Modelos de IA con Replicate: API, precios y despliegue

Verificado con los precios y la documentación vigentes de Replicate el 5 de noviembre de 2026. La evaluación se basa en el comportamiento documentado y en ejemplos de facturación calculados.

¿Qué ofrece Replicate AI para ejecutar modelos de IA?

Replicate ejecuta modelos —programas empaquetados que reciben entradas y devuelven resultados— en una infraestructura que administra la propia plataforma. La aplicación envía un prompt, un archivo u otra entrada específica del modelo; Replicate crea una predicción, como denomina a cada ejecución, y devuelve el resultado o un identificador de tarea para consultarlo más tarde. El catálogo reúne modelos de código abierto y modelos propietarios: que un modelo esté en Replicate no significa que sea de código abierto. Replicate ahora pertenece a Cloudflare: en su anuncio de noviembre de 2025, Replicate indicó que mantendría su marca y su API, y el anuncio del cierre de la operación de Cloudflare confirmó su incorporación oficial el 1 de diciembre de 2025. Esto no convierte todos los modelos de Replicate en servicios alojados en el edge; la elección debe basarse en las capacidades documentadas del endpoint que se vaya a utilizar.

¿Para quién conviene Replicate y quién debería buscar otra opción?

Replicate encaja cuando se quiere incorporar inferencia —la ejecución de un modelo entrenado— a un producto que ya dispone de los componentes necesarios para gestionar usuarios, tareas y archivos. Este esquema sirve para añadir generación de imágenes a una aplicación SaaS, crear un editor de video asíncrono o integrar un clasificador de imágenes propio. Evita administrar servidores con GPU, pero el flujo del producto y la decisión sobre qué resultados son aceptables siguen siendo responsabilidad del equipo.

Las alternativas que merece la pena evaluar dependen de lo que se vaya a desplegar. Las siguientes recomendaciones responden al tipo de carga de trabajo; no son una clasificación basada en mediciones de velocidad.

Modal resulta más adecuado si se quiere definir en Python una aplicación propia para GPU junto con su entorno. Su modelo de ejecución definido mediante código ofrece mayor control a nivel de aplicación, a cambio de hacerse cargo de más código para servirla. El análisis de precios de Modal explica la facturación que implica esa elección.

fal AI frente a Replicate

Para un producto centrado en medios generativos, fal merece ser la primera alternativa que se compare. Replicate merece ese lugar cuando la misma aplicación también necesita modelos de la comunidad o un modelo propio empaquetado. Si ambas plataformas ofrecen el modelo elegido, hay que comparar las opciones de entrada, la unidad de salida, los controles operativos y la política de datos de esos endpoints. Afirmar que una plataforma siempre es más rápida o más barata no sirve como criterio de compra.

Si la decisión ya consiste en contratar capacidad de hardware de forma sostenida, conviene dejar de partir del catálogo. La comparativa de proveedores de GPU en la nube aborda esa siguiente decisión. Del mismo modo, quien no tenga conocimientos técnicos y busque un agente de soporte o una aplicación de edición de video listos para usar debería contratar esa aplicación: un endpoint de modelos deja mucho producto por desarrollar.

Cómo pasar de elegir un modelo a llamarlo por API

La primera integración con Replicate es pequeña, pero el esquema de la API del modelo —las entradas que acepta y los campos que devuelve— sigue determinando qué debe enviar y recibir la aplicación.

Qué modelos ofrece Replicate AI

Replicate distingue entre modelos oficiales y modelos de la comunidad. Su documentación de modelos oficiales promete instancias siempre listas, API de entrada y salida estables, mantenimiento activo y facturación predecible por entradas o salidas. Un modelo oficial puede invocarse con su propietario y su nombre, sin identificador de versión.

La documentación de modelos de la comunidad describe otras condiciones: las llamadas a la API identifican una versión concreta, la facturación suele depender del tiempo de hardware y los modelos poco utilizados pueden sufrir arranques en frío. Fijar la versión hace que la solicitud apunte a una revisión específica del paquete; no implica que todos los modelos compartan licencia o campos de entrada.

Antes de escribir la integración de una función del producto, hay que elegir el modelo. Conviene revisar su licencia, los tipos de archivo que admite, los parámetros obligatorios, la estructura de salida y la unidad de facturación. No basta con copiar una solicitud de un modelo de imagen y sustituir su nombre por el de uno de voz, porque sus entradas son distintas.

