Clasificación de sonidosSound Classification

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 para siempre con esas tres casillas. Si más adelante se quiere que reconozca también un paso en vez de un aplauso, hay que añadir una casilla y volver a enseñarle desde cero.

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". 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.