En configuraciones tradicionales, la l\u00ednea de producci\u00f3n suele seguir este patr\u00f3n:<\/p>\n\n
prueba electroac\u00fastica autom\u00e1tica + re-verificaci\u00f3n de escucha manual.<\/p>\n\n
Los puntos d\u00e9biles de la escucha manual son muy claros:<\/p>\n\n
- \n
- Fuerte subjetividad: <\/strong>diferentes oyentes tienen distinta sensibilidad a ruidos como \"crujidos\" o \"rasgu\u00f1os\". Incluso la misma persona puede juzgar de forma inconsistente entre los turnos de ma\u00f1ana y de noche.<\/li>\n\n\n\n
- Escasa escalabilidad:<\/strong> la escucha humana requiere una gran concentraci\u00f3n, y es f\u00e1cil fatigarse durante periodos prolongados. Es dif\u00edcil mantener un UPH alto en la producci\u00f3n en masa.<\/li>\n\n\n\n
- Alto coste de formaci\u00f3n: <\/strong>un oyente cualificado necesita una formaci\u00f3n sistem\u00e1tica y una acumulaci\u00f3n de experiencia a largo plazo, y los nuevos operarios tardan en alcanzar el nivel requerido.<\/li>\n\n\n\n
- Resultados dif\u00edciles de rastrear:<\/strong> los juicios subjetivos son dif\u00edciles de convertir en datos cuantitativos e hist\u00f3ricos, lo que dificulta el an\u00e1lisis y la mejora de la calidad posteriores.<\/li>\n<\/ul>\n\n
Por eso, desde hace tiempo el sector busca una forma de utilizar la automatizaci\u00f3n y los algoritmos para realizar este trabajo de manera m\u00e1s estable y econ\u00f3mica, sin sacrificar la sensibilidad del \"o\u00eddo humano\".<\/p>\n\n
De \"o\u00eddos humanos\" a \"o\u00eddos de IA\": enfoque global de CRYSOUND<\/strong><\/h2>\n\n
La respuesta de CRYSOUND es una plataforma de pruebas estandarizada construida en torno al sistema de prueba de ruido an\u00f3malo de CRYSOUND, combinada con algoritmos de escucha basados en IA y \u00fatiles de fijaci\u00f3n dedicados para formar una soluci\u00f3n completa e integrada de hardware y software.<\/p>\n\n
Caracter\u00edsticas clave de la soluci\u00f3n:<\/strong><\/h3>\n\n
- \n
- Plataforma estandarizada y multiprop\u00f3sito: dise\u00f1o modular que admite tanto pruebas convencionales de audio\/ruido de altavoces SPK como pruebas de ruido an\u00f3malo y escucha con IA.<\/li>\n\n\n\n
- Pruebas paralelas 1 a 2: <\/strong>un \u00fanico sistema puede probar dos auriculares al mismo tiempo. En proyectos t\u00edpicos, el UPH puede alcanzar unas 120 piezas.<\/li>\n\n\n\n
- M\u00f3dulo de an\u00e1lisis de escucha con IA:<\/strong> al recopilar datos de unidades buenas para construir un modelo, el sistema identifica autom\u00e1ticamente las unidades con ruido an\u00f3malo, reduciendo significativamente los puestos de escucha manual.<\/li>\n\n\n\n
- Entorno de prueba de bajo ruido: <\/strong>una c\u00e1mara ac\u00fastica de alto rendimiento m\u00e1s una estructura de caja interna controlan el ruido de fondo en torno a 12 dBA, proporcionando un entorno ac\u00fastico estable para el algoritmo de IA.<\/li>\n<\/ul>\n\n
En t\u00e9rminos sencillos, la soluci\u00f3n es:<\/p>\n\n
Un banco de pruebas estandarizado + un \u00fatil de fijaci\u00f3n dedicado + un algoritmo de escucha con IA.<\/strong><\/p>\n\n
\n![\"\"](\"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/5-2.webp\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/1-1.webp\")
<\/figure>\n<\/div>\n\nRuta t\u00edpica de la se\u00f1al de prueba<\/strong><\/h3>\n\n
Con el host de prueba como centro, la cadena unificada \"laboratorio + l\u00ednea de producci\u00f3n\" es la siguiente:<\/p>\n\n
- \n
- PC host \u2192 Adaptador Bluetooth CRY576 \u2192 Auriculares TWS<\/li>\n\n\n\n
- Los auriculares emiten sonido, capturado por el simulador de o\u00eddo CRY718-S01<\/li>\n\n\n\n
- La se\u00f1al se adquiere y analiza mediante el analizador electroac\u00fastico CRY6151B<\/li>\n\n\n\n
- El software llama al m\u00f3dulo de algoritmo de escucha con IA, realiza un an\u00e1lisis autom\u00e1tico de los datos WAV y genera un resultado PASS\/FAIL<\/li>\n<\/ul>\n\n
