runonweb.ai — modelos de IA abiertos que corren en el navegador

Proyecto creado y mantenido por Miguel Ángel Durán, Midudev.

En pocas palabras

runonweb.ai son dos cosas en un mismo repositorio: un sitio con demos en vivo y el paquete runonweb, una biblioteca para ejecutar modelos de IA dentro del navegador con un import por tarea (runonweb/stt, runonweb/remove-bg, runonweb/embed…). No hay claves de API, ni backend, ni subida de archivos: el modelo se descarga una vez, el navegador lo guarda en caché y la inferencia ocurre en el dispositivo del usuario.

Cada módulo se basa en un modelo de pesos abiertos (cuyos parámetros entrenados se pueden descargar y ejecutar) especializado en una sola tarea, en lugar de un modelo de lenguaje generalista. El repositorio ronda las 700 estrellas a finales de octubre de 2026.

Qué problema resuelve

Añadir IA a una web suele implicar una API de pago por tokens, un servidor intermedio para esconder la clave y enviar los datos del usuario a un tercero. Para tareas acotadas (transcribir un audio, quitar el fondo de una foto, leer texto de una imagen) existen modelos pequeños que caben en el navegador. runonweb los empaqueta con la misma interfaz, elige el backend adecuado y documenta qué funciona y qué no en cada uno.

Cómo funciona

• WebGPU es la API del navegador para usar la GPU desde JavaScript. Cuando está disponible, runonweb la usa; si no, recurre a WASM (WebAssembly, código compilado que corre en la CPU dentro del navegador).
• Por debajo usa Transformers.js y ONNX Runtime Web, y para traducción, los modelos de Firefox Translations de Mozilla.
• El paquete no incluye pesos: el navegador los descarga de Hugging Face en el primer uso.
• El README documenta lo aprendido al probar backends, por ejemplo que la cuantización q8 en WebGPU devuelve resultados basura en silencio, así que usa fp16/fp32 en WebGPU y q8 en WASM.

Módulos

Módulo	Tarea	Modelo base	Descarga aproximada
runonweb/stt	Voz a texto	Whisper tiny.en (OpenAI)	~150 MB WebGPU / ~40 MB WASM
runonweb/remove-bg	Quitar el fondo de una imagen	BEN2	~219 MB (solo WASM)
runonweb/caption	Describir una imagen	LFM2.5-VL-450M (Liquid AI)	~316 MB / ~505 MB
runonweb/depth	Mapa de profundidad	Depth Anything V2 Small	~50 MB / ~27 MB
runonweb/detect	Detección de objetos	RF-DETR Nano (Roboflow)	~29 MB (solo WASM)
runonweb/ocr	Leer texto en imágenes	PP-OCRv6 (PaddlePaddle)	~6 MB a ~139 MB según tamaño
runonweb/embed	Embeddings de texto	all-MiniLM-L6-v2	~45 MB / ~23 MB
runonweb/classify	Clasificar texto	Kev-0.8B (sobre Qwen3.5-0.8B)	~750 MB
runonweb/translate	Traducción	Firefox Translations (Mozilla)	~21–55 MB por par de idiomas
runonweb/clean	Limpiar transcripciones	S1-mini (Superwhisper)	~365 MB / ~413 MB
runonweb/emoji	Texto a emojis	text2emoji-tiny (entrenado por runonweb)	~4 MB (solo WASM)
runonweb/tts	Texto a voz	Kokoro 82M, Supertonic 2, KittenTTS nano	~28 MB a ~326 MB
runonweb/image	Texto a imagen	Bonsai Image 4B (sobre FLUX.2 Klein)	~3,4 GB (solo WebGPU)

Las cifras son las del README a octubre de 2026 y son aproximadas.

Instalación

pnpmbunnpm

pnpm add runonweb

bun add runonweb

npm install runonweb

Uso

Quitar el fondo de una imagen que llega de un <input type="file">:

import { removeBackground } from "runonweb/remove-bg"

const png = await removeBackground(imageFile)
const url = URL.createObjectURL(png)

Para operaciones repetidas, reutiliza una instancia y libera la memoria al terminar:

import { RemoveBackground } from "runonweb/remove-bg"

const remover = new RemoveBackground({
  onProgress: ({ status, progress }) => console.log(status, progress)
})

const first = await remover.remove(firstFile)
const second = await remover.remove(secondFile)

remover.dispose()

Similitud entre dos frases con embeddings:

import { embed, cosineSimilarity } from "runonweb/embed"

const { embeddings } = await embed(["Hello world", "Hola mundo"])
const similarity = cosineSimilarity(embeddings[0], embeddings[1])

Traducción:

import { translate } from "runonweb/translate"

const { text } = await translate("Hello world", { from: "en", to: "es" })

onProgress es importante en producción: la primera carga puede tardar y conviene mostrar el avance de la descarga.

Cuándo conviene y cuándo no

Conviene para:

• Funciones que manejan datos sensibles (audio, documentos, fotos) que no deben salir del dispositivo.
• Prototipos y herramientas sin presupuesto para APIs: el coste de inferencia lo pone el equipo del usuario.
• Tareas acotadas donde un modelo especializado pequeño basta.

No conviene cuando necesitas un modelo generalista potente, resultados idénticos en cualquier equipo o una primera respuesta inmediata: la descarga inicial y el hardware del usuario mandan. Si lo que buscas es una API remota gratuita, mira it’s free*.ai; para ejecutar modelos grandes en tu propia máquina, CanIRun.ai indica cuáles caben.

Límites y precauciones

• Licencias de los modelos. Además de caption, tts con size: 'multi' usa OpenRAIL-M (prohíbe suplantación, engaño o uso ilegal) y clean obliga a seguir llamando al modelo “S1-mini” de “Superwhisper”. Revisa la página de modelos antes de publicar.
• Soporte de WebGPU. No todos los navegadores ni dispositivos lo tienen; varios módulos van solo por WASM y image exige WebGPU.
• Rendimiento variable. Según el README, en una GPU de portátil WebGPU en fp16 es de 5 a 7 veces más rápido que WASM q8 para modelos de visión; en equipos modestos la diferencia con un servidor se nota.
• Privacidad. Los datos no salen del dispositivo, pero los pesos se descargan de Hugging Face, así que hay una petición de red a un tercero en el primer uso.

Fuentes

• runonweb.ai
• Documentación y demos
• Modelos y licencias
• Repositorio midudev/runonweb.ai
• README del paquete runonweb