EzpelZaintza2050 · propuesta técnica

Fase 1 — Kit de software para captura y etiquetado de audio

Presupuesto cerrado. Alcance, stack, plan de ejecución y riesgos.

Precio

800–1000 €

Plazo de pago

Hasta oct. 2026

Entrega

Sin fecha cerrada*

Hardware nuevo

Ninguno

*El cliente no exige fecha de entrega, solo que el trabajo esté en curso y facturado dentro del plazo de pago.

Qué se vende

Dos entregables de software. Ninguno es el detector — construyen la base de datos que el detector necesitará en una fase posterior.

Entregable A App de escritorio ("EzpelSorta" — nombre propuesto, sin cerrar)

Importa audio .wav desde tarjeta SD / carpeta local.
Lee metadata GUANO embebida automáticamente por el grabador (GPS, timestamp, temperatura, nº de serie).
Recibe notas de campo en un inbox de un solo sentido (móvil → escritorio).
Vinculación nota↔grabación asistida por proximidad de timestamp/GPS, siempre confirmada manualmente — nunca automática forzosa.
Acceso directo a Kaleidoscope Lite para inspección de espectrograma (sin reconstruir visor propio).
Exportación del dataset: audio .wav + etiquetas en .csv/.json — formato estándar de entrada para pipelines de entrenamiento de audio.

Entregable B Libreta de campo digital (móvil)

Formulario estructurado por grabación (toggles, checkboxes, sliders) — campos exactos a confirmar con el cliente.
Funcionamiento 100% offline, guardado local.
Timestamp y nombre de archivo generados automáticamente.
Sync unidireccional al inbox de la app de escritorio — sin edición inversa, sin resolución de conflictos.
Borrado libre en ambos extremos, sin dependencias.

Stack y decisiones de arquitectura

Pieza	Decisión	Motivo
Formato de dataset	`WAV + GUANO` + `CSV/JSON`	Estándar abierto ya emitido por el hardware existente; sin conversión necesaria.
Libreta móvil	Epicollect5 (Univ. Oxford) o formulario propio ligero	Gratuito, offline-first, ya validado en ciencia ciudadana. Decisión pendiente sin impacto en presupuesto.
Canal de sincronización (notas)	Cloudflare R2	Capa gratuita: 10 GB almacenamiento, egress sin coste — dimensionada para las notas del inbox, no para el audio.
Almacenamiento del dataset (audio)	A elegir por el cliente: disco local o nube, la otra opción como copia de seguridad	No se asume equipo portátil ni espacio libre disponible; lo decide EzpelZaintza según su equipo real. Disco duro externo físico recomendado como copia adicional — gasto de hardware aparte, no incluido en este presupuesto.
Integración BuscaBoj	Exportación CSV manual (Google Sheets)	Sin API, sin credenciales, coste de integración mínimo. API en vivo se evalúa en Fase 2.
Backend propio	Ninguno más allá del inbox de sincronización	Minimiza superficie de mantenimiento dentro de presupuesto.

Plan de ejecución

Validación técnica. Confirmar plataforma de la libreta con el cliente, exportar muestra real de BuscaBoj, probar lectura de metadata GUANO con un archivo real de la SM5BAT.
Núcleo de la app de escritorio. Ingesta de audio, lectura de metadata, exportación de dataset en formato final.
Libreta de campo + canal de sync. Formulario móvil, guardado offline, push al inbox.
Vinculación asistida. Emparejamiento nota↔grabación y sugerencia de boj por proximidad GPS/timestamp.
Entrega y ajuste. Prueba con el cliente en condiciones reales, correcciones menores.

Alcance

Incluido	Excluido de esta fase

✓ Captura y etiquetado estructurado de audio
	✗ Detección en tiempo real
✓ Dataset exportado en formato listo para ML
	✗ Entrenamiento de un modelo de ML
✓ Reutilización de hardware y herramientas existentes
	✗ App Android de detección para el público
✓ Lectura de referencia de BuscaBoj (sin garantía de emparejamiento automático)
	✗ Compra de hardware nuevo

Riesgos identificados y mitigación

La plataforma elegida para la libreta no cubre todos los campos necesarios

Mitigado: fallback a formulario propio ligero, coste de desarrollo acotado y ya estimado dentro del presupuesto.

BuscaBoj deja de ser accesible o cambia de formato

Mitigado: integración de solo lectura vía CSV; sin dependencia de API ni credenciales que puedan romperse.

Comportamiento variable de la usuaria en campo (pausas, cambios de sitio) rompe la sincronización

Mitigado: arquitectura de inbox de un solo sentido sin estado compartido entre dispositivos; vinculación siempre manual y asistida, nunca forzosa.

Coordenadas de BuscaBoj en formato inconsistente (campo de texto libre)

Mitigado: parsing tolerante a variaciones de formato, con aviso visible en vez de fallo o descarte silencioso.

Respuesta directa: ¿hace falta ML en esta fase?

No. Esta fase no entrena ningún modelo. Entrega el dataset —audio + etiquetas verificadas— exactamente en el formato que un pipeline de ML de audio necesita como entrada, para que el entrenamiento en una fase posterior no requiera rehacer ni reformatear nada de lo recogido ahora.