Cómo elegir una API de videollamadas: qué comparar antes de construir

Elige una API de videollamadas por lo que pasa con las llamadas difíciles y por lo que cuenta: si una llamada conecta a través de un cortafuegos estricto, a qué distancia de tus usuarios están sus servidores, quién puede ver y oír la llamada, y si la factura crece con los minutos, con las personas o con la resolución. El vídeo HD, compartir pantalla y una pantalla de llamada están en todas las listas de funciones, así que son esas respuestas las que distinguen a un servicio de otro.
Este artículo recorre diez preguntas que hacerle a cualquier API de videollamadas, SDK de videollamadas o API de videoconferencia, con el porqué de cada una y cómo comprobar la respuesta por tu cuenta. No nombra ningún servicio. Al final responde a cada pregunta para WordPlus Cloud, con lo que deja a tu cargo.
Una reunión que insertas, o llamadas en tu propia app
Con estas palabras se venden dos tipos de servicio distintos.
Un servicio de reuniones te da una sala en una página del propio servicio, que la gente abre desde un enlace o que tú pones en un marco de tu sitio. Una API de llamadas te da las piezas: un SDK para cada plataforma, a menudo con una pantalla de llamada lista para usar, y las llamadas ocurren dentro de tu propia app, entre tus propios usuarios.
| Reunión insertada | API y SDK de llamadas | |
|---|---|---|
| La llamada ocurre | En su página, en un marco | En tus propias pantallas |
| Quién puede entrar | Quien tenga el enlace | Quien tu servidor permita |
| Tú escribes | Un enlace | Una ruta de tokens y una pantalla |
Hay una tercera vía, servidores multimedia de código abierto en servidores propios, y es la que más te deja por mantener. Cómo funcionan las videollamadas en grupo muestra lo que eso supone. Las diez preguntas que siguen son para las dos primeras.
1. ¿Conecta cada llamada?
Una videollamada va directamente entre los dos dispositivos cuando sus redes lo permiten, y muchas no lo permiten. Los routers domésticos, las redes móviles y los cortafuegos de oficina esconden cada uno a su manera los dispositivos que tienen detrás, así que una parte de las llamadas solo conecta a través de un relé, un servidor TURN, al que pueden llegar los dos lados. Nuestro artículo sobre los servidores STUN y TURN explica por qué.
Dónde escucha ese relé importa lo mismo. TURN usa por defecto el puerto 3478, y el 5349 con TLS, y su estándar lo lleva también por TCP, porque algunos cortafuegos bloquean UDP por completo. Una red de hotel o de oficina que solo deja salir los puertos de la web los bloquea todos, así que solo pasa un relé en el puerto 443.
Pregunta:
- ¿Están incluidos los relés, y en qué puertos, el 443 entre ellos?
- ¿Qué pasa cuando ni siquiera un relé llega: falla la llamada, o pasa a un servidor que sí llega?
- Cuando un teléfono pasa de la Wi-Fi a los datos móviles, ¿sigue la llamada o se cuelga?
Cuando una llamada no conecta, nuestro artículo sobre las conexiones WebRTC que fallan muestra cómo averiguar por qué.
2. ¿A qué distancia de tus usuarios están los servidores?
Cada relé y cada servidor multimedia añade el viaje hasta él y de vuelta. La recomendación de la UIT sobre el retardo en las llamadas, G.114, señala que la mayoría de las aplicaciones no se ven muy afectadas mientras el retardo se mantiene por debajo de 150 ms en un sentido. Dos personas de la misma ciudad que hablan a través de un servidor en otro continente se oyen con retraso, aunque vivan a pocas calles.
Pregunta:
- ¿Dónde están los relés y los servidores multimedia, y llega cada persona al más cercano por sí sola?
- En una llamada en grupo con personas en dos continentes, ¿van todos a un mismo servidor, o cada uno entra en uno cercano?
Cómo conectar usuarios de distintas regiones repasa lo que significa cada respuesta para una llamada.
3. ¿Funcionan igual una llamada entre dos y una llamada en grupo?
Una llamada entre dos personas puede ir directamente entre los dispositivos. Una llamada en grupo no puede, más allá de unas pocas personas, porque cada dispositivo tendría que enviar su cámara a todos los demás. Por eso las llamadas en grupo funcionan en servidores multimedia que reciben cada cámara una vez y la reenvían al resto, y muchos servicios las venden como un segundo producto, con su propio SDK y su propio precio.
