por completo en local, los datos no salen de tu máquina y no existen cortes de conexión ni límites de uso por petición. Todo el rendimiento que detallo a continuación proviene de mis propias pruebas en un equipo con tarjeta Nvidia RTX 4090 de 24 GB, monitorizando el consumo exacto de VRAM y la velocidad de generación.

Actualización del 20 de octubre de 2026: cuatro nuevos modelos de pesos abiertos - Muse Spark Open, DeepSeek V4.1 Flash 1017, Step 5 y Nemotron 3.5 Super VL - son demasiado grandes para una sola GPU de 24 GB. Tamaños, licencias y mi prueba: IA de código abierto: pruebo 4 grandes modelos LLM.

Para una comparativa más amplia de generadores de vídeo con IA, con los resultados de mis pruebas, precios en USD y planes gratuitos: Crear vídeos con IA: el mejor generador según mis pruebas.

Los mejores modelos para ejecutar IA en local

Tras someter a prueba decenas de alternativas en mi banco de pruebas con Windows 11, estos son los modelos más eficientes clasificados por categoría, junto con sus requisitos reales y su aptitud para proyectos comerciales:

Empieza aquí: IA local en 4 pasos

1. Comprueba la memoria dedicada de tu GPU. En Windows, abre el Administrador de tareas, ve a Rendimiento, selecciona GPU y revisa la cifra de Memoria de GPU dedicada. Si tienes Nvidia, también puedes abrir la consola y teclear nvidia-smi. La VRAM dictará qué modelos puedes cargar sin caídas drásticas de velocidad.
2. Instala el entorno adecuado según tu objetivo.
   • Para redactar y programar con LLM: LM Studio ofrece una interfaz gráfica sencilla; Ollama funciona como servicio de fondo y servidor local.
   • Para recrear una experiencia tipo ChatGPT en tu navegador: conecta Ollama con Open WebUI.
   • Para generación visual y auditiva: descarga ComfyUI para trabajar con nodos en imágenes, clips y canciones.
   • Para pasar audios a texto: recurre a Whisper.
3. Descarga un primer modelo optimizado. En texto, empieza descargando Gemma 4 12B (ocupa unos 7 GB). Si buscas imágenes, prueba FLUX 3 Klein o Z-Image Turbo. Utiliza siempre repositorios oficiales y verificados en Hugging Face o la librería de Ollama.
4. Supervisa que el modelo entre al 100% en la GPU. Si empleas Ollama, ejecuta el comando ollama ps y confirma que indique 100% GPU. En cuanto una sola porción del modelo se desborda a la RAM convencional, la generación se ralentiza varias veces.

Texto: cómo exprimir un LLM local en tu equipo

Un LLM local sustituye las consultas a servicios cerrados para labores de resumen, traducción, redacción y análisis de textos técnicos. Al gestionarlos mediante plataformas como Ollama, LM Studio o directamente a través de llama.cpp, el núcleo de cálculo comparte la misma arquitectura subyacente. Los siguientes datos corresponden a mediciones directas en mi RTX 4090:

Las puntuaciones numéricas (escala 0-100) provienen de una prueba comparativa de redacción entre 7 modelos efectuada el 26.09.2026 y ponderada mediante evaluadores automáticos; en esa misma prueba, un modelo de pago comercial como Claude Haiku 4.5 registró 62,7 puntos. Todos los modelos de la tabla anterior cuentan con licencia Apache 2.0, lo que permite su explotación comercial directa. Para profundizar en el impacto del peso y los formatos binarios sobre la memoria, examina las variantes de GGUF y cuantización, así como las pruebas dedicadas a Gemma 4 31B en local sobre RTX 4090.

Imágenes: generadores visuales en local

La síntesis gráfica en local se apoya hoy principalmente en ComfyUI, un software modular que incorpora soporte inmediato para las arquitecturas más modernas. Frente a las versiones clásicas de Stable Diffusion, los desarrollos recientes resuelven la representación de manos y los textos incrustados con un salto cualitativo notable. A continuación detallo mis métricas en la RTX 4090:

Las mediciones excluyen la carga inicial en memoria desde el almacenamiento. Comprobé FLUX 3 Klein y Qwen Turbo el 17.10.2026 en ComfyUI 0.41, mientras que Z-Image se midió el 26.09.2026. Si cuentas con una GPU de entre 8 y 12 GB, FLUX 3 Klein es la alternativa idónea: apenas demanda 7,5 GB de VRAM. Para generar a máxima velocidad sin fines comerciales, Qwen Turbo procesa en 3-4 segundos. Si necesitas monetizar tus resultados de inmediato sin restricciones de ingresos corporativos, Z-Image Turbo es la opción idónea bajo Apache 2.0. Puedes profundizar en su despliegue práctico en el análisis de rendimiento de Qwen-Image 2.1 y en el flujo para crear una influencer IA en local.

