REAL Video Enhancer es una evolución completa de la antigua Rife ESRGAN App para Linux, una puesta al día que da acceso sencillo a interpolación de fotogramas y escalado mediante IA en Windows, Linux y macOS. La propuesta destaca por reunir en una sola interfaz funciones clave que antes exigían herramientas separadas o flujos complicados, y por apuntar a usuarios que buscan resultados modernos frente a alternativas ya desfasadas como Flowframes o enhancr.
En la práctica, esta aplicación centraliza dos tareas muy demandadas: aumentar la resolución de tus vídeos (upscaling) y crear fotogramas intermedios para animaciones más suaves (frame interpolation). Su vocación multiplataforma facilita que puedas trabajar en tu sistema favorito sin reinventar el flujo de trabajo, tanto si compilas desde el código como si empleas paquetes y métodos de construcción recomendados.
¿Qué es REAL Video Enhancer y por qué importa?
REAL Video Enhancer nace como una versión rediseñada y enriquecida de la aplicación Rife ESRGAN para Linux, incorporando la experiencia previa y ampliándola de forma notable. Su foco está en IA de superresolución e interpolación, apoyándose en modelos y librerías actuales que permiten dar el salto en calidad con respecto a software que se ha quedado atrás en mantenimiento o compatibilidad.
Además, el proyecto ofrece una solución unificada y más amigable que otros flujos tradicionales, evitando depender de múltiples utilidades parciales. La compatibilidad con Windows, Linux y macOS lo hace especialmente atractivo para creadores, restauradores y entusiastas que alternan entre entornos o colaboran en equipos mixtos.
Si vienes de herramientas como Flowframes o enhancr, te encontrarás con un enfoque más actual que, según las notas disponibles, busca cubrir huecos reales: desde la gestión de colas hasta correcciones específicas con determinados modelos (por ejemplo, DRUNet) y mejoras de rendimiento en macOS con MPS. Esto se traduce en menos fricción y mejores resultados en escenarios cotidianos de mejora de vídeo.
Descarga del código: rama Nightly y versión estable
Para trabajar con el proyecto desde su repositorio, puedes clonar tanto la rama Nightly (desarrollo continuo) como la rama estable asociada a una versión concreta. La idea es que si necesitas lo último (y asumes posibles cambios frecuentes) uses Nightly; si prefieres estabilidad, optes por la versión etiquetada.
Los comandos de clonación disponibles dejan claro cómo proceder con submódulos y, en el caso estable, con la rama específica. Así garantizas que todo el árbol de dependencias se obtiene a la primera:
Código:
# Nightly
git clone --recurse-submodules https://github.com/TNTwise/REAL-Video-Enhancer
# Stable
git clone --recurse-submodules https://github.com/TNTwise/REAL-Video-Enhancer --branch 2.3.4Al usar –recurse-submodules aseguras que los submódulos de los que dependa el proyecto se descarguen de manera automática, evitando inconsistencias. Si quieres reproducibilidad y menor riesgo de roturas, la rama estable (por ejemplo, 2.3.4) es tu mejor aliada.
Métodos de construcción: PyInstaller, cx_Freeze y Nuitka
Una vez tengas el repositorio, la construcción del ejecutable puede hacerse con distintas herramientas según el sistema y tus preferencias. El proyecto recomienda PyInstaller para Windows y macOS, cx_Freeze para Linux, y deja Nuitka como opción experimental para quienes quieran explorar.
Es una flexibilidad interesante: PyInstaller destaca por su facilidad para generar binarios autocontenidos en entornos de escritorio comunes; cx_Freeze suele integrarse bien en Linux y sus distribuciones; y Nuitka puede ofrecer beneficios en rendimiento y empaquetado, pero con matices, al ser más exigente en configuración y todavía considerado experimental en este caso.
El proceso de build se simplifica mediante un script que centraliza parámetros. La llamada base indicada es esta:
python3 build.py --build BUILD_OPTION --copy_backendEn esta línea, BUILD_OPTION representaría la herramienta elegida (por ejemplo, pyinstaller o cx_freeze), mientras que –copy_backend sugiere la preparación del entorno de ejecución con los componentes necesarios. Este enfoque reduce errores manuales y facilita repetir la compilación en diferentes máquinas.
Novedades clave en REAL Video Enhancer 2.3.7 (Pre-Release)
La preversión 2.3.7 llega con cambios muy concretos. En primer lugar, se añade PyTorch 2.9, una actualización relevante para modelos y flujos modernos de IA. Este salto de versión permite mejoras que se reflejan de forma directa en macOS gracias a MPS.
De hecho, se fuerza el uso de PyTorch 2.9 con MPS en macOS, lo que “debería permitir soporte para uint16” según las notas. Esto apunta a mayor compatibilidad y precisión en determinados procesos internos, especialmente en hardware Apple donde MPS (Metal Performance Shaders) es la vía de aceleración.
En el apartado de correcciones, se solventa un error con DRUNet en ciertas resoluciones, un problema que afectaba la ejecución del modelo en ese rango concreto. También se arregla un fallo al añadir a la cola en macOS y otro que provocaba problemas de reproducción cuando había múltiples pistas de subtítulos en el mismo vídeo.
