Puntos clave
- La clasificación de sonidos le pone a un trozo de sonido que llega una etiqueta, entre las que ya estaban fijadas de antemano.
- La lista de etiquetas se decide normalmente al construir el sistema. Hasta un sonido que no está en la lista termina en algún lugar de la lista.
- El sonido, más que tratarse como una onda tal cual, normalmente se despliega en una cuadrícula de tiempo y altura y se mira ahí.
- No sale una única respuesta: cada casilla recibe una puntuación, y se elige la casilla con la puntuación más alta.
- Es distinto de transcribir lo que se dijo. Solo distingue de qué tipo es el bloque de sonido.
La analogía
Al abrir una billetera, las casillas ya están hechas de antemano: la de las tarjetas, la de las monedas, la de los recibos doblados. Cuando llega algo nuevo, ahí mismo se decide en qué casilla va. Las casillas quedaron fijadas cuando se compró la billetera, y no se crea ninguna nueva ese día.
La clasificación de sonidos hace exactamente lo mismo. Recibe un trozo corto de sonido captado por el micrófono y lo manda a una de las casillas ya construidas: la de aplauso, la de silbido, la de tos.
Lo incómodo es que la billetera no tiene una casilla de "no lo sé". Hasta un cupón que se ve por primera vez termina metido en la casilla de los recibos. Un clasificador de sonidos, si recibe un sonido que nunca aprendió, tampoco lo deja sin destino: lo manda a la casilla que le parece más parecida.
En detalle
Primero se fijan las casillas
Aunque el orden se sienta al revés, la lista de etiquetas se decide antes que ninguna otra cosa. Si se construye con tres casillas, aplauso, silbido y tos, ese clasificador queda, tal cual, con esas tres casillas. Si más adelante se quiere que reconozca también un paso, hay que añadir una casilla de pasos, reunir ejemplos para ella y volver a enseñarle. Por lo general se conserva lo ya aprendido y solo se vuelve a enseñar la última parte.
Reunir ejemplos para cada casilla es, en sí, la manera de enseñarle. En la casilla de aplauso se meten grabaciones de aplausos hechas por varias personas, en varias habitaciones y a distintas distancias. Si se le enseña con sonido grabado por una sola persona en un único lugar, el sistema termina aprendiendo también el eco de ese sitio como si fuera parte del aplauso.
El sonido se despliega en un dibujo
Lo que capta el micrófono es una sola línea que sube y baja. Con esa línea sola es difícil distinguir un aplauso de una puerta al cerrarse. Por eso el trozo de sonido se corta en pedazos muy cortos, y en cada pedazo se mide qué altura de sonido hay y con cuánta fuerza.
Si se coloca este valor con el tiempo en horizontal y la altura en vertical, sale una cuadrícula. El aplauso aparece como una mancha corta y ancha; el silbido, como una raya fina y larga en horizontal. Los rasgos se vuelven tan claros que hasta a simple vista se nota la diferencia de forma.
A partir de aquí el trabajo se parece mucho al de tratar fotografías. Lo que hace en realidad un clasificador de sonidos es reconocer el patrón de esta cuadrícula: convierte el sonido frente al micrófono en un dibujo y clasifica ese dibujo.
Cada casilla se lleva una parte de la puntuación
La salida del clasificador no es la palabra "aplauso". En un clasificador que elige una sola casilla, sale una puntuación por cada casilla, ajustadas de modo que la suma de todas dé 1. Algo así como aplauso 0,7, silbido 0,2 y tos 0,1. Lo que se muestra en pantalla es solo el nombre de la casilla con la puntuación más alta.
La forma en que se reparte la puntuación importa tanto como la respuesta misma. Si una sola casilla se lleva 0,9, quiere decir que el sonido fue claro; si tres casillas se reparten puntuaciones parecidas, es señal de que el sonido fue ambiguo. Por eso, en un servicio real, se hace que el sistema solo reaccione cuando la puntuación más alta supera cierto umbral.
Nunca aparece una casilla que no existe
Aquí está el problema más frecuente. Delante de un clasificador de tres casillas, si suena una campana, no hay casilla de campana, así que se elige una de las tres que sí existen, y hasta puede salir con una puntuación bastante alta. Esto pasa porque el clasificador no pregunta "¿esto es un aplauso?", sino solo "¿de estas tres, a cuál se parece más?".
Por eso, en el uso real se añade una casilla más de nada de esto. Si se junta ahí una buena cantidad de sonidos que no deben provocar respuesta, como el silencio de la habitación, voces de fondo o el roce de una silla, las respuestas equivocadas bajan mucho.
Se tambalea si cambia el entorno
Aunque el aplauso sea el mismo, si cambia el micrófono o la habitación, el patrón de la cuadrícula también cambia. En una sala de techo alto el sonido se alarga; el micrófono de una laptop capta peor los graves. Por eso un clasificador que funcionaba bien en una habitación tranquila elige la casilla equivocada en una cafetería.
Por eso, al reunir los ejemplos, se graba a propósito variando la distancia y el lugar. También se mezcla ruido de fondo o se usan copias con el sonido un poco alargado o acortado para enseñar junto con los originales. Mostrarle de antemano sonidos parecidos al entorno donde se va a usar es el método más seguro.
Con más precisión
La clasificación de sonidos corta la señal de audio en ventanas cortas, las convierte en componentes de frecuencia y trata ese resultado como si fuera una imagen para clasificar. A la cuadrícula que se forma en este paso se le llama espectrograma, y se suele usar una versión con las casillas reajustadas para reflejar que el oído humano distingue mejor los graves. En el método que elige una sola casilla, en el último paso se añade un cálculo que comprime las puntuaciones entre 0 y 1 de modo que sumen 1. Hoy también hay un método en el que, al usarlo, se escriben las etiquetas con texto y el sistema elige entre ellas sin enseñarle nada aparte.
También hay puntos donde la analogía se queda corta. En la billetera, cada objeto entra en una sola casilla, pero en el sonido pueden llegar varios sonidos superpuestos. Si suenan a la vez un aplauso y una voz, es difícil decir que solo una casilla es la respuesta correcta, y por eso los clasificadores de sonido ambiental, donde se mezclan varios sonidos, suelen usar un método que permite poner más de una etiqueta a la vez. En ese caso cada casilla recibe su puntuación por separado, así que no suman 1. Además, quien mete algo en la billetera lo hace mirando y entendiendo el objeto, pero el clasificador no entiende de verdad qué es el sonido: solo mide cuánto se parece a los ejemplos que vio al aprender.
Pruébalo
Malentendidos comunes
Es fácil pensar que la clasificación de sonidos es lo mismo que el reconocimiento de voz, pero en realidad, a diferencia de transcribir el contenido de lo que se dice, solo distingue de qué tipo es el bloque de sonido.
Es fácil pensar que un sonido que no está en la lista sale como "desconocido", pero en realidad, a menos que se haya creado esa casilla aparte, se cuela en la casilla más parecida, a veces con una puntuación bastante alta.
Es fácil pensar que, si funciona bien en un lugar silencioso, funciona bien en cualquier parte, pero en realidad, si cambia el micrófono o el eco de la sala, el mismo sonido puede pasar a otra casilla.
Resumen en una línea
La clasificación de sonidos manda un trozo corto de sonido a una de las casillas fijadas de antemano, y conviene tener presente que hasta un sonido que no está en la lista termina metido en alguna de ellas.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17