Cómo generar imágenes con Replicate AI

Replicate ofrece la generación de imágenes mediante endpoints de modelos individuales. Por ejemplo, Black Forest Labs FLUX Schnell recibe un prompt de texto y devuelve imágenes generadas. Para añadir esta función a un producto, se pueden probar primero las entradas del modelo desde su interfaz web y utilizar después ese mismo esquema en el backend.

Crea un token de API en tu cuenta y guárdalo en la variable de entorno REPLICATE_API_TOKEN del backend. La documentación sobre tokens de Replicate los trata como contraseñas: deben quedar fuera del código que se entrega al navegador y conviene usar tokens distintos para cada entorno.

Con esa variable configurada, se puede ejecutar esta solicitud HTTP. Utiliza tu cuenta de Replicate y puede generar el cargo correspondiente al modelo.

curl --fail-with-body --silent --show-error \
  https://api.replicate.com/v1/models/black-forest-labs/flux-schnell/predictions \
  --request POST \
  --header "Authorization: Bearer $REPLICATE_API_TOKEN" \
  --header "Content-Type: application/json" \
  --header "Prefer: wait" \
  --data '{"input":{"prompt":"A matte ceramic teapot on a wooden kitchen table","num_outputs":1}}' \
  > prediction.json

La respuesta es un objeto de predicción. Hay que revisar sus campos status, output y error, sin dar por terminada la generación solo porque la solicitud HTTP haya tenido éxito. La documentación de creación de predicciones establece una espera predeterminada de 60 segundos cuando se usa Prefer: wait. Es una configuración de espera de la solicitud, no una promesa de latencia. Si la ejecución sigue en curso, la respuesta incluye una predicción con estado starting o processing y una dirección urls.get para consultarla después.

Para usar el comportamiento asíncrono predeterminado, elimina Prefer: wait. La API devolverá entonces un identificador de tarea sin esperar a que termine. Los modelos oficiales, los de la comunidad y los despliegues tienen rutas de creación diferentes, documentadas en la referencia de la API HTTP. Utiliza el ejemplo generado para el modelo o despliegue que hayas elegido.

Cómo procesar video, voz y texto en segundo plano

Para tareas largas, Replicate funciona mejor cuando la aplicación conserva un registro del trabajo y recoge los resultados después de enviarlo. Un webhook, una notificación HTTP dirigida al servidor, permite reaccionar cuando termina sin mantener una solicitud abierta mientras espera el usuario.

Pensemos en un producto que convierte un guion aprobado por el cliente en un clip ilustrado. Hay que generar los medios, asociar el identificador de predicción al trabajo del cliente y recoger los archivos terminados antes de montar la entrega. La documentación de webhooks de Replicate contempla expresamente guardar los datos de las predicciones y pasar la salida de un modelo a otro. La aplicación sigue siendo responsable de coordinar el proceso y mostrar al cliente el estado final del trabajo.

Para video, conviene revisar la colección de texto a video y después la API del modelo elegido. Un modelo de texto a video y uno de imagen a video necesitan materiales iniciales distintos. Guarda el modelo seleccionado y las entradas junto con el trabajo para poder entender más adelante un fallo o un resultado insatisfactorio.

Cómo usar los modelos de voz de Replicate

La colección de texto a voz de Replicate ofrece modelos que convierten texto escrito en audio. Para narrar una demostración de producto, elige un modelo cuyos idiomas y controles de voz se ajusten al guion, genera la narración y guarda el audio junto con el resto del trabajo. La presencia de modelos de voz no demuestra que sean adecuados para una conversación telefónica interactiva; para eso hay que evaluar cómo responde el endpoint elegido dentro de la aplicación.

Replicate también aloja grandes modelos de lenguaje, que generan e interpretan texto, incluidos los de su colección de modelos de lenguaje. Se puede usar uno para redactar la narración o clasificar una solicitud entrante, y validar después el resultado antes de pasarlo a la siguiente etapa. La revisión del guion y el montaje final deben formar parte del flujo de la aplicación para que un resultado intermedio deficiente no acabe entregándose al cliente.

Cómo desplegar un modelo propio con Cog

Replicate puede servir un modelo entrenado propio cuando el catálogo público no incluye la lógica necesaria. Cog es la herramienta de código abierto que empaqueta el código, las dependencias y los pesos del modelo en un contenedor, es decir, un entorno de software reproducible.

Por ejemplo, una tienda que ya tenga un clasificador de imágenes de productos puede empaquetarlo y ofrecerlo como una API privada. Este proceso despliega un modelo que ya existe. Subir una carpeta no basta para entrenar un clasificador útil.

