← ☕︎ mmaria·EzpelZaintza2050 · Briefing Fase 1software · agosto 2026
EzpelZaintza2050 · propuesta interna
EzpelZaintza
Primero los datos, después el detector
La Fase 1 crea el entorno para capturar, organizar y etiquetar las muestras de audio, convirtiendo las grabaciones de campo en un dataset estructurado y listo para ML. El entrenamiento y el detector vendrían después.
Presupuesto
800–1000 €
Hardware nuevo
Ninguno
Fase 1
Captura + etiquetado
No incluye
Detector / ML
La idea en una imagen
Resolvemos el problema anterior al detector
AhoraDespués
Grabadora
→
Grabaciones
→
App desktop
→
Dataset
→
Modelo (futuro)
→
Detector
En esta fase no intentamos resolver el detector. Resolvemos el problema anterior: conseguir datos buenos, estructurados y reutilizables.
Qué proponemos hacer ahora
Fase 1 · un kit mínimo para producir datos útiles
A — App desktop navegador
App de escritorio para navegador
Para importar, organizar y etiquetar las grabaciones.
B — Libreta de campo
Libreta (formulario móvil)
Offline, para registrar el contexto de cada grabación.
Conectados por un inbox de un solo sentido
Dos piezas nuevas de software. El resto se reutiliza.
Piezas de la Fase 1
Cómo funciona exactamente
App de escritorio para navegador
Importa el audio y sus metadatos automáticos (formato GUANO), recibe y vincula desde el móvil los metadatos customizados mediante las notas de campo, permite revisar y corregir las etiquetas y exporta un dataset limpio en WAV + CSV/JSON, listo para ML.
Libreta de campo (móvil)
Formulario de campo configurable según nos indique EzpelZaintza (condiciones meteorológicas, ruido ambiental, etc.) con registro automático de hora y archivo. Funciona offline y sincroniza las notas con la app de escritorio en un solo sentido.
¿EzpelSorta? — propuesta de nombre para la app de escritorio, a decidir con EzpelZaintza, aún sin cerrar. "Sorta" en euskera: conjunto, lote, grupo — mano o serie de elementos reunidos.
Lo que ya existe y no reinventamos
Reutilizamos lo que ya funciona
Wildlife Acoustics
Grabadora profesional existente.
Kaleidoscope Lite
Espectrograma y análisis que ya resuelve una necesidad existente.
BuscaBoj
Fuente de referencia que se consulta sin modificarla.
Hardware de EzpelZaintza
Se reutiliza lo que ya tiene.
El presupuesto se concentra en conectar y ordenar las piezas, no en reconstruir herramientas que ya funcionan.
Qué recibe EzpelZaintza al final de la Fase 1
¿Qué aportamos a cada grabación individual?
Una grabación
→
audio WAV
metadatos
contexto de campo
etiquetas verificadas
→
Dataset listo para ML
El dataset queda preparado para que una fase posterior pueda entrenar el modelo sin rehacer ni reformatear lo recogido ahora.
Decisiones deliberadas de alcance
Qué no hacemos todavía
NO detector en tiempo real
NO entrenamiento ML
NO hardware nuevo
NO app Android pública
Esto no significa que no vaya a hacerse. Significa que no tiene sentido hacerlo antes de disponer de un dataset suficiente y bien etiquetado.
Por qué esta arquitectura reduce el riesgo
Entrega frágil vs. entrega robusta
Entrega frágil
Código + dependencias + instalación manual
→ "Funciona en el ordenador del desarrollador"
Entrega robusta
Un único paquete
↓ abre la aplicación local
↓ abre el navegador
↓ funciona
La app se plantea como una aplicación local para navegador: un servidor pequeño en el propio ordenador, con la interfaz en el navegador que EzpelZaintza ya usa. Empaqueta como un único ejecutable, sin instalar nada a mano.
Las decisiones que siguen abiertas
Implementación, no diseño
Libreta de campoEpicollect5 / KoboToolbox / formulario propio
Recomendación actual: Epicollect5 (Universidad de Oxford, gratuita) — offline-first, ya validado en ciencia ciudadana.
Sincronización de notasCloudflare R2 / Firebase-Supabase
Recomendación actual: Cloudflare R2 — capa gratuita (10 GB) y sin coste de egress (descarga de datos).
Almacenamiento del datasetdisco local principal / nube principal
Lo decide EzpelZaintza: según su equipo real — no asumimos portátil ni espacio libre — disco local o Cloudflare R2 como principal, el otro como copia de seguridad. Recomendado además un disco duro externo físico como copia adicional, gasto de hardware aparte, no incluido en este presupuesto.
BuscaBojCSV manual / API futura
Recomendación actual: exportación CSV manual — sin credenciales, coste cero; una API en vivo se evalúa en Fase 2.
Son decisiones de implementación "blandas": todas son opciones válidas dentro del diseño general propuesto.
El proyecto completo
Tres fases, dirección clara
Ahora
Fase 1
Construir el entorno de trabajo.
Después
Fase 2
Construir el dataset acumulando volumen de datos.
Objetivo
Fase 3
Entrenar y desplegar el detector.
Solo la Fase 1 está especificada ahora. Las siguientes marcan dirección, no compromiso.
Cierre
En resumen
En resumen
Tenemos hardware y datos iniciales.
El objetivo concreto ahora es dotar del entorno que permita construir un dataset de calidad.
Podemos resolver esa fase con software mínimo y reutilizando herramientas existentes.
El detector se construye después, sobre datos que ya estarán preparados para ello.
Para avanzar
Validar enfoque y cerrar el alcance económico de la Fase 1.
Presupuesto planteado: 800–1000 € · pago comprometido hasta octubre de 2026.