Junto a lo anterior, se recogen notas adicionales importantes para la comunidad y la instalación: hay un Discord activo (enlace: https://discord.gg/S5UxqWgEBC), la instalación en macOS requiere seguir una guía de YouTube (enlace:
Por último, la versión en Flatpak ahora puede instalar cualquier backend, aunque puede toparse con dos restricciones: problemas de espacio temporal y la necesidad de memoria para completar la instalación. Según se informa, harían falta al menos 16 GB de RAM (con 8 GB de tmpfs) para que el proceso vaya fino, y podrían aparecer errores CUDA dependiendo de la configuración y la GPU. No hay garantías de que todo funcione en todos los sistemas.
Otras versiones publicadas
Además de la preversión 2.3.7, el histórico reciente incluye varias iteraciones que ayudan a entender el ritmo de desarrollo: 2.3.5, 2.3.4, 2.3.3, 2.3.2, 2.3.1, 2.3.0, 2.2.5 y 2.2.1. Aunque aquí no se desglosan sus cambios uno por uno, que aparezcan listadas refuerza la idea de evolución continua, con correcciones y mejoras frecuentes.
Para quienes valoran la estabilidad, la existencia de ramas/etiquetas estables (como 2.3.4) es una garantía de que se puede fijar un entorno de trabajo. Por su parte, las pre-releases ayudan a probar avances y a reportar incidencias antes de que sean promovidos a estables.
Compatibilidad, requisitos y particularidades por plataforma
REAL Video Enhancer funciona en Windows, Linux y macOS, lo cual cubre los entornos más habituales tanto en escritorio personal como en estaciones de trabajo. En macOS, el uso de MPS con PyTorch 2.9 fijado sugiere una vía clara para aprovechar la aceleración por GPU integrada, con las ventajas y límites propios de la plataforma Apple.
Si optas por Flatpak, debes tener en cuenta el requisito de memoria: se recomiendan al menos 16 GB de RAM totales con 8 GB de tmpfs durante la instalación de ciertos backends. La advertencia sobre posibles errores CUDA indica que, en sistemas con GPU NVIDIA y drivers concretos, puede haber ajustes finos por hacer.
En Linux, cx_Freeze es la herramienta de build sugerida, lo que suele integrarse bien con las dependencias habituales del ecosistema. En Windows y macOS se recomienda PyInstaller como vía rápida para empaquetar, facilitando la distribución y el despliegue sin romper rutas ni librerías.
Un punto a tener en cuenta es que el soporte de macOS es limitado en esta fase, ya que las pruebas se realizan en una máquina virtual. Es vital reportar errores y comportamientos extraños para que puedan evaluarse y solventarse en futuras compilaciones.
Interpolación y escalado: lo esencial del flujo
La gracia de REAL Video Enhancer está en que te permite realizar dos operaciones clave en restauración y mejora de vídeo con IA: interpolación de fotogramas y upscaling. La primera sirve para incrementar la fluidez generando fotogramas intermedios, mientras la segunda aumenta la resolución intentando conservar detalles y texturas.
Estas tareas suelen apoyarse en modelos de aprendizaje profundo (por ejemplo, basados en ESRGAN para superresolución), y en bibliotecas como PyTorch para ejecutar el cómputo sobre CPU o GPU. Que el proyecto actualice a PyTorch 2.9 es buena señal, pues introduce mejoras de compatibilidad y optimizaciones que los usuarios perciben en tiempos y estabilidad.
Respecto a la interpolación, el objetivo típico es reducir judder o duplicación en clips con bajo framerate o en contenidos con movimientos rápidos. En escalado, el reto es evitar artefactos (bordes duros, sobreenfoque, ruido) y mantener una textura natural. El equilibrio entre calidad y rendimiento vendrá dado por el modelo elegido, tu GPU y la configuración.
Un comentario de la comunidad recogido en las páginas del proyecto señala precisamente la necesidad de controlar la salida cuando el upscaling arroja resoluciones “demasiado grandes”. Esto refleja una preocupación real: poder fijar resoluciones destino más comedidas o ajustar el factor de escala para equilibrar tamaño de archivo, compatibilidad y calidad final.
Control del tamaño de salida y resolución
Si te preocupa que el resultado “se dispare” de tamaño, el primer consejo es revisar si la interfaz o el flujo permiten escoger un factor de escala más contenido (por ejemplo, 1.5x o 1.8x) o directamente una resolución objetivo intermedia en lugar de ir a 2x o 4x. Reducir el objetivo impacta en el peso del archivo y facilita la edición posterior.
En ausencia de un selector explícito, una estrategia práctica es encadenar el proceso: realizar primero un escalado moderado con el modelo elegido y, después, hacer un reescalado fino con una herramienta clásica que te permita dejar el clip justo donde lo necesitas. Así mantienes la mejora de detalle y controlas el producto final.