La guía para desplegar modelos personalizados y la guía de publicación con Cog describen el siguiente recorrido.

La dificultad práctica está en hacerse cargo del empaquetado. Ya no hay que operar el clúster de GPU, pero siguen haciendo falta código de inferencia que funcione, dependencias compatibles, hardware adecuado y un modelo que produzca resultados útiles. Si el modelo necesita más memoria de la que ofrece la máquina elegida, envolverlo en una API no elimina ese requisito.

Cómo controlar la capacidad con un despliegue

Los despliegues de Replicate proporcionan un endpoint dedicado y control sobre el hardware y el escalado. Esto cobra importancia cuando un modelo se vuelve una dependencia del producto y compartir una cola deja de ser una opción operativa aceptable.

La documentación de despliegues describe los límites mínimo y máximo de instancias, el escalado a cero, la supervisión y las actualizaciones graduales de versión. Una instancia es una copia del modelo en ejecución. Un mínimo de 1 mantiene una copia disponible; un mínimo de 0 permite apagar la capacidad que no se utiliza. Mantener una copia lista no significa que pueda absorber un pico ilimitado de tráfico sin capacidad adicional.

Para un clasificador de imágenes que atienda a clientes, conviene fijar el mínimo según la rapidez de respuesta necesaria y el máximo según la capacidad que se esté dispuesto a pagar. Hay que observar las instancias activas, inactivas y en arranque junto con los errores y la latencia de las solicitudes. Si el despliegue permanece inactivo buena parte del día, la capacidad debe revisarse al analizar costos. Si alcanza su máximo repetidamente, añadir reintentos a la API no creará más capacidad configurada.

¿Cuánto cuesta Replicate?

Replicate cobra por uso y determina la unidad de facturación modelo por modelo. Su página de precios vigente indica que algunos modelos se cobran por hardware y tiempo, mientras que otros se cobran por entradas y salidas. No existe un precio único por solicitud que describa toda la plataforma.

Estos son ejemplos publicados; no implican que sean los modelos más recientes o los mejores para una carga de trabajo concreta:

Para un equipo pequeño, lo razonable es comenzar por un modelo público con la salida y la unidad de facturación adecuadas. En un modelo público cobrado por tiempo, se paga el procesamiento de las solicitudes; la preparación y el tiempo inactivo son gratuitos. Los despliegues y la mayoría de los modelos privados cambian esas condiciones: se factura el tiempo de preparación, actividad e inactividad de las instancias. La excepción documentada para modelos privados es un ajuste fino identificado como de arranque rápido, que solo cobra el tiempo de procesamiento activo.

La documentación de facturación también distingue entre cuentas de prepago y cuentas con cobro a mes vencido. El uso de las primeras se descuenta del saldo; en las segundas, el consumo del mes anterior se cobra al comenzar el mes.

Dos ejemplos calculados permiten ver la diferencia. Generar 10,000 imágenes de salida con FLUX Schnell en un mes cuesta $30 con la tarifa publicada, sin contar otros servicios ni imágenes adicionales generadas. Por separado, mantener una T4 encendida durante un mes de 30 días cuesta $583.20: 720 horas multiplicadas por $0.81, antes de añadir instancias por escalado. Son formas de contratación distintas; no es una prueba de rendimiento que afirme que una T4 reproduce la salida o la capacidad de procesamiento del servicio de imágenes.

Como regla general, las ejecuciones fallidas no se cobran, pero la documentación de facturación mantiene los cargos por instancias activas de modelos privados y despliegues, por el tiempo consumido antes de cancelar modelos cobrados por tiempo y por posibles cargos de cancelación de modelos oficiales. Un modelo que llama a otros modelos también puede generar cargos por esas llamadas, incluso si la ejecución completa falla. Hay que estimar el costo de todo el flujo que se pretende ejecutar.

Qué límites de producción pueden cambiar la decisión

Replicate elimina la operación de GPU de la integración inicial, pero su documentación deja límites concretos que la aplicación debe resolver.

Arranques en frío y capacidad compartida

Replicate llama cold boot al arranque en frío: el modelo debe cargar su entorno y sus pesos antes de procesar la solicitud. La explicación de la arquitectura de la plataforma indica que los modelos públicos populares suelen mantenerse listos gracias al uso continuo, mientras que los menos utilizados experimentan arranques en frío con mayor frecuencia. Los modelos oficiales tienen, por separado, el compromiso de disponibilidad permanente descrito antes.