\u00datiles de fijaci\u00f3n y c\u00e1mara ac\u00fastica: minimizaci\u00f3n de la variaci\u00f3n entre estaciones<\/strong><\/h3>\n\n
La postura de colocaci\u00f3n del producto y las condiciones de acoplamiento suelen determinar la consistencia de la prueba. La soluci\u00f3n reduce la variaci\u00f3n de las pruebas mediante el dise\u00f1o de los \u00fatiles de fijaci\u00f3n y la c\u00e1mara, para fijar las condiciones de prueba tanto como sea posible:<\/p>\n\n
- \n
- \u00datil de fijaci\u00f3n: <\/strong>hendidura conformada de goma blanda.<\/li>\n\n\n\n
- La hendidura conformada garantiza que el auricular se coloque siempre contra el o\u00eddo artificial en la misma postura, reduciendo errores de posici\u00f3n y la variaci\u00f3n de las pruebas.<\/li>\n\n\n\n
- La goma blanda mejora el sellado y evita da\u00f1os mec\u00e1nicos en los auriculares.<\/li>\n\n\n\n
- Caja ac\u00fastica: <\/strong>amortiguaci\u00f3n y aislamiento ac\u00fastico de la caja interna.<\/li>\n\n\n\n
- Esto reduce el impacto de las vibraciones mec\u00e1nicas externas y del ruido ambiental en los resultados de las mediciones.<\/li>\n<\/ul>\n\n
Hardware ac\u00fastico de nivel profesional (configuraci\u00f3n de ejemplo)<\/strong><\/h3>\n\n
Analizador electroac\u00fastico CRY6151B <\/strong><\/p>\n\n
- \n
- Rango de frecuencia de 20 a 20 kHz, bajo ruido de fondo y alto rango din\u00e1mico, que integra tanto la salida de se\u00f1al como la entrada de medici\u00f3n.<\/li>\n<\/ul>\n\n
Conjunto de simulador de o\u00eddo CRY718-S01<\/strong><\/p>\n\n
- \n
- Cumple los requisitos pertinentes de la IEC \/ ITU. Con configuraciones\/condiciones adecuadas, el ruido propio del sistema puede alcanzar el nivel de 12 dBA.<\/li>\n<\/ul>\n\n
C\u00e1mara ac\u00fastica apantallada CRY725D<\/strong><\/p>\n\n
- \n
- Integra apantallamiento RF y aislamiento ac\u00fastico, adaptada a los escenarios de prueba de TWS.<\/li>\n<\/ul>\n\n
Algoritmo de IA: c\u00f3mo la detecci\u00f3n no supervisada de anomal\u00edas \"reconoce lo an\u00f3malo\"<\/strong><\/h2>\n\n
Flujo de entrenamiento: solo se necesitan auriculares \"buenos\"<\/strong><\/h3>\n\n
La soluci\u00f3n de escucha con IA de CRYSOUND utiliza un algoritmo no supervisado de detecci\u00f3n de sonidos an\u00f3malos. Su mayor ventaja es que no requiere recopilar de antemano muchas muestras an\u00f3malas: solo se necesitan unidades normales y buenas para entrenar un modelo que \"entienda el buen sonido\".<\/p>\n\n
En proyectos reales, los pasos t\u00edpicos son los siguientes:<\/p>\n\n
- \n
- Preparar no menos de 100 unidades buenas. En las mismas condiciones que las pruebas de producci\u00f3n en masa, recopilar datos WAV de estas 100 unidades.<\/li>\n\n\n\n
- Entrenar el modelo utilizando estos datos de unidades buenas (por ejemplo, 100 muestras de 10 segundos cada una; el entrenamiento suele tardar menos de 1 minuto).<\/li>\n\n\n\n
- Utilizar el modelo para probar tanto muestras buenas como defectuosas, comparar la distribuci\u00f3n de los resultados y establecer el umbral de decisi\u00f3n.<\/li>\n\n\n\n
- Tras el entrenamiento, el modelo puede utilizarse directamente en la producci\u00f3n en masa. El tiempo de predicci\u00f3n para una sola muestra es inferior a 0,5 segundos.<\/li>\n<\/ul>\n\n
En este proceso, los ingenieros no necesitan etiquetar manualmente cada tipo de ruido an\u00f3malo, lo que reduce en gran medida la barrera para introducir el sistema en un nuevo proyecto.<\/p>\n\n
Principio en breve: dejar que el modelo \"recuente\" primero un sonido normal<\/strong><\/h3>\n\n
De forma aproximada, el algoritmo funciona en tres pasos:<\/p>\n\n
Conversi\u00f3n tiempo-frecuencia<\/strong><\/p>\n\n
- \n
- Convertir la forma de onda grabada en un espectrograma tiempo-frecuencia (como una \"imagen del sonido\").<\/li>\n<\/ul>\n\n