Pregunta:
- Cuando una tercera persona se une a una llamada entre dos, ¿tienen que colgar los dos y empezar de nuevo?
- ¿Cuántas personas pueden estar con vídeo a la vez, y en una misma llamada?
- ¿Pueden algunas personas solo escuchar, y hablar cuando un anfitrión les dé la palabra?
4. ¿Qué cuenta la factura?
La mayoría de las API de videollamadas cuentan minutos de participante, un minuto de una persona en una llamada. Una clase de 30 durante una hora son 1.800 de esos minutos, así que el tamaño de tus llamadas importa más que cuántas haya. Cuánto cuestan las videollamadas por minuto calcula un mes entero paso a paso.
Después mira qué más se cuenta. Algunos precios suben con la resolución, otros cuentan aparte los minutos a través de un relé, y la grabación, el ancho de banda y las llamadas entre dos personas pueden ser cada uno una línea propia.
Pregunta:
- ¿Un minuto en HD cuenta igual que un minuto con audio?
- ¿Se cuentan las llamadas entre dos personas, y las que pasan por un relé?
- ¿Qué pasa cuando se supera el plan: se corta la llamada, o se factura el exceso?
5. ¿Quién puede ver y oír la llamada?
Toda llamada WebRTC va cifrada por el camino. La arquitectura de seguridad de WebRTC lo exige: todo el audio y el vídeo se protege con SRTP, con claves acordadas mediante DTLS. Eso deja fuera a cualquiera que esté en la red entre los dos extremos. La pregunta es dónde están los extremos. En una llamada directa entre dos dispositivos, son los dispositivos. En una llamada a través de un servidor multimedia, el servidor es uno de los extremos, y puede ver cada trama.
Una llamada en grupo solo es privada frente a sus servidores multimedia cuando cada trama se cifra antes de salir del dispositivo, con claves que los servidores nunca tienen. SFrame es el estándar del IETF para eso, y algunos servicios hacen lo mismo a su manera.
Pregunta:
- ¿Quién tiene las claves de una llamada en grupo: el servicio, mi servidor o solo las personas que están en ella?
- ¿Sigue cifrada de extremo a extremo una llamada que pasa a un relé o a un servidor multimedia?
- ¿Necesita una grabación que el servicio vea el audio y el vídeo?
6. ¿Quién decide quién puede llamar y entrar?
Una llamada solo debería empezar donde tu app dice que sí. Con la mayoría de las API, tu servidor firma un token para cada llamada o sala, y lo que cambia es cuánto dice el token. Uno que solo deja entrar a un usuario deja los roles en los ajustes del servicio. Uno que dice quién habla, quién solo escucha y quién es anfitrión mantiene esas decisiones en tu propio código.
Pregunta:
- ¿Puede otra persona usar un token que se dio a una, o usarlo para otra llamada?
- ¿Puede mi servidor silenciar a alguien, sacarlo o terminar una llamada sin ninguna página abierta?
- ¿Puede un anfitrión hacer lo mismo desde la pantalla de llamada, y solo un anfitrión?
7. ¿Cómo llega una llamada a la persona a la que se llama?
Una llamada que suena en una pestaña que nadie mira es una llamada perdida. Pregunta dónde suena: en cada pestaña que la persona tenga abierta, en su teléfono y en un teléfono con la app cerrada. Una app cerrada solo suena a través de las llamadas del sistema del teléfono, CallKit en iOS y el framework Telecom en Android, y el SDK tiene que admitirlas.
Pregunta:
- ¿Suena una llamada en todos los dispositivos a la vez, y deja de sonar en todos en cuanto se contesta en uno?
- ¿Suena en un teléfono bloqueado, y queda en la lista de llamadas recientes?
- ¿Cuánto tiempo suena, y qué sabe cada lado cuando nadie contesta?
8. ¿Hay una pantalla de llamada lista para usar, y puedes cambiarla?
Una pantalla de llamada da más trabajo del que parece: el timbre, la elección de cámara y micrófono, la cuadrícula que se reorganiza sola, quién está hablando, la pantalla compartida y el sonido que un navegador mantiene en silencio hasta que alguien hace clic. Una lista para usar ahorra semanas. También tiene que parecerse al resto de tu app.
Pregunta:
- ¿Qué plataformas tienen una: la web, React, iOS, Android?
- ¿Puedo cambiar sus colores y sus textos, y sustituir una parte por una mía?
- ¿Está el resto del SDK disponible para una pantalla propia, hasta cada persona de una llamada en grupo?
