El presente trabajo presenta el diseño e implementación de una aplicación Web en cuyo modelo se ha aplicado el concepto de “Juegos con un propósito” y utilizado “Input-Agreement” para generar descripciones de texto de manera automática y a partir de material audiovisual. Dicha aplicación tiene como objetivo conseguir la mayor cantidad de descripciones válidas para fragmentos de vídeo. El modelo propuesto es agnóstico con respecto al tipo de video que está siendo anotado. La diferencia principal con otros frameworks para anotación de material multimedia es que el juego colecta etiquetas asociadas a marcas de tiempo con una fracción del costo que requeriría esta operación al contratar usuarios expertos. El dataset sobre el cual se realizaron las pruebas está conformado por archivos almacenados en YouTube y específicamente videos del canal de ESPOL.