Reconstrucci\u00f3n basada en aprendizaje profundo<\/strong><\/p>\n\n
- \n
- Utilizar el modelo de aprendizaje profundo entrenado con \"auriculares normales\" para reconstruir el espectrograma tiempo-frecuencia.<\/li>\n\n\n\n
- Para las muestras normales, el modelo puede, en mayor o menor medida, \"reproducir\" el espectrograma original. Para las muestras que contienen ruido an\u00f3malo, las partes an\u00f3malas son dif\u00edciles de reconstruir.<\/li>\n<\/ul>\n\n
An\u00e1lisis de diferencias<\/strong><\/p>\n\n
- \n
- Comparar el espectrograma original con el reconstruido y calcular la diferencia a lo largo de los ejes de tiempo y frecuencia para obtener dos curvas de diferencia.<\/li>\n\n\n\n
- Las muestras an\u00f3malas mostrar\u00e1n picos prominentes o \u00e1reas de energ\u00eda concentrada en estas curvas.<\/li>\n<\/ul>\n\n
De este modo, el algoritmo desarrolla un ajuste muy s\u00f3lido al patr\u00f3n \"normal\" y se vuelve de forma natural sensible a cualquier desviaci\u00f3n de ese patr\u00f3n, sin necesidad de construir un modelo independiente para cada tipo de ruido an\u00f3malo.<\/p>\n\n
En proyectos reales, este algoritmo ya se ha verificado en m\u00e1s de 10 proyectos diferentes, logrando una tasa de detecci\u00f3n de defectos de hasta el 99,9%.<\/p>\n\n
![\"\"](\"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/2-1-1024x642.webp\")
<\/figure>\n\n<\/p>\n\n
Ventajas pr\u00e1cticas de la escucha con IA<\/strong><\/h3>\n\n
- \n
- Sin dependencia de muestras an\u00f3malas:<\/strong> no es necesario dedicar un enorme esfuerzo a recopilar diversos ejemplos de ruidos de \"rasgu\u00f1os\" o \"el\u00e9ctricos\".<\/li>\n\n\n\n
- Se adapta a nuevas anomal\u00edas:<\/strong> incluso si aparece un nuevo tipo de sonido an\u00f3malo que no estaba presente durante el entrenamiento, siempre que sea significativamente diferente del patr\u00f3n normal, el algoritmo puede detectarlo igualmente.<\/li>\n\n\n\n
- Aprendizaje continuo: <\/strong>se pueden a\u00f1adir continuamente nuevos datos de unidades buenas para que el modelo se adapte a peque\u00f1as derivas de la l\u00ednea y del entorno a largo plazo.<\/li>\n\n\n\n
- Carga de trabajo manual muy reducida:<\/strong> en lugar de que \"todo el mundo escuche\", se pasa a \"escaneado por IA + inspecci\u00f3n por muestreo en peque\u00f1os lotes\", liberando a las personas para que se centren en trabajos de an\u00e1lisis y optimizaci\u00f3n de mayor valor.<\/li>\n<\/ul>\n\n
Un caso t\u00edpico de despliegue: pr\u00e1ctica real en una l\u00ednea de producci\u00f3n TWS de un ODM<\/strong><\/h2>\n\n
En una l\u00ednea de producci\u00f3n TWS de un ODM, la producci\u00f3n diaria por l\u00ednea es del orden de miles de juegos. Para mejorar el rendimiento y reducir la carga de la escucha manual, introdujeron la soluci\u00f3n de prueba de ruido an\u00f3malo basada en IA:<\/p>\n\n
Elemento<\/strong><\/td> Antes de introducir la soluci\u00f3n de prueba de ruido an\u00f3malo con IA<\/strong><\/td> Despu\u00e9s de introducir la soluci\u00f3n de prueba de ruido an\u00f3malo con IA<\/strong><\/td><\/tr> M\u00e9todo de prueba<\/td> 4 estaciones de escucha manual, con los ruidos an\u00f3malos juzgados exclusivamente por oyentes humanos<\/td> 4 sistemas de prueba de escucha con IA, cada uno probando un par de auriculares<\/td><\/tr> Configuraci\u00f3n de personal<\/td> 4 operarios (escucha a tiempo completo)<\/td> 2 operarios (para carga\/descarga + re-verificaci\u00f3n de unidades an\u00f3malas)<\/td><\/tr> Riesgo de calidad<\/td> Defectos pasados por alto y escapes debidos a la subjetividad y la fatiga<\/td> Durante las corridas piloto, los resultados del sistema de IA coincidieron con el muestreo manual; la estabilidad mejor\u00f3 significativamente<\/td><\/tr> Trabajo durante la etapa piloto<\/td> Definir los procedimientos de escucha