Un equipo de la Universidad de Oregón ha presentado TweetyBERT, un sistema capaz de segmentar y clasificar el canto de los canarios sin etiquetas humanas previas y con un rendimiento cercano al de los expertos. El avance interesa a la neurociencia, pero también puede abrir una vía útil para seguir cambios en la comunicación animal en poblaciones silvestres.
Los canarios no van a «traducir» el lenguaje humano de un día para otro. Pero su canto sí acaba de dar un paso importante para entender cómo el cerebro aprende, organiza y produce secuencias complejas de sonidos. Eso es lo que plantea TweetyBERT, un nuevo modelo de aprendizaje automático que ha sido desarrollado por investigadores de la Universidad de Oregón y publicado el 3 de marzo de 2026 en la revista Patterns.
Hasta ahora, buena parte de las herramientas de inteligencia artificial que analizan vocalizaciones animales necesitaban algo lento y muy poco escalable: miles de fragmentos de audio etiquetados por personas. «Los métodos actuales de IA para analizar vocalizaciones animales necesitan datos etiquetados por humanos, un proceso lento y laborioso», explica Tim Gardner, profesor asociado de bioingeniería en la Universidad de Oregón. Según el investigador, TweetyBERT puede procesar grabaciones sin etiquetar, identificar unidades de comunicación y anotar secuencias. En la práctica, eso significa menos trabajo manual y mucha más velocidad para estudiar cantos complejos.
Por qué los científicos se fijan tanto en los canarios
No es un capricho. Los neurocientíficos llevan años usando canarios porque son aves cantoras capaces de aprender canciones complejas y largas a lo largo de su vida. Y eso los convierte en un buen modelo para estudiar comportamientos aprendidos. Además, sus cantos no son un simple trino repetido. Según la Universidad de Oregón, pueden estar formados por entre 30 y 40 sílabas distintas encadenadas en secuencias. Ahí ya hay estructura, memoria y orden. No es poca cosa.
 |
  |
George Vengrovski, estudiante de posgrado en el laboratorio de Gardner, desarrolló TweetyBERT precisamente para automatizar esa tarea de anotación. El sistema adapta la arquitectura BERT, conocida por su uso en procesamiento del lenguaje, pero la lleva al terreno acústico del canto de las aves. ¿Qué significa esto en la práctica? Que el modelo aprende a partir de fragmentos de audio ocultos, algo parecido a tapar trozos de una grabación y pedirle a la máquina que infiera qué falta. Y lo hace trabajando con una resolución temporal diez veces mayor que la de muchos modelos pensados para habla humana.
Qué ha conseguido realmente TweetyBERT
Aquí está la parte importante. El estudio señala que TweetyBERT aprende por sí solo unidades del canto como notas, sílabas y frases, y que después puede agruparlas de una forma muy cercana a las anotaciones hechas por expertos humanos. En una prueba con datos no vistos durante el entrenamiento, el modelo preentrenado logró una tasa total de error del 2,5%, muy cerca del 1,3% obtenido por una versión totalmente supervisada. Traducido a lenguaje normal, el sistema se acerca bastante a lo que logra un modelo alimentado con etiquetas humanas, pero sin depender tanto de ese trabajo previo. Y eso cambia mucho las reglas del juego.
El trabajo también deja una pista interesante sobre cómo cambia el canto con el tiempo. Los autores observaron que la representación interna del modelo era bastante estable dentro de una misma estación, pero variaba con claridad entre el canto de primavera y el de otoño. En los canarios, eso encaja con algo ya conocido por la ciencia: su canto cambia con las estaciones y refleja procesos de plasticidad neural. Dicho de otro modo, TweetyBERT no solo clasifica sonidos, también puede servir para seguir cómo evolucionan los repertorios vocales.
Lo interesante para la naturaleza y el medio ambiente
Y aquí es donde la noticia se vuelve especialmente atractiva para quien mira más allá del laboratorio. Gardner subraya que el enfoque de TweetyBERT no parece limitado a una sola especie. La propia nota oficial de la Universidad de Oregón apunta que, con algunas modificaciones, podría aplicarse a poblaciones naturales de aves para detectar cambios en sus patrones vocales. ¿Para qué serviría eso? Para vigilar mejor cómo responden a la expansión de infraestructuras humanas o al cambio climático. En un mundo con más ruido, más carreteras y hábitats más presionados, escuchar bien a las aves puede contar mucho más de lo que parece.
La universidad también indica que el enfoque de base ya se está utilizando con delfines y ballenas, lo que sugiere una utilidad más amplia para estudiar comunicación animal. Conviene decirlo con calma. El estudio no afirma que estemos a las puertas de traducir conversaciones animales como si fueran frases humanas, pero sí plantea una herramienta nueva para encontrar patrones donde antes había montañas de audio difíciles de ordenar. Y eso, para ecología del comportamiento y seguimiento de fauna, puede acabar siendo muy valioso.
El matiz que no conviene perder de vista
También hay límites, y es bueno contarlos. El propio artículo reconoce que el modelo se entrenó con unas 15 horas de grabaciones de tres canarios y que antes hubo que usar un detector de canto para eliminar llamadas, ruido de jaula y silencios largos. Además, los autores admiten que todavía no han comprobado bien cómo rendiría TweetyBERT con más ruido ambiental o en especies poco estudiadas, y que siguen apareciendo algunas discrepancias frente a las etiquetas humanas. En buena parte, esa es la diferencia entre una herramienta prometedora y una herramienta ya consolidada para el trabajo de campo. El problema no es menor.
En el fondo, el valor de TweetyBERT no está en vender la idea de que un canario «habla» como una persona. Está en algo más serio y más útil. Ordenar sonidos complejos a gran escala, detectar regularidades, seguir cambios a lo largo del tiempo y dar a la neurociencia, y también a la biología del comportamiento, una manera más rápida de escuchar lo que antes se escapaba entre miles de horas de grabación. A veces el avance no está en hacer más ruido, sino en aprender a escuchar mejor.
El estudio oficial ha sido publicado en Patterns.
