Clasificación de audio y detección de eventos con ML

Fundamentos de la clasificación de audio

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

Datos de audio y extracción de características

• Tipos de archivos y formatos de audio
• Consideraciones sobre tasa de muestreo, ventaneo y tamaño de marco
• Extracción de MFCC, características de croma y mel-espectrogramas

Preparación y anotación de datos

• Conjuntos de datos UrbanSound8K, ESC-50 y personalizados
• Etiquetado de eventos de sonido y límites temporales
• Equilibrio de conjuntos de datos y aumento de audio

Construcción de modelos de clasificación de audio

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

Detección de eventos y localización temporal

• Estrategias de detección basadas en marcos y en 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 transferido para escenarios con pocos datos
• Implementación de modelos con TensorFlow Lite u ONNX
• Procesamiento de audio en streaming y consideraciones de latencia

Desarrollo de proyectos y escenarios de aplicación

• Diseño de un pipeline completo: desde la ingesta hasta la clasificación
• Desarrollo de una prueba de concepto para vigilancia, control de calidad o monitoreo
• Registro, alertas e integración con tableros o API

Resumen y próximos pasos