manual<\/td> Recopilar muestras, entrenar el modelo de IA, establecer umbrales y validar la viabilidad mediante muestreo manual<\/td><\/tr> Capacidad diaria de la l\u00ednea (por l\u00ednea)<\/td> Limitada por el ritmo de las pruebas manuales<\/td> Alrededor de 1.000 pares de auriculares al d\u00eda<\/td><\/tr> Tasa de detecci\u00f3n de ruido an\u00f3malo<\/td> Exist\u00edan defectos pasados por alto, no cuantificados<\/td> \u2248 99,9%<\/td><\/tr> Tasa de falso rechazo (unidades buenas mal juzgadas)<\/td> Afectada por la subjetividad y la fatiga, no cuantificada<\/td> \u2248 0,2%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n En esta l\u00ednea, la escucha con IA ha asumido esencialmente las tareas originales de escucha manual. No solo se ha reducido la plantilla a la mitad, sino que el riesgo de defectos pasados por alto se ha reducido significativamente, proporcionando datos que respaldan la ampliaci\u00f3n de la soluci\u00f3n a m\u00e1s l\u00edneas de producci\u00f3n en el futuro.<\/p>\n\n
\n![\"\"](\"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/76b4b5a5899c4204a956646dd6af043e.webp\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/IMG20251223135108-1024x768.webp\")
<\/figure>\n<\/div>\n\nRecomendaciones de despliegue: c\u00f3mo sacar el m\u00e1ximo partido a esta soluci\u00f3n<\/strong><\/h2>\n\n
Si est\u00e1 considerando introducir pruebas de ruido an\u00f3malo basadas en IA, puede empezar por los siguientes aspectos:<\/p>\n\n
Planificar la recopilaci\u00f3n de muestras lo antes posible<\/strong><\/p>\n\n
- \n
- Comience a acumular formas de onda de unidades buenas \"confirmadas sin ruido an\u00f3malo\" durante la construcci\u00f3n de prueba\/peque\u00f1a fase piloto, para poder adelantarse al entrenamiento de la IA m\u00e1s adelante.<\/li>\n<\/ul>\n\n
Minimizar la interferencia ambiental<\/strong><\/p>\n\n
- \n
- La estaci\u00f3n de pruebas de escucha con IA debe situarse lejos de equipos de alto ruido como m\u00e1quinas de dispensaci\u00f3n y m\u00e1quinas de soldadura.<\/li>\n\n\n\n
- Al apagar las alarmas ac\u00fasticas, definir pasillos de manipulaci\u00f3n de materiales que eviten las estaciones de prueba y reducir la vibraci\u00f3n del suelo, puede reducir eficazmente las tasas de falsas detecciones.<\/li>\n<\/ul>\n\n
Mantener constantes las condiciones de prueba<\/strong><\/p>\n\n
- \n
- Utilice la misma c\u00e1mara de aislamiento, o\u00eddo artificial, \u00fatiles de fijaci\u00f3n y secuencia de prueba tanto en la fase de entrenamiento como en la de producci\u00f3n en masa, para evitar problemas de transferencia del modelo causados por diferencias ambientales.<\/li>\n<\/ul>\n\n
Mantener un periodo de coexistencia humano-m\u00e1quina<\/strong><\/p>\n\n
- \n
- En la fase inicial, puede adoptar una estrategia de \"100% IA + muestreo manual\", y luego pasar gradualmente a \"100% IA + una peque\u00f1a cantidad de re-verificaci\u00f3n de DOA\", con el fin de minimizar los riesgos asociados al despliegue.<\/li>\n<\/ul>\n\n
Conclusi\u00f3n: dejar que las pruebas vuelvan a \"mirar los datos\" y colocar a las personas donde crean m\u00e1s valor<\/strong><\/h2>\n\n
Las pruebas de escucha con IA, en esencia, son una actualizaci\u00f3n industrial: pasar de la escucha humana basada en la experiencia a pruebas impulsadas por datos y algoritmos.<\/p>\n\n
Con plataformas de prueba estandarizadas de CRYSOUND, hardware ac\u00fastico profesional, \u00fatiles de fijaci\u00f3n espec\u00edficos para cada producto y algoritmos de IA, CRYSOUND est\u00e1 ayudando a cada vez m\u00e1s clientes a transformar la escucha manual, que consume mucho tiempo, mano de obra y es subjetiva, en algo estable, cuantificable y reutilizable.<\/p>\n\n
