Identificador de sonidos
¿No sabes qué es ese ruido? Deja que el micrófono escuche, o abre una grabación, y un modelo de IA en tu dispositivo nombrará los sonidos que oye, desde perros ladrando y sirenas hasta voz, música e instrumentos concretos, con una puntuación de confianza y una línea de tiempo.
Última actualización:
Escuchando ahora
Sonidos detectados
Los sonidos que superan el umbral se muestran aquí con la hora en que se oyeron.
Sonidos principales de este archivo
Sonido por sonido
| Tiempo | Sonido | Máximo |
|---|
Cómo usar Identificador de sonidos
- Elige una fuente: Micrófono (en vivo) para identificar los sonidos a tu alrededor, o Archivo de audio o vídeo para una grabación.
- Pulsa Empezar a escuchar y permite el micrófono. El modelo se descarga una vez (unos 15 MB) y luego funciona sin conexión en la página.
- Lee la lista Escuchando ahora: los cinco sonidos más probables con su confianza. Los sonidos por encima del umbral se añaden al registro de Sonidos detectados.
- Para un archivo, elígelo o suéltalo (o pulsa Analizar sonido de demostración). La línea de tiempo y la tabla muestran qué sonidos aparecen y cuándo.
- Haz clic en la línea de tiempo o en una fila de la tabla para reproducir ese momento, y descarga los resultados en CSV si los necesitas.
Cómo reconoce la IA un sonido
- Remuestreo. El audio se mezcla a mono y se remuestrea a 16,000 muestras por segundo, la frecuencia con la que se entrenó el modelo.
- Espectrograma. YAMNet calcula una transformada de Fourier de tiempo corto con ventanas de 25 ms cada 10 ms y agrupa las frecuencias de 125 Hz a 7,500 Hz en 64 bandas mel, una escala parecida al oído humano.
- Parches. 96 tramas consecutivas del espectrograma (0.96 segundos) forman un parche. Cada 0.48 segundos empieza un parche nuevo, así que los parches se solapan a la mitad.
- Clasificación. Una red convolucional de tipo MobileNet con unos 3.7 millones de pesos puntúa cada parche frente a 521 clases de AudioSet. Una salida sigmoide da a cada clase su propia puntuación de 0 a 1.
Esta página muestra las clases con mayor puntuación de cada parche, une los parches consecutivos con el mismo sonido principal en una sola entrada e indica la puntuación máxima.
Cómo leer las puntuaciones de confianza
| Puntuación | Qué suele significar |
|---|---|
| Más del 70% | Un ejemplo claro y típico del sonido. Muy probablemente correcto. |
| Del 40% al 70% | Probablemente correcto, o un pariente cercano (por ejemplo, Ladrido frente a Perro). |
| Del 20% al 40% | Una suposición plausible. Revisa las siguientes etiquetas y vuelve a escuchar. |
| Menos del 20% | Coincidencia débil: el sonido es tenue, está mezclado con otros o las clases no lo cubren bien. |
Las etiquetas están organizadas en una jerarquía, así que las generales y las específicas suelen aparecer juntas: Animal, Animales domésticos y Perro pueden puntuar alto con un solo ladrido. La etiqueta más específica con una puntuación alta suele ser la más informativa.
Consejos para obtener mejores resultados
- Acércate a la fuente y mantén quieto el teléfono o el micrófono para reducir el ruido de manipulación.
- Graba al menos dos o tres segundos del sonido; los clics muy cortos pueden quedar entre ventanas de análisis.
- Desactiva la supresión de ruido en las aplicaciones de videoconferencia que comparten el micrófono, porque elimina los sonidos que no son voz.
- En grabaciones largas, usa la línea de tiempo para encontrar los momentos en que aparece el sonido que te interesa y luego haz clic para escucharlo.
- Sube el umbral de registro en lugares ruidosos para que solo se muestren las detecciones seguras.
Ejemplos de uso
- Averigua si tu perro ladró mientras estabas fuera analizando una grabación.
- Comprueba qué es probablemente un ruido misterioso en casa o en el coche.
- Localiza aplausos, risas o secciones de música en la pista de audio de un vídeo largo.
- Enseña a los niños los sonidos de animales, instrumentos y vehículos.
- Etiqueta grabaciones de campo y bibliotecas de efectos de sonido con un primer conjunto de etiquetas.
Preguntas frecuentes
¿Cómo funciona el identificador de sonidos?
Usa YAMNet, una red neuronal publicada por Google que se entrenó con la colección AudioSet de clips etiquetados de 10 segundos. El audio se remuestrea a 16 kHz mono, se convierte en un espectrograma log-mel de 64 bandas y se puntúa en ventanas de 0.96 segundos que avanzan cada 0.48 segundos. Cada ventana recibe una puntuación entre 0 y 1 para cada una de las 521 clases de sonido.
¿Se sube mi audio?
No. Los archivos del modelo se descargan una vez desde el repositorio de modelos de Google y luego el análisis se ejecuta dentro de tu navegador con TensorFlow.js. El audio del micrófono y los archivos que abres nunca salen de tu dispositivo.
¿Qué sonidos puede reconocer?
Las 521 clases abarcan sonidos humanos (voz, risa, tos, ronquidos, un bebé llorando), animales (perros, gatos, pájaros, gallos, insectos), vehículos y alarmas (coches, trenes, aviones, sirenas, detectores de humo), sonidos domésticos, naturaleza (lluvia, viento, truenos) y música, incluidos géneros e instrumentos concretos como piano, guitarra, batería y violín.
¿Por qué varios sonidos pueden puntuar alto a la vez?
YAMNet es un modelo multietiqueta: cada clase se puntúa de forma independiente, así que un mismo momento puede ser Perro, Ladrido y Animal a la vez, o Música, Guitarra y Canto. Las puntuaciones no suman el 100 por ciento; interprétalas como el grado en que encaja cada etiqueta.
¿Qué tan preciso es?
Es bueno con sonidos comunes y claros como la voz, la música, los ladridos, las sirenas y las alarmas. Es menos fiable con sonidos poco frecuentes, fuentes débiles o lejanas, mucho ruido de fondo y sonidos que se parecen entre sí. Nombra el tipo de sonido, no una canción, persona o raza de animal concreta, así que toma los resultados como una suposición útil.
¿Puede identificar una canción o una especie de pájaro?
No. Reconoce categorías amplias como Música, Música pop o Vocalización de pájaro, pero no identifica títulos de canciones, artistas ni especies concretas de pájaros; para eso hacen falta aplicaciones específicas de reconocimiento de canciones y de aves.
¿Por qué el modo en vivo tiene retraso?
Cada predicción usa los últimos 0.975 segundos de audio y se ejecuta cada medio segundo, así que un sonido suele aparecer en la lista aproximadamente un segundo después de empezar.
¿Se prueban todas las herramientas de FreeToolCabin para comprobar su calidad y precisión?
Sí. Cada herramienta del sitio pasa pruebas automáticas en navegadores reales para comprobar que el resultado es correcto y que no hay errores. Si encuentras un fallo o tienes una sugerencia, escríbenos a [email protected] y lo revisaremos.