- ¿Hay una biblioteca de servidor en el lenguaje en el que escribo, o una API HTTP?
9. ¿Qué pasa con una red débil?
Las llamadas fallan en pequeñas cosas mucho antes de caerse. Todo navegador tiene que admitir VP8 y H.264, como exige la RFC 7742, y lo que hace una llamada con una mala conexión depende del servicio: bajar la calidad de la imagen, elegir otro códec, enviar dos veces los paquetes de sonido o renunciar a la cámara para conservar la voz.
Pregunta:
- Con una conexión débil, ¿cede la imagen antes que el sonido?
- ¿Sabe mi pantalla lo buena que es cada conexión, para poder decírselo a la persona?
- Cuando una conexión se corta un momento, ¿cuánto tiempo la espera la llamada?
Un teléfono con una sola barra de datos móviles responde a estas preguntas mejor que cualquier página de especificaciones.
10. ¿Qué recibe tu servidor de vuelta, y cuáles son los límites?
Tu app necesita saber qué pasó: quién llamó a quién, cuánto tiempo hablaron y por qué terminó una llamada. Lo necesita para mostrar una lista de llamadas recientes, para ofrecer un mensaje cuando nadie contestó o para facturar por minuto a tus propios usuarios. Los webhooks lo traen, y como un webhook puede llegar dos veces, cada uno necesita un id.
Después lee la página de límites: cuánto tiempo puede sonar y durar una llamada, cuántas personas caben en una y cuánto dura un token. E imagina el día en que te vas. Una llamada deja menos tras de sí que un chat. Lo que queda es tu registro de cada llamada, y su lugar es tu propia base de datos.
Compruébalo tú mismo en una tarde
Una lista de precios y una tabla de funciones responden a pocas de estas preguntas. Una prueba pequeña responde a la mayoría. Construye la llamada más pequeña que puedas en cada servicio que estés valorando, y sigue estos siete pasos:
- Llama entre dos navegadores en redes distintas, uno en una Wi-Fi y el otro en un teléfono con datos móviles.
- Llama desde una red que solo deja salir la web, como la Wi-Fi estricta de una oficina o de un hotel. Nuestro test de WebRTC muestra de antemano lo que deja pasar esa red.
- Durante una llamada, pasa un teléfono de la Wi-Fi a los datos móviles. Mira si la llamada sigue.
- Añade una tercera persona a una llamada entre dos. Mira si los dos tienen que colgar antes.
- Abre la app como la persona a la que se llama en dos pestañas y en un teléfono con la app cerrada, y llámala. Mira dónde suena, y si los demás dejan de sonar cuando contesta en uno.
- Desde la consola del navegador, intenta entrar con un token que tu servidor dio a otra persona, o para otra llamada.
- Abre la página de uso del servicio, y lee cómo se ha contado esta tarde.
Cómo las responde WordPlus Cloud
WordPlus Cloud es del segundo tipo: una API de llamadas, con SDK y una pantalla de llamada lista para usar, sobre relés y servidores multimedia que gestionamos nosotros mismos. Las mismas diez preguntas, en orden:
- Las llamadas entre dos personas conectan por tres caminos, que se prueban uno tras otro: directamente entre los dos dispositivos, a través de nuestros relés en el 443 y el 80, los puertos de la web, y a través de nuestros servidores multimedia cuando ni siquiera los relés llegan. Una llamada pasa de uno a otro por sí sola, sin colgar.
- Nuestros relés y servidores multimedia funcionan en varias regiones, y cada dispositivo llega al más cercano por sí solo. En una llamada en grupo, cada persona entra en un servidor de su propia región, y nuestros servidores pasan cada pista de una región a otra por enlaces privados. La página de la red los muestra en un mapa.
- Una llamada entre dos pasa a ser una llamada en grupo cuando cualquiera de los dos añade a alguien, sin que nadie cuelgue. Las llamadas en grupo funcionan en nuestros servidores multimedia, sin límite de personas por llamada, y tu servidor dice quién habla, quién solo escucha y quién es anfitrión.
- La factura cuenta las conexiones simultáneas, a partir de 1.000: $11.99 al mes con facturación anual, o $14.99 con facturación mensual. Las llamadas entre dos personas están incluidas sea cual sea el camino, pasen o no por un relé. Con 1.000 conexiones, las llamadas en grupo no gastan créditos hasta 32 personas con vídeo a la vez, donde una persona con audio cuenta la mitad, y cada 1.000 conexiones más añaden 12. Por encima de eso cuestan $0.20 por 1.000 minutos de una persona con vídeo, $0.10 con audio, y tu plan añade 5.000 créditos al mes por cada 1.000 conexiones. Un solo precio en cualquier resolución, y el ancho de banda y los relés nunca se cobran.