Vídeo: generación local en GPU propia

El renderizado de vídeo sintético constituye la tarea más exigente a nivel de computación local. En una GPU de gama alta de 24 GB es viable procesar arquitecturas de hasta algo más de diez mil millones de parámetros, requiriendo entre uno y varios minutos de cómputo por cada fragmento corto de vídeo:

Medí Kandinsky 6.0 el 17.10.2026 y Wan 2.2 el 27.09.2026 en ComfyUI ejecutado con el parámetro --disable-smart-memory (sin esta instrucción, los tiempos se multiplicaban de forma acusada si coexistían otros procesos en paralelo). Puedes revisar la configuración paso a paso en las guías sobre LTX-Video en local y la creación de secuencias en vídeo de influencer IA en local.

Música y voz: canciones, locución y transcripción

Canciones con pista vocal

Evalué cuatro modelos locales facilitándoles la misma letra estructurada (balada con dos estrofas y dos estribillos), realizando tres pasadas por arquitectura. Posteriormente procesé los audios resultantes con Whisper para calcular de manera automatizada el porcentaje de palabras reconocidas con exactitud (test realizado el 17.10.2026):

ACE-Step 1.5 genera pistas completas de 2 minutos en un rango de 34 a 91 segundos, alcanzando un pico de entre 10,7 y 20 GB de VRAM bajo licencia MIT. YuE2 consigue un 100% de inteligibilidad al interpretar textos en inglés, pero su licencia CC BY-NC 4.0 restringe cualquier uso comercial. DiffRhythm 2 se limita estrictamente a fonética inglesa y china. Si requieres bandas sonoras instrumentales y efectos sin vocales, consulta la guía de Stable Audio 3, así como el análisis detallado sobre ACE-Step 1.5 en local y las condiciones de MiniMax Music 3.

Locución (TTS)

Para la síntesis de texto a voz, evalué tres alternativas locales en mi prueba del 08.10.2026 frente a motores en la nube:

Como referencia, el servicio comercial Eleven v4 alcanzó 15/15 puntos en ese mismo test, lo que evidencia que las opciones locales aún tienen margen de mejora en naturalidad, tal como analizo en la comparativa de voces IA. En transcripción de voz a texto (STT), Whisper large-v3 de OpenAI (licencia MIT) continúa siendo el estándar abierto indiscutible.

Hardware: qué puedes ejecutar según tu VRAM (8, 12, 16 y 24 GB)

La memoria VRAM determina el tamaño máximo de los modelos que puedes cargar de forma eficiente. Para analizar el comportamiento en tarjetas con menor capacidad que mi RTX 4090 de 24 GB, configuré simulaciones en Ollama limitando la descarga de capas hacia la GPU a los topes representativos de 8, 12 y 16 GB:

Cuando un modelo supera la capacidad de la memoria de vídeo y delega capas en la memoria RAM del sistema mediante el procesador, el rendimiento no se reduce de manera lineal, sino que se desploma de forma radical:

Para cotejar diversas tarjetas y arquitecturas bajo un criterio estandarizado, recurrí al registro público de mediciones en llama.cpp utilizando el modelo común Llama 2 7B cuantizado en Q4_0. La velocidad resultante guarda correlación directa con el ancho de banda del bus de memoria:

Sistemas Mac y ejecución en CPU

• Equipos Apple Silicon (Mac M): Cuentan con memoria unificada compartida entre el sistema operativo y los núcleos gráficos. En configuraciones de 16 GB es viable ejecutar Gemma 4 12B en Q4 (archivo de 7,0 GB), mientras que los modelos de 32 GB admiten Gemma 4 31B QAT (17,65 GB) o Qwen 3.8 27B. Ollama, LM Studio y ComfyUI ofrecen binarios para macOS (las velocidades citadas proceden de la tabla comunitaria de llama.cpp).
• Ejecución exclusiva en procesador (CPU): Es funcional para modelos de texto compactos y motores TTS como Piper, pero inviable en la práctica para vídeo o imagen compleja. En mis pruebas, desviar solo 18 de las 66 capas de Qwen a la CPU redujo la tasa de generación de 46 a 8,4 tok/s.
• Almacenamiento: Los modelos ocupan decenas de gigabytes. Emplea unidades SSD NVMe de alta velocidad; en mis pruebas iniciales con un disco externo USB limitado a unos 44 MB/s, la precarga de pesos extensos tardó varios minutos en completarse.

