Un desarrollador creó con IA un sustituto de Discord: la fuga de memoria bajó de 305,8 a 30,3 MB
Un desarrollador encargó a una IA casi todo el código de Nimbo, una alternativa gratuita a Discord para jugar con amigos, pero la IA no detectó la fuga de memoria. Tras encender y apagar cinco veces la cámara con pantalla compartida, el cliente de Windows retenía 305,8 MB de RAM aunque el vídeo ya estaba apagado; después de la corrección, 30,3 MB. El supresor de ruido GTCRN atenuó el crujido de una manzana en 21,29 dB, mientras que el anterior, RNNoise, solo lo hizo en 0,35 dB. La conclusión: la IA monta rápido el esqueleto de la aplicación, pero las fugas y el sonido hay que comprobarlos a mano.
Procesado por IA desde Habr AI; editado por Hamidun News
Imagine esto: durante una llamada enciende y apaga cinco veces la cámara o la pantalla compartida, el vídeo lleva rato detenido y, aun así, el programa ocupa 305,8 MB de RAM. Así se comportaba el cliente de Windows de Nimbo, un chat de voz gratuito para jugar con amigos que su autor escribió casi por completo con ayuda de una IA. La causa resultó ser trivial: el codificador que comprime el vídeo antes de enviarlo no se liberaba al apagar la cámara.
Tras la corrección, el mismo escenario ocupó 30,3 MB. La historia es útil para cualquiera que piense programar junto a una red neuronal: la IA entrega rápido el esqueleto y la interfaz, pero las fugas de memoria, la calidad del sonido y los agujeros de seguridad hay que buscarlos por cuenta propia.
Por qué hacía falta otro chat
El autor simplemente quería jugar con sus amigos. Necesitaba salas de voz, chat de texto, pantalla compartida, un buen supresor de ruido y un cliente que no le quitara recursos al juego. Discord le cansó con su publicidad y sus ofertas de Nitro; además, sin rodeos, no se abre. En TeamSpeak el supresor de ruido rendía mal, y a Mumble le faltaba compartir pantalla. El código principal de Nimbo lo escribió la IA, mientras que la persona se encargó de la lógica, la interfaz, la elección del stack y la arquitectura.
Primero hizo un cliente para Windows en C++ y Qt: con C++ se controla la memoria con precisión, y sus amigos tienen portátiles antiguos. Pero tras cada cambio había que esperar la compilación del EXE y repartir el archivo entre los amigos, y el trabajo de diseño y UX con ese ciclo, según el autor, consumía el triple de tokens. Por eso congeló el cliente y pasó a la web: Vue y TypeScript, servidor en Go, y la transmisión de voz, cámara y pantalla se la dejó a LiveKit, una solución ya hecha.
Con el diseño ayudó un truco. Los kits de interfaz prefabricados chocaban una y otra vez con sus propias limitaciones, y la página en blanco impedía explicarle a la red neuronal lo que se quería. El autor reunió referencias de ambiente y color y se las dio a la IA en lugar de un framework. La primera pantalla salió rápido, pero el modelo se liaba con los detalles (márgenes, esquinas redondeadas, bordes y separadores), así que hubo muchas correcciones.
Supresor de ruido: clics de ratón y crujido de manzana
Al principio usaron RNNoise: es ligero y casi no añade latencia. Pero en las sesiones de juego se oía cada clic del ratón y el roce de la bolsita de frutos secos. Para comparar, tomaron grabaciones ya hechas de clics de ratón, de un mordisco y de masticar una manzana, las pasaron por tres filtros y midieron cuántos decibelios se suprimía la interferencia: cuanto mayor es el número, mejor.
En tres grabaciones de ratón, RNNoise obtuvo 13,55, 15,19 y 28,82 dB; GTCRN, 19,21, 21,13 y 27,66 dB; y Speex, 0,33, 0,93 y 1,61 dB. Con la manzana, la diferencia fue enorme: RNNoise, 0,35 dB; GTCRN, 21,29 dB; Speex, 0,17 dB. El precio de GTCRN es una voz algo más apagada y una latencia de procesamiento de 32 ms frente a los 21 ms de RNNoise. En el juego eso pasa inadvertido, por lo que GTCRN se convirtió en el modo predeterminado y RNNoise quedó como alternativa. El procesamiento se hace en el ordenador del usuario, y por ahora eso es una cuestión de optimización futura.
