Audio.sys

Grave clipes pelo microfone ou envie arquivos (wav, mp3, webm) para cada classe. Procure variedade (vozes, distâncias, ruído de fundo) e equilíbrio entre classes. Depois, clique em Preparar dados para gerar os espectrogramas e dividir em treino, validação e teste.

Escolha a arquitetura e os hiperparâmetros na barra lateral e acompanhe as curvas em tempo real. Se a curva de validação descolar da de treino, é sinal de sobreajuste: ajuste dropout, aumentos, dados ou épocas e treine de novo (este é o ciclo treinamento ↔ avaliação do AMCH).

Selecione um modelo e inicie o treinamento para ver o resumo das camadas.

A avaliação usa dados que o modelo nunca viu no treinamento. Compare o resultado com o critério de sucesso definido na etapa 1: se não atingiu, volte ao treinamento e ajuste; se atingiu, siga para a predição.

Hora de usar o modelo no mundo real: grave ou envie áudios novos e observe a classe prevista, a confiança e o espectrograma. Predições erradas aqui são informação valiosa: podem indicar classes acusticamente parecidas ou falta de exemplos no treino.

Exporte o modelo treinado e os metadados para reutilizar fora do Image.sys: em outra página web, em um aplicativo ou convertido para Keras. O relatório do experimento documenta todo o ciclo, do requisito ao resultado.

Treine um modelo para gerar os metadados.