Ten presente que el bitrate y el códec elegidos durante la exportación también influyen de forma decisiva en el tamaño del archivo. Aunque el escalado aumente la resolución, ajustar el perfil del códec y el bitrate te permitirá moderar el peso sin destrozar la calidad. La clave es probar y encontrar el punto dulce para tu caso.
Gestión de colas, subtítulos y estabilidad
Según las notas de la preversión 2.3.7, se corrigió un problema al añadir tareas a la cola en macOS, algo importante si sueles automatizar lotes. Una cola sólida evita cuellos de botella y reduce el tiempo muerto frente a la pantalla, especialmente en renderizados largos.
También se ha abordado un fallo relacionado con vídeos que incluyen múltiples pistas de subtítulos, que podía causar problemas de reproducción. Si trabajas con material multilingüe o con subtítulos embebidos, esta corrección te ahorrará sorpresas a mitad de proceso.
Con DRUNet, se ha solventado un error a determinadas resoluciones. Este tipo de correcciones muestra que el proyecto atiende casos reales de uso y, con el paso de las versiones, va puliendo compatibilidad y robustez de los modelos integrados.
Consejos de instalación en macOS y nota sobre Gatekeeper
Para macOS, se recomienda seguir una guía de instalación disponible en YouTube (
El propio autor advierte que el soporte de macOS es limitado por realizar pruebas en una máquina virtual. Esto implica que ciertos errores específicos de hardware real pueden escaparse hasta que la comunidad los reporte. Cuanto más detalle aportes en tus issues (modelo de Mac, GPU, versión de macOS), más fácil será reproducir y arreglar.
Flatpak: backends, memoria y potenciales errores CUDA
La versión Flatpak puede instalar cualquier backend, lo que da bastante flexibilidad, pero no está exenta de condiciones. La nota de requerir al menos 16 GB de RAM (con 8 GB de tmpfs) durante la instalación de backends pesados es crítica para evitar errores por falta de espacio o fallos intermedios que obliguen a repetir el proceso.
Por otra parte, podrías encontrarte con errores CUDA según tu combinación de GPU, drivers y runtime. No hay garantías de que todo funcione en cada sistema, por lo que conviene revisar los logs y, si procede, abrir un issue con detalles del hardware, versiones y pasos que llevaron al fallo.
Comunidad, valoración y soporte
El proyecto invita a la comunidad a sumarse al Discord (https://discord.gg/S5UxqWgEBC), un punto de encuentro útil para dudas rápidas, intercambio de perfiles y seguimiento de avances. Reportar problemas mediante issues sigue siendo esencial para mantener la calidad y priorizar correcciones.
Entre los comentarios visibles, hay usuarios que puntúan con un “5” su experiencia y destacan que, en sus ratos libres, disfrutan mejorando metraje con este programa. También piden más control sobre la resolución de salida al hacer upscaling, una señal clara de la dirección que la herramienta puede seguir para contentar a quienes buscan ajustes finos.
Buenas prácticas para un flujo estable
Si vas a compilar, usa la rama estable cuando busques fiabilidad y deja Nightly para pruebas. Documenta tu entorno (versión de SO, drivers, GPU, versión de PyTorch) y guarda los comandos exactos que ejecutas; esto te ayudará a reproducir el entorno y a obtener soporte si algo falla.
Al trabajar con IA, controla el consumo de VRAM y RAM: cerrar aplicaciones pesadas paralelas y limitar procesos en segundo plano puede evitar cuelgues. Si notas inestabilidad, reduce la carga por lote, baja la resolución intermedia o cambia a un modelo menos exigente.
Comparativa rápida con alternativas “antiguas”
Las páginas de referencia subrayan que REAL Video Enhancer se posiciona como alternativa a Flowframes o enhancr, señalando que esas opciones “han quedado desfasadas”. Más allá del matiz, lo reseñable es que este proyecto se mueve con librerías y modelos actuales (por ejemplo, PyTorch 2.9 y mejoras con MPS), y publica correcciones específicas ante incidencias reales como DRUNet o los subtítulos múltiples.
Si vienes de esos entornos, lo lógico es probar este flujo en un proyecto controlado y comparar tiempos, calidad y estabilidad. La presencia de guías, canal de Discord y notas detalladas de versiones hacen más fácil adoptar la herramienta con confianza.
REAL Video Enhancer consolida en una sola solución la interpolación de fotogramas y el upscaling con IA para Windows, Linux y macOS, con cambios recientes clave como el salto a PyTorch 2.9, el uso forzado de MPS en macOS para habilitar uint16, y correcciones útiles en colas de macOS, DRUNet y manejo de múltiples subtítulos. Tienes clonación por ramas (Nightly/estable), métodos de build recomendados (PyInstaller, cx_Freeze, Nuitka en experimental) y una vía Flatpak que exige memoria suficiente y puede topar con errores CUDA. La comunidad está activa (Discord), hay valoraciones positivas y se percibe un interés real en ajustar funciones tan demandadas como el control fino de resolución de salida. Si quieres un flujo actualizado y coherente, aquí tienes una base sólida para tus proyectos de mejora de vídeo.
Continúar leyendo...