Medios externos de SillyTavern en 2026: una reseña real

Los medios externos en SillyTavern se refieren a la capacidad de adjuntar imágenes, archivos de audio u otros medios a los mensajes que se envían al personaje de IA. Cuando se activan, el contexto del personaje incluye metadatos o descripciones de los medios, lo que permite que la IA los reconozca y reaccione a ellos. Esta función es compatible con varios backends de API, como KoboldAI, OpenAI (con modelos de visión como GPT-4V) y Claude. Los medios normalmente se convierten en una descripción de texto o en una entrada codificada en base64, según la API. Por ejemplo, una imagen de una puesta de sol puede ser descrita por la IA como "un cielo naranja cálido sobre un océano tranquilo", y el personaje puede incorporarlo al roleplay. Los medios externos no están activados de forma predeterminada y requieren configuración manual en los ajustes de la extensión. Es una herramienta potente para mejorar la escritura creativa, la narración visual y las aventuras interactivas, pero también aumenta el uso de tokens y el tiempo de respuesta.

Para activar los medios externos en SillyTavern, primero asegúrate de usar una API compatible. Para OpenAI, necesitas GPT-4V o posterior; para KoboldAI, usa un modelo con soporte de visión como LLaVA. Abre la interfaz de SillyTavern y ve al menú de Extensiones (icono de pieza de rompecabezas). Busca la extensión 'External Media' o 'Media Upload' y actívala. Es posible que debas establecer un tamaño máximo de archivo (por ejemplo, 5 MB) y los tipos de archivo permitidos (png, jpg, mp3). Luego, configura el endpoint de la API: si usas OpenAI, establece el modelo en 'gpt-4-vision-preview' y asegúrate de que tu clave de API tenga acceso. Para KoboldAI, apunta a tu instancia local que ejecute un modelo compatible con visión. Después de activarla, aparece un botón de carga de medios (icono de cámara o clip) en la barra de entrada del chat. Sube una imagen o un archivo de audio y luego envía el mensaje. La IA procesará los medios y generará una respuesta que los mencione. Ten en cuenta que algunas API cobran por token por el procesamiento de imágenes, así que monitorea el uso.

La extensión de medios externos de SillyTavern admite varios formatos: imágenes (JPEG, PNG, GIF, WebP), audio (MP3, WAV, OGG) y, en algunas configuraciones, video o PDF. Los límites de tamaño de archivo dependen del proveedor de la API. Para OpenAI GPT-4V, cada imagen puede pesar hasta 20 MB, pero las imágenes más grandes se reducen. Los modelos locales de KoboldAI pueden tener límites más bajos, normalmente de 5 a 10 MB por archivo. Los archivos de audio suelen limitarse a 25 MB con la integración de Whisper de OpenAI. SillyTavern en sí no impone límites estrictos, pero los ajustes de la extensión te permiten establecer un tamaño máximo de carga (5 MB por defecto) y bloquear ciertos tipos MIME. Para el roleplay, las imágenes de menos de 2 MB funcionan mejor para un procesamiento rápido. Los GIF animados son compatibles, pero algunas API pueden tratarlos como fotogramas estáticos. La transcripción de audio usa Whisper y puede manejar clips de 30 segundos. Las cargas de video son experimentales y requieren conversión a fotogramas.

El comportamiento de los medios externos varía según el backend de la API. Con OpenAI GPT-4V, las imágenes se procesan de forma nativa: el modelo ve la imagen y puede describirla con precisión. Esto es ideal para la narración visual (por ejemplo, compartir el retrato de un personaje). KoboldAI con LLaVA o modelos multimodales similares también admite imágenes, pero la calidad depende del tamaño del modelo (7B frente a 13B parámetros). Para el audio, Whisper de OpenAI transcribe el habla, que luego entra en el contexto del chat; el personaje puede oír y responder. Claude (Anthropic) a través de proxy también admite entrada de imágenes. Sin embargo, no todos los modelos son multimodales: si usas un modelo solo de texto, los medios se ignoran o se añaden como un enlace de texto. Para obtener los mejores resultados, elige un modelo diseñado explícitamente para visión o audio. La wiki de SillyTavern enumera los modelos compatibles para cada backend. Ten en cuenta que procesar medios consume tokens adicionales: una imagen puede costar más de 1000 tokens, así que presupuesta en consecuencia.

Subir medios externos a SillyTavern tiene implicaciones de privacidad. Si usas una API en la nube como OpenAI, tus imágenes y audio se envían a sus servidores y se procesan según su política de privacidad. Para contenido sensible, considera usar una API local como KoboldAI o llama.cpp con un modelo multimodal, manteniendo todos los datos en tu máquina. SillyTavern no almacena medios de forma permanente; se envían como parte del contexto del chat y pueden conservarse en los registros de chat si los guardas. Los ajustes de la extensión te permiten desactivar el registro de medios. Además, ten en cuenta que algunas API (por ejemplo, OpenAI) pueden usar las imágenes subidas para entrenar modelos, a menos que te excluyas. Revisa siempre las políticas de manejo de datos del proveedor de la API. Para máxima privacidad, ejecuta todo localmente con un modelo como LLaVA 13B, que puede procesar imágenes en tu GPU sin transmisión externa.

Si los medios externos no se envían, primero confirma que la clave de API tenga permisos para los endpoints de visión o audio. Revisa la consola de SillyTavern (F12) para ver mensajes de error: '400 Bad Request' suele significar que el archivo es demasiado grande o que el formato no es compatible. Reduce la resolución de la imagen a 1024x1024 píxeles o conviértela a JPEG. Para el audio, asegúrate de que pese menos de 25 MB y esté codificado correctamente (mono, 16 kHz para Whisper). Si el modelo ignora los medios, probablemente le falte soporte multimodal: cambia a GPT-4V o LLaVA. Otro problema común es que la extensión 'External Media' esté desactivada o entre en conflicto con otras extensiones como 'Character Expressions'. Desactiva otras extensiones una por una para aislar el conflicto. En escenarios de roleplay, puede que la IA no responda a los medios si la tarjeta del personaje no incluye instrucciones para reconocerlos. Añade una nota en la descripción del personaje: "Puedes ver las imágenes que envía el usuario". Reinicia SillyTavern después de cambiar los ajustes.