- Las llamadas entre dos personas están cifradas de extremo a extremo sea cual sea el camino, también a través de nuestros relés y servidores multimedia. Una llamada en grupo está cifrada de extremo a extremo cuando tu servidor lo indica: cada trama se cifra antes de salir del dispositivo, con una clave que solo da tu servidor, y nuestros servidores multimedia reenvían lo que no pueden leer.
- Decide tu servidor. Da a la página un token para cada llamada que permite, y para cada persona que entra en una llamada en grupo, que dice quién habla, quién solo escucha y quién es anfitrión. Los anfitriones silencian un micrófono, dan la palabra a alguien y sacan a alguien, y tu servidor puede hacer lo mismo sin ninguna página abierta y retirar el acceso en cualquier momento.
- Una llamada suena en cada pestaña y cada app que tenga abierta la persona a la que se llama, durante 45 segundos, y deja de sonar en todas en cuanto contesta en una. Los SDK para iOS y Android hacen sonar un teléfono bloqueado y una app cerrada como una llamada telefónica, mediante CallKit y las notificaciones de llamada de Android. Cada llamada dice por qué terminó, también cuando nadie contestó.
- Una pantalla de llamada lista para usar en la web, iOS y Android: botones de llamada, el timbre y la ventana de la llamada, en nueve idiomas. Cambia sus colores y sus textos, sustituye una pieza por la tuya o dibuja tu propia interfaz sobre el mismo SDK. Bibliotecas de servidor para Node.js, PHP y Python, guías para Next.js, Express, Laravel, PHP puro, Django, FastAPI y Flask, y una API HTTP para cualquier otro lenguaje.
- En una llamada entre dos personas, la conexión del otro lado se indica como excelente, buena, mala o perdida, con el camino que tomó la llamada, para que tu pantalla pueda decirlo. Una llamada cambia de camino por sí sola cuando cambia una red, y la conexión de un lado puede cortarse hasta 45 segundos y volver.
- Tu servidor se entera de cada llamada por webhook: quién llamó a quién, cuándo se contestó, cuántos segundos hablaron y por qué terminó, y cuándo entró y salió cada persona de una llamada en grupo, contado en nuestros servidores. Una llamada conserva su id por muchas veces que se envíe su webhook, así que una repetición se guarda una sola vez. Los límites están publicados: una llamada suena 45 segundos, un token de llamada dura hasta 6 horas y un lado cuya conexión se corta tiene 45 segundos para volver.
La guía de llamadas tiene el código de cada parte en cada stack. Cómo implementar videollamadas en Next.js construye una app completa paso a paso, y la demo en vivo te deja abrirla en dos navegadores y llamar de uno a otro.
Lo que deja a tu cargo
- Una ruta que da los tokens. Quién puede llamar a quién es tu propia lógica, así que es código que escribes tú, y también lo es el registro que tu webhook guarda de cada llamada.
- Avisar a alguien de que perdió una llamada. Una llamada suena durante 45 segundos dondequiera que la persona tenga una página o una app. Después, tu servidor se entera de que nadie contestó, y el correo o el mensaje los envías tú.
- La grabación. Los SDK para apps no graban llamadas hoy.
- Los números de teléfono. Las llamadas son entre los usuarios de tu app, por internet, sin números de teléfono y sin red telefónica.
Si quieres una reunión a la que cualquiera entre desde un enlace, sin ninguna app tuya alrededor, te conviene más un servicio de reuniones que insertas. También si tus llamadas tienen que llegar a números de teléfono.
Empieza por la guía de llamadas
WordPlus Cloud for Apps tiene un precio según las conexiones simultáneas, a partir de 1.000, con facturación mensual o anual. Las llamadas entre dos personas están incluidas, y el mismo plan y el mismo SDK traen llamadas en grupo, transmisiones en directo y chat por la misma conexión. Consulta la API y el SDK de videollamadas para ver cada tarea en cada stack, lo que la nube hace para apps o los precios para apps. ¿Eliges también un servicio de chat? Cómo elegir una API de chat hace las mismas preguntas sobre los mensajes. ¿Transmites también en directo para un público? Cómo elegir una API de transmisión en directo hace las mismas preguntas sobre una transmisión. ¿Preguntas sobre tu integración? Escríbenos.