La consecuencia es concreta: una función interactiva basada en un modelo de la comunidad de uso ocasional necesita un estado de espera o un despliegue configurado para mantener capacidad disponible. Un lote en segundo plano puede tolerar el arranque de otra manera que un usuario que espera un resultado inmediato. No hay una cifra universal de latencia que sustituya la evaluación de ese modelo y esa carga de trabajo específicos.

Los límites de solicitudes se endurecen cuando baja el saldo

La documentación de límites de solicitudes de Replicate establece 600 solicitudes de creación de predicciones por minuto y 3,000 solicitudes por minuto para los demás endpoints. Se permiten picos breves por encima de esos valores; al aplicar restricciones, la API devuelve HTTP 429, y para obtener límites superiores hay que contactar con Replicate. Son límites de solicitudes a la API, no una promesa de que el modelo complete esa cantidad de tareas por minuto.

Una restricción menos evidente es el saldo de la cuenta. Replicate endurece los límites cuando queda poco crédito y recomienda activar la recarga automática para mantener el saldo por encima de $20. Las cuentas con crédito concedido y sin método de pago tienen otro límite: 1 solicitud por segundo, con un máximo de 6 por minuto.

Esto significa que una cola puede ralentizarse por el estado de facturación sin que el equipo técnico haya cambiado la configuración del despliegue. Conviene supervisar el saldo junto con los errores de las solicitudes, limitar los reintentos y espaciarlos progresivamente cuando haya restricciones, y evitar consultas de estado demasiado frecuentes que consuman el cupo de los demás endpoints.

La API y el navegador conservan los datos de forma distinta

La documentación de retención de datos de Replicate indica que los parámetros de entrada, los valores de salida, los archivos de salida y los registros de las predicciones de la API se eliminan al cabo de una hora de forma predeterminada. La aplicación debe guardar lo que necesite antes de que se borre. Por tanto, la URL de un archivo devuelto no equivale a un almacén permanente de recursos.

Los datos de las predicciones creadas desde el navegador se conservan indefinidamente. El sitio web ofrece la acción Delete para eliminar una predicción junto con sus datos y archivos de salida. Un experimento en el navegador y una integración por API tienen, por tanto, políticas de conservación diferentes; el comportamiento de uno no permite deducir el del otro.

En un flujo de producción, hay que guardar los medios terminados en un almacenamiento controlado por el equipo y conservar el modelo, las entradas y el estado de la tarea que necesite el proceso de soporte. La visibilidad del modelo es otro asunto: hacer privado un modelo personalizado controla quién puede acceder a él, pero no establece un compromiso distinto de retención. Del mismo modo, la página de retención por sí sola no respalda una afirmación general sobre el uso de datos para entrenamiento, su residencia regional o todos los requisitos contractuales de tratamiento de datos.

Elegir el modelo sigue siendo responsabilidad de la aplicación

El catálogo de Replicate es una capa de distribución y ejecución. Los permisos comerciales siguen dependiendo de la licencia del modelo seleccionado, y los esquemas de la comunidad varían. Cambiar de modelo debe tratarse como un cambio de la aplicación: hay que revisar la validación de entradas, los archivos de salida, los permisos y el costo antes de redirigir el tráfico de producción. Una plataforma uniforme no hace que todos los modelos sean intercambiables.

Veredicto: empezar con capacidad compartida y contratar capacidad dedicada por una razón concreta

Replicate es una opción sólida cuando el valor del producto está en lo que se construye alrededor del modelo y evitar la operación de GPU permite lanzarlo antes. Conviene empezar por un endpoint público adecuado y dar preferencia a un modelo oficial cuando su disponibilidad documentada, su interfaz estable y su unidad de facturación cubran los requisitos.

El paso a un despliegue debe responder a una razón identificable: código de inferencia propio, control del hardware, capacidad dedicada o una instancia lista para una función de cara al cliente. Los cargos de preparación e inactividad forman parte de esa decisión. Si el requisito principal es un catálogo especializado en medios, servir modelos de lenguaje, desplegar desde el Hub o ejecutar una aplicación de cómputo más amplia en Python, las alternativas anteriores sirven como punto de partida para comparar.

El primer hito de implementación debería ser completar un trabajo de principio a fin: enviarlo, detectar que ha terminado, guardar su salida y contabilizar su costo. Solo entonces corresponde decidir si la producción necesita el endpoint público o un despliegue dedicado.

Preguntas frecuentes sobre Replicate

La lista de verificación para auditar flujos de trabajo empresariales con IA ayuda a definir el trabajo que rodea al modelo antes de comprometerse con la función.