acoupi: una Raspberry Pi que escucha el bosque y solo reporta lo que detecta

Durante 30 días, entre octubre y noviembre de 2024, un microcomputador del tamaño de una tarjeta de crédito grabó 129.939 fragmentos de audio en la azotea de un edificio de Londres, los analizó con una red neuronal sin salir del dispositivo y solo mandó a un servidor remoto las detecciones. No guardó las grabaciones. Así lo cuenta el preprint de acoupi, el marco de código abierto que lo hizo posible.

El cuello de botella que acoupi quiere quitar

El monitoreo acústico pasivo ya es una herramienta central de biodiversidad, pero tiene un problema logístico. Según los autores, los sistemas tradicionales exigen descargar los datos a mano y demandan mucho almacenamiento y cómputo. Si el dispositivo analiza el audio en el sitio y transmite solo lo relevante, el volumen de datos baja de forma drástica.

La parte difícil, advierten, es programar esos equipos para que funcionen de forma robusta: se necesita experiencia en sistemas embebidos y en ingeniería de software que muchos equipos de ecología no tienen. De ahí viene la propuesta: un marco que traiga resuelto lo aburrido (los horarios, los reintentos, el registro de eventos) para que el investigador se concentre en el modelo y en la pregunta.

Cómo está armado

acoupi organiza el trabajo en cinco tareas: grabación, detección, mensajería, resumen y gestión. Cada una es un módulo que se puede cambiar o ampliar. Lo que ofrece el diseño, según el artículo:

• Reintentos automáticos. Usa Celery para programar tareas, repetir las que fallan y ejecutar varias en paralelo.
• Recuperación tras cortes de energía y un registro detallado de la actividad del dispositivo, para encontrar fallas sin perder datos.
• No guarda audio por defecto. Las grabaciones viven en memoria mientras se procesan; solo se conservan si el modelo detecta una vocalización de interés. Así se evita que el almacenamiento se agote a mitad del despliegue.
• Metadatos ligeros en SQLite y la configuración guardada, lo que permite repetir un despliegue compartiendo un archivo.

El hardware mínimo es una computadora de placa única con Linux (probada en una Raspberry Pi 4 Model B con sistema de 64 bits), un micrófono y una tarjeta microSD.

Los dos programas listos y la prueba de 30 días

Los autores incluyeron dos programas que funcionan sin escribir código, solo con ajustes de configuración. Se comparan así:

	acoupi_birdnet	acoupi_batdetect2
Modelo	BirdNET (aves)	BatDetect2 (17 especies de murciélagos comunes en el Reino Unido)
Ciclo de grabación	9 segundos cada 10 s, de 03:00 a 23:00	3 segundos cada 10 s, de 19:00 a 07:00
Frecuencia de muestreo recomendada	48 kHz	256 kHz
Grabaciones en la prueba	129.939	65.711
Sin procesar	4 (0,003 %)	1.203 (1,83 %)
Mensajes enviados	8.716 (100 % entregados)	868 (100 % entregados)

La lectura honesta de estos números tiene dos partes. La buena: todas las detecciones generadas llegaron al servidor, y el programa de aves procesó casi todo. La menos buena: ambos despliegues terminaron antes de tiempo. El equipo de aves probablemente fue desplazado por el viento y perdió energía; el de murciélagos tuvo un error de software que explica las 1.203 grabaciones sin procesar, y los autores afirman que ya se corrigió.

Lo que la prueba no demuestra

Los propios autores marcan los límites, y conviene repetirlos:

1. Condiciones fáciles. El sitio se escogió por tener corriente y Wi-Fi a mano, y reconocen que eso no representa los retos de un despliegue real en campo.
2. Solo Wi-Fi. En su primera versión acoupi solo transmite por Wi-Fi; las redes celulares y LoRaWAN son extensiones posibles, aún sin implementar.
3. Consumo de energía. Una computadora de placa única gasta más que un microcontrolador y necesita alimentación continua (red eléctrica o panel solar con batería).
4. Costo. La placa cuesta lo mismo que una grabadora AudioMoth, pero un equipo completo, con micrófono y carcasa, puede exceder el presupuesto de proyectos con pocos recursos.
5. Errores de los modelos. Como cualquier modelo de aprendizaje profundo, BirdNET y BatDetect2 pueden confundir o pasar por alto especies. Los autores sugieren guardar las grabaciones con puntuación alta para validar después.

Para la validación hay un dato útil de contexto: la primera evaluación global de BirdNET midió su precisión y su recall en 67 sitios, y mostró que el desempeño varía mucho según el lugar. Eso refuerza la recomendación de conservar evidencia sonora de las detecciones importantes.

Qué significa para quien monitorea fauna

Esto es interpretación propia, no una afirmación del artículo. El valor de acoupi no está en un modelo nuevo, sino en bajar la barrera para desplegar los que ya existen. Un equipo que conozca Python y tenga acceso a energía y a una red estable (una estación biológica, un centro de visitantes, un borde de bosque con cobertura) podría montar un nodo de monitoreo continuo con piezas baratas y compartir la configuración con otros equipos, lo que facilita comparar sitios.

Para el bosque remoto, sin red y con baterías limitadas, la propuesta actual todavía no alcanza. Ahí siguen siendo más adecuadas los nodos solares con IA de borde y comunicación satelital o las grabadoras que se recogen a mano y se analizan después con modelos de gran escala como Perch y BirdNET.

La conclusión: acoupi es una herramienta honesta sobre su alcance. Resuelve bien el caso de sitios con energía y red, y deja anotado qué falta para llegar a los lugares donde más se necesita medir.

Imagen de portada: Raspberry Pi 4 Model B, por Laserlicht, CC BY-SA 4.0, vía Wikimedia Commons.