Si desea saber m\u00e1s sobre las pruebas de ruido an\u00f3malo para auriculares, si est\u00e1 planeando probar la escucha con IA en su l\u00ednea de producci\u00f3n de pr\u00f3xima generaci\u00f3n, o quiere hablar de sus procesos de \"blade\" e indicadores de inspecci\u00f3n, utilice el formulario \"P\u00f3ngase en contacto\" que aparece a continuaci\u00f3n. Nuestro equipo puede compartir ajustes recomendados y un flujo de trabajo in situ adaptado a sus condiciones de producci\u00f3n.<\/p>\n\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
Con el r\u00e1pido crecimiento de productos de audio de consumo como auriculares, altavoces y wearables, las expectativas de los usuarios sobre el \"buen sonido\" han ido mucho m\u00e1s all\u00e1 de simplemente poder o\u00edr con claridad. Ahora quieren un sonido c\u00f3modo, limpio y libre de ruidos adicionales de crujidos, chasquidos o rasgu\u00f1os. Sin embargo, en la [...]<\/p>\n","protected":false},"author":1,"featured_media":272752,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[1055],"tags":[],"class_list":["post-285138","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogs"],"blocksy_meta":[],"acf":[],"jetpack_featured_media_url":"https:\/\/design.crysound.com\/wp-content\/uploads\/2025\/12\/4-1-1.webp","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts\/285138","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/comments?post=285138"}],"version-history":[{"count":0,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/posts\/285138\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/media\/272752"}],"wp:attachment":[{"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/media?parent=285138"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/categories?post=285138"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/design.crysound.com\/es\/wp-json\/wp\/v2\/tags?post=285138"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- En la fase inicial, puede adoptar una estrategia de \"100% IA + muestreo manual\", y luego pasar gradualmente a \"100% IA + una peque\u00f1a cantidad de re-verificaci\u00f3n de DOA\", con el fin de minimizar los riesgos asociados al despliegue.<\/li>\n<\/ul>\n\n
- Utilice la misma c\u00e1mara de aislamiento, o\u00eddo artificial, \u00fatiles de fijaci\u00f3n y secuencia de prueba tanto en la fase de entrenamiento como en la de producci\u00f3n en masa, para evitar problemas de transferencia del modelo causados por diferencias ambientales.<\/li>\n<\/ul>\n\n
- Se adapta a nuevas anomal\u00edas:<\/strong> incluso si aparece un nuevo tipo de sonido an\u00f3malo que no estaba presente durante el entrenamiento, siempre que sea significativamente diferente del patr\u00f3n normal, el algoritmo puede detectarlo igualmente.<\/li>\n\n\n\n
- Sin dependencia de muestras an\u00f3malas:<\/strong> no es necesario dedicar un enorme esfuerzo a recopilar diversos ejemplos de ruidos de \"rasgu\u00f1os\" o \"el\u00e9ctricos\".<\/li>\n\n\n\n
- Convertir la forma de onda grabada en un espectrograma tiempo-frecuencia (como una \"imagen del sonido\").<\/li>\n<\/ul>\n\n
- Integra apantallamiento RF y aislamiento ac\u00fastico, adaptada a los escenarios de prueba de TWS.<\/li>\n<\/ul>\n\n
- Cumple los requisitos pertinentes de la IEC \/ ITU. Con configuraciones\/condiciones adecuadas, el ruido propio del sistema puede alcanzar el nivel de 12 dBA.<\/li>\n<\/ul>\n\n
- \u00datil de fijaci\u00f3n: <\/strong>hendidura conformada de goma blanda.<\/li>\n\n\n\n
- M\u00f3dulo de an\u00e1lisis de escucha con IA:<\/strong> al recopilar datos de unidades buenas para construir un modelo, el sistema identifica autom\u00e1ticamente las unidades con ruido an\u00f3malo, reduciendo significativamente los puestos de escucha manual.<\/li>\n\n\n\n
- Escasa escalabilidad:<\/strong> la escucha humana requiere una gran concentraci\u00f3n, y es f\u00e1cil fatigarse durante periodos prolongados. Es dif\u00edcil mantener un UPH alto en la producci\u00f3n en masa.<\/li>\n\n\n\n