Herramientas para configurar tu entorno local

Todas las aplicaciones esenciales para poner en marcha tu laboratorio de IA son gratuitas y de código abierto.

LM Studio
Interfaz de escritorio intuitiva para buscar, descargar y chatear con LLM locales según tu hardware.

Ollama
Herramienta de terminal y servidor API ligero para ejecutar modelos de texto locales de forma ágil.

Open WebUI
Interfaz web avanzada estilo ChatGPT que se conecta a Ollama con soporte de historial y documentos.

ComfyUI
Entorno basado en nodos para generar imagen, vídeo y audio local mediante flujos de trabajo modulares.

Pinokio
Navegador e instalador en un clic que automatiza la configuración de aplicaciones y entornos de IA local.

Jan
Cliente de chat de código abierto que permite descargar y usar modelos locales en local sin complicaciones.

Si buscas una comparativa directa sobre las dos opciones más extendidas para gestionar modelos lingüísticos, revisa el análisis de Ollama vs LM Studio. En entornos con tarjetas Nvidia, asegúrate de compilar o descargar llama.cpp con aceleración CUDA: durante mis pruebas, la compilación sobre la API Vulkan arrojó un rendimiento entre 1,9 y 2,6 veces más lento.

Licencias: qué modelos admiten explotación comercial

El concepto de pesos abiertos no implica una autorización irrestricta. A continuación detallo los términos contractuales revisados directamente en las fichas técnicas de los proyectos en octubre de 2026:

Conviene prestar atención a modelos como MiniMax H3 y HunyuanVideo: sus licencias excluyen expresamente a los países miembros de la Unión Europea, por lo que su despliegue comercial o personal no está autorizado en territorio comunitario.

¿Compensa montar IA en local frente a las API?

La viabilidad económica depende del volumen de trabajo. En mis mediciones de consumo eléctrico sobre la RTX 4090, procesar lotes de inferencia en local representó una fracción mínima del coste recurrente que supondría invocar de forma continuada puntos de enlace en la nube. No obstante, amortizar la inversión inicial en tarjetas de gama alta exige cientos de horas de cómputo continuado. La IA local sobresale principalmente en soberanía de datos (ningún archivo privado abandona tu infraestructura física), disponibilidad sin conexión y eliminación absoluta de cuotas y filtros por llamada, tal y como analizo al calcular el coste real de un modelo local frente a una API.

Guías paso a paso del blog

• Open WebUI + Ollama: Configuración completa para disfrutar de una interfaz web con soporte para documentos e historial de chat.
• ACE-Step 1.5 en local: Generación de canciones completas con instrumentación y voz sintetizada en GPU propia.
• GGUF y cuantización: Análisis exhaustivo del rendimiento y pérdida de precisión entre formatos Q4_K_M, Q6_K y Q8_0.
• Pinokio en Windows: Instalación de herramientas y modelos de inteligencia artificial en un solo clic.
• Influencer IA en local: Metodología para diseñar personajes consistentes en múltiples modelos visuales evitando el aspecto artificial.
• Vídeo de influencer IA en local: Flujo de trabajo para renderizar clips cinemáticos consistentes empleando Kandinsky 6 y Wan 2.2.
• Ollama vs LM Studio: Comparativa técnica de velocidad, consumo de recursos y facilidad de uso entre ambas plataformas.
• LTX-Video en local: Despliegue del modelo de vídeo abierto en tarjetas gráficas domésticas.

Preguntas frecuentes

Fuentes

• Discusión comunitaria sobre llama.cpp en tarjetas Nvidia (#15013)
• Discusión de rendimiento de llama.cpp en Apple Silicon (#4167)
• Ficha técnica del modelo ACE-Step 1.5 en Hugging Face
• Condiciones de licencia de LTX-2 Community
• Ficha técnica del modelo Z-Image Turbo en Hugging Face
• Ficha del modelo Wan 2.2 TI2V 5B en Hugging Face
• Tablas comparativas de síntesis de voz en Artificial Analysis
• Mediciones de laboratorio en Fulgor con banco de pruebas Nvidia RTX 4090, 17 de octubre de 2026.
• Método de prueba: Laboratorio Fulgor

Comprobado el 17 de octubre de 2026.

// sigue leyendobasal-omni local: Ollama, llama.cpp y MacHerramientas de IALTX Video local: modelo abierto en tu GPU con medicionesRevistaQwen-Image-2.1: ranking completo de 29 modelos de imagen con datosRevista