Clasificación de audio y detección de eventos con ML

Fundamentos de la clasificación de audio

• Tipos de eventos sonoros: ambientales, mecánicos, generados por humanos
• Resumen de casos de uso: vigilancia, monitorización, automatización
• Clasificación de audio vs detección vs segmentación

Datos de audio y extracción de características

• Tipos de archivos y formatos de audio
• Consideraciones sobre la frecuencia de muestreo, enventanado y tamaño de marco
• Extracción de MFCC, características cromáticas, mel-espectrogramas

Preparación y anotación de datos

• Datasets UrbanSound8K, ESC-50 y personalizados
• Etiquetado de eventos sonoros y límites temporales
• Equilibrado de datasets y aumento de audio

Construcción de modelos de clasificación de audio

• Uso de redes neuronales convolucionales (CNN) para audio
• Entrada del modelo: forma de onda cruda vs características
• Funciones de pérdida, métricas de evaluación y sobreajuste

Detección de eventos y localización temporal

• Estrategias de detección por marcos y por segmentos
• Postprocesamiento de detecciones mediante umbrales y suavizado
• Visualización de predicciones en líneas de tiempo de audio

Temas avanzados y procesamiento en tiempo real

• Aprendizaje por transferencia para escenarios con pocos datos
• Despliegue de modelos con TensorFlow Lite o ONNX
• Procesamiento de audio en flujo y consideraciones de latencia

Desarrollo de proyectos y escenarios de aplicación

• Diseño de un flujo de trabajo completo: desde la ingesta hasta la clasificación
• Desarrollo de un concepto de prueba para vigilancia, control de calidad o monitorización
• Registro de logs, alertas e integración con tableros o API

Resumen y próximos pasos