Dónde la IA no ayudó: memoria y seguridad
Con la memoria, el autor tuvo que convertirse en tester: abrir el chat, ver un vídeo, encender y apagar la cámara, y vigilar tras qué clic el consumo no volvía al valor inicial. La IA no planteó por sí sola estos escenarios, aunque el autor matiza que quizá simplemente se lo pidió mal. En los vídeos del chat, el cliente libera el decodificador al pausar y recuerda la posición. Como resultado, una llamada de voz en el banco de pruebas ocupó 19,9 MB de memoria física de los procesos de Nimbo, y en condiciones reales cabe esperar 25–30 MB.
La seguridad la comprobó así: ejecutó algunos modelos en local, explicó a los agentes la parte de la arquitectura que interesaba, planteó una hipótesis concreta de elusión y les encargó verificarla en un banco de pruebas. Así apareció una vulnerabilidad: una salida anónima del servicio podía sobrescribir por completo la base de datos. El autor está convencido de que habrá más hallazgos, y ya están en el backlog.
Conclusión
No existe una base de usuarios común: el apodo, los ajustes y las claves de acceso a los servidores se guardan en el archivo .nimbo, que está protegido por una contraseña obligatoria y se abre en cualquier cliente compatible. El código es abierto bajo licencia MIT: el servidor, la web y el cliente para Windows están en GitHub. El inconveniente es evidente: el propietario del servidor tendrá que alquilar un VPS y encargarse del despliegue. Entre los planes figuran dibujar sobre la pantalla, un overlay para juegos, lanzar el servidor directamente desde la aplicación y clientes para Mac y Android.
Lección práctica: en el vibe coding, reserve de antemano tiempo para medir. La memoria, el sonido y la seguridad no los comprobará la IA por sí sola.
- 11 oct 2026Dwarf Fortress adopta el control de versiones tras diez años de rechazo
- 2 may 2026IA para analizar documentos: JuliaLM como alternativa a NotebookLM
- 19 oct 2026Qué reveló la filtración de Claude Code sobre el futuro de los agentes de IA de Anthropic
- 21 nov 2026Un desarrollador sustituye cinco servicios de Postiz por un servidor MCP para agentes de IA con un coste de 0 $ al mes
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué hacía falta otro chat?
El autor simplemente quería jugar con sus amigos. Necesitaba salas de voz, chat de texto, pantalla compartida, un buen supresor de ruido y un cliente que no le quitara recursos al juego. Discord le cansó con su publicidad y sus ofertas de Nitro; además, sin rodeos, no se abre. En TeamSpeak el supresor de ruido rendía mal, y a Mumble le faltaba compartir pantalla. El código principal de Nimbo lo escribió la IA, mientras que la persona se encargó de la lógica, la interfaz, la elección del stack y la arquitectura.
¿Qué se sabe sobre Supresor de ruido: clics de ratón y crujido de manzana?
Al principio usaron RNNoise: es ligero y casi no añade latencia. Pero en las sesiones de juego se oía cada clic del ratón y el roce de la bolsita de frutos secos. Para comparar, tomaron grabaciones ya hechas de clics de ratón, de un mordisco y de masticar una manzana, las pasaron por tres filtros y midieron cuántos decibelios se suprimía la interferencia: cuanto mayor es el número, mejor.
Dónde la IA no ayudó: memoria y seguridad?
Con la memoria, el autor tuvo que convertirse en tester: abrir el chat, ver un vídeo, encender y apagar la cámara, y vigilar tras qué clic el consumo no volvía al valor inicial. La IA no planteó por sí sola estos escenarios, aunque el autor matiza que quizá simplemente se lo pidió mal. En los vídeos del chat, el cliente libera el decodificador al pausar y recuerda la posición.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.