La mayoría de las personas usan Plaud para reuniones. Con su batería de larga duración y audio nítido, te permite pulsar el botón de grabar y concentrarte en tus conversaciones.
Pero Hayden no es como la mayoría de las personas. Trabaja en el equipo de gestión de calidad de Plaud, y fiel al enfoque de la ingeniería de calidad, busca poner a prueba los límites del producto.
Esto es lo que Hayden se estuvo preguntando un fin de semana: ¿qué puede hacer Plaud con las grabaciones ambientales? Más específicamente, durante la noche, cuando no hay reuniones ni conversaciones, solo entre seis y ocho horas de sonidos durante el sueño.
La parte de la grabación resultó ser la más sencilla. Después de todo, Plaud puede capturar los sonidos más sutiles en habitaciones silenciosas. Sin embargo, un archivo WAV de los sonidos de una persona mientras duerme no es demasiado útil por sí solo. Se necesita algo que lo escuche, y con Plaud MCP, Hayden encontró la solución, y la llamó Analizador de sonidos del sueño.
Qué hace
El analizador de Hayden presta atención a tres cosas: cuando la persona ronca, rechina los dientes o habla dormida. Las detecta, registra el momento en el que ocurren y resume toda la información en una puntuación de sueño del 0 al 100, normalizada para poder comparar los resultados de lunes a domingo de forma automática.
La característica más destacada es la tendencia de varias noches, que indica cómo ha evolucionado el sueño y a qué se debieron los cambios. Si la puntuación baja, identifica la causa principal. Si los ronquidos de la persona empeoran, rechina más los dientes o habla dormida con mayor frecuencia, lo indica de inmediato.
La primera vez que Hayden procesó datos de dos noches utilizando el sistema, este detectó una reducción bastante significativa en la puntuación del sueño en la segunda noche: una variación de -25 puntos. El analizador señaló la frecuencia de los ronquidos como la causa principal: las dos noches de sueño tenían una duración similar, pero los ronquidos prácticamente se habían duplicado.
Como sucede con cualquier herramienta de monitoreo de la salud, cuantas más grabaciones se tienen, mejores análisis se pueden obtener. Con un seguimiento a largo plazo, el analizador puede reconocer tendencias, comparar la calidad del sueño durante el fin de semana y entre semana, señalar valores atípicos e incluso proporcionar recomendaciones para mejorar los hábitos de sueño.
La parte de MCP es donde todo se pone interesante
Hayden adaptó el analizador para que funcione como un servidor MCP, por lo tanto, en lugar de escribir código o leer JSON, puede conectarlo a Claude y decir:
"Analiza las grabaciones de estas últimas noches y muéstrame mi tendencia de sueño".
Claude utiliza las herramientas necesarias, obtiene los informes, compara los datos de esas noches e indica qué cambió y qué se puede hacer al respecto.
Por supuesto, también puede hacer preguntas de seguimiento, como las siguientes:
- "¿Anoche fue peor que la noche que bebí alcohol?"
- "¿Cuál es la diferencia entre los días de vacaciones y los días laborales?"
- "¿Cómo ha sido la tendencia durante la última semana?"
La IA analiza los datos, razona y le da una respuesta en cuestión de segundos.
Cómo funciona el análisis
A nivel interno, así es como funciona el proceso:
Preprocesamiento. El audio se ajusta a una frecuencia de muestreo de 16 kHz, se reduce el ruido, se eliminan los silencios y se divide en segmentos de un segundo. Una de las primeras dificultades que observó Hayden es que la eliminación de los silencios cambia las marcas de tiempo. Por eso, el preprocesador registra el momento real de grabación de cada frame, de modo que los eventos se asignen correctamente al momento en el que ocurrieron en la grabación original.
Clasificación. El sistema backend predeterminado es híbrido, lo cual resultó ser acertado. El modelo YAMNet de Google (previamente entrenado con AudioSet) es ideal para detectar ronquidos y voz. Distingue sonidos reales de ruidos de ventiladores y del entorno mucho mejor que las reglas definidas de forma manual. Sin embargo, AudioSet no tiene una clase específica que permita identificar el rechinar de dientes. Por eso, el sistema híbrido divide la tarea: YAMNet se encarga de los ronquidos y el habla durante el sueño, y un motor de reglas ligero se encarga del rechinar de dientes (señales de banda ancha con una tasa de cruces por cero alta). En cualquier frame que YAMNet marque como
unknown, el motor de reglas entra en acción para detectar el rechinar de dientes.
Combinación y puntuación. Los eventos cercanos del mismo tipo se fusionan para que un episodio de ronquidos de tres minutos no quede representado con cientos de eventos de medio segundo. La puntuación de 0 a 100 se calcula utilizando las tasas de eventos por hora. En la tendencia de varias noches, una variación de más de cinco puntos activa
improving (mejor) o
worsening (peor), y si el valor se mantiene por debajo de cinco puntos,
stable (estable).
Las herramientas MCP
Incluye cinco herramientas en total:
@mcp.tool()
def analyze_sleep_audio(
audio_path: str,
apply_noise_reduction: bool = True,
save_report: bool = True,
backend: str = "hybrid", # "hybrid" | "yamnet" | "rule"
) -> dict:
# Single night. Returns events, stats, score, suggestions,
# and a pre-rendered markdown summary ready to show the user.
@mcp.tool()
def analyze_sleep_batch(audio_paths: list[str], ...) -> dict:
# Multiple nights. Returns per-night scores + trend verdict
# with primary driver (improving / worsening / stable).
@mcp.tool()
def analyze_sleep_trend(
filenames: list[str] | None = None,
date_from: str = "",
date_to: str = "",
) -> dict:
# Trend from already-saved reports — no need to re-process audio.
@mcp.tool()
def list_sleep_reports() -> list:
...
@mcp.tool()
def get_sleep_report(filename: str) -> dict:
...El servidor utiliza FastMCP a través de stdio. Se inicia en menos de un segundo: TensorFlow y YAMNet se cargan de forma diferida en la primera llamada de análisis real para que el simple hecho de listar los informes no active una red neuronal solo para leer nombres de archivos.
Conexión a Claude
# clone & enter the repo
git clone https://github.com/Hyperianfan/sleep-sound-analyzer.git
cd sleep-sound-analyzer
# create and activate virtual environment
python3 -m venv venv && source venv/bin/activate
# install with yamnet support
pip install ".[yamnet]"Luego, en
claude_desktop_config.json:
{
"mcpServers": {
"sleep-sound-analyzer": {
"command": "/abs/path/to/venv/bin/python",
"args": ["/abs/path/to/sleep-sound-analyzer/mcp_server.py"]
}
}
}Reinicia Claude Desktop. