Perch 2.0: la IA que aprendió a reconocer 14.500 especies por su sonido

En agosto de 2025, un equipo de Hawái quería encontrar el canto de una especie de ave en peligro crítico entre miles de horas de grabación de campo. Con sus métodos de siempre, la tarea les habría tomado semanas. Usando Perch, el modelo de bioacústica de Google DeepMind, la encontraron 50 veces más rápido, según relata la propia entrada de blog de DeepMind que documenta el caso.

No fue un modelo entrenado para esa especie. Fue un modelo entrenado para casi 15.000 especies distintas, que un laboratorio ajeno a Google reutilizó para un problema que nunca tuvo en mente.

Por qué importa que un modelo "genérico" funcione mejor que uno hecho a la medida

Hasta hace poco, identificar especies por sonido significaba entrenar un clasificador propio para cada proyecto: una especie, una región, un conjunto de grabaciones etiquetadas a mano por alguien que sabe distinguir un canto de otro. Ese trabajo de etiquetado es lento, caro y no escala: cada nuevo sitio de monitoreo, cada nueva especie de interés, vuelve a empezar de cero.

Un modelo fundacional cambia esa cuenta. En vez de entrenar un clasificador desde cero por cada tarea, se entrena una sola vez con una cantidad enorme de sonido biológico diverso, y ese entrenamiento queda disponible como punto de partida para cualquier tarea nueva, incluidas especies o ecosistemas que el modelo nunca vio durante el entrenamiento original.

Qué es exactamente Perch y de dónde salió

Perch es un modelo de bioacústica publicado por Google DeepMind en 2023 y descargado más de 250.000 veces desde entonces, según DeepMind. La versión actualizada, Perch 2.0, se publicó el 8 de agosto de 2025 y fue entrenada con casi el doble de datos que la anterior, tomados de repositorios públicos como Xeno-Canto e iNaturalist, sumando más de 1,5 millones de grabaciones etiquetadas y ampliando su cobertura de aves a mamíferos, anfibios e incluso ruido antropogénico, según describe el propio equipo en el paper técnico Perch 2.0: The Bittern Lesson for Bioacoustics.

Lo que hace útil al modelo no es solo reconocer especies que ya conoce, sino transferir lo aprendido a especies que nunca vio. DeepMind lo llama "modelado ágil": construir un clasificador nuevo, para una especie o un sonido específico, en menos de una hora, usando búsqueda por similitud sobre las representaciones internas del modelo en lugar de reentrenarlo. En Australia, ese mismo mecanismo ayudó a confirmar una población de Pedionomus torquatus (Plains Wanderer) que no se veía cerca de Melbourne en 30 años, según el mismo blog de DeepMind.

Perch no es el único intento de resolver este problema, y conviene ponerlo junto a su contraparte más conocida:

	Perch 2.0 (Google DeepMind)	BirdNET (Cornell Lab / TU Chemnitz)
Publicado por	Google DeepMind	K. Lisa Yang Center for Conservation Bioacoustics (Cornell) y Universidad Técnica de Chemnitz
Cobertura	~14.500 especies: aves, mamíferos, anfibios, insectos	Más de 6.000 especies de aves
Fuente de datos	Xeno-Canto, iNaturalist, Tierstimmenarchiv, FSD50K	Xeno-Canto y colecciones de grabaciones de campo
Uso principal	Transferencia a tareas nuevas vía embeddings ("modelado ágil")	Detección e identificación directa de aves en grabaciones largas
Disponibilidad	Modelo abierto, benchmarks BEANS y BirdSET	App móvil, herramienta web y modelo abierto

Ambos son gratuitos y de código abierto, y ambos se apoyan en la misma idea de fondo: entrenar una vez, con mucho sonido, y reutilizar ese entrenamiento miles de veces después.

El límite entre lo que ya funciona y lo que todavía es hipótesis

Hay que ser preciso sobre qué está documentado y qué no. Lo documentado: Perch y BirdNET existen, están publicados, tienen benchmarks públicos (BEANS y BirdSET para Perch) y casos de uso reales citados arriba, en Hawái y Australia. Lo que no existe, hasta donde alcanza esta investigación, es un caso publicado de estos modelos aplicados sobre una colección de sonidos ambientales colombiana. Eso es una hipótesis de este artículo, no un hallazgo.

Y la hipótesis tiene un punto de partida real y verificable: Colombia ya tiene un archivo grande de sonido biológico esperando ser reutilizado. La Colección de Sonidos Ambientales del Instituto Humboldt, fundada en 1998 en Villa de Leyva, es la más grande de Colombia y la segunda de Latinoamérica: más de 26.500 archivos de audio catalogados, de cerca de 600 localidades en las regiones Andina, Caribe, Orinoquía y Amazonía, con aproximadamente 1.030 especies representadas, alrededor del 69% de las aves nativas del país.

Ese archivo se construyó, como casi todos los de su tipo, con clasificación manual: alguien con formación en bioacústica escuchando y etiquetando. Lo que un modelo fundacional podría aportar, en teoría, no es reemplazar ese trabajo, sino acelerarlo: usar los embeddings de Perch o BirdNET para agrupar automáticamente grabaciones similares, priorizar cuáles revisar primero, o construir clasificadores rápidos para especies de interés puntual (una especie amenazada, un indicador de perturbación) sin repetir el proceso completo de etiquetado desde cero. Es una posibilidad técnica razonable, no un proyecto en curso conocido por este medio.

Qué significa esto para quien administra datos de biodiversidad

La implicación práctica no es "hay que grabar más sonido". Colombia ya lo está haciendo, además del archivo del Humboldt: solo Bogotá instaló 35 sensores acústicos ("audiomoléculas") en áreas protegidas urbanas, y la Red de Ecoacústica de Colombia ya produjo un primer reporte de paisaje sonoro con 330 puntos de monitoreo pasivo en el país, según reportó Bogotá.gov.co. El cuello de botella real está del otro lado: cuántas de esas horas de grabación efectivamente se procesan, se etiquetan y se convierten en información usable a tiempo.

Eso es exactamente lo que un modelo fundacional promete resolver, aunque todavía no exista el caso colombiano que lo demuestre. La pregunta que vale la pena que se hagan quienes administran estos archivos no es si la tecnología funciona (ya funciona, en Hawái y en Australia), sino si vale la pena el experimento de correrla sobre datos propios antes de que otro país lo haga primero.

Portada: imagen generada con IA (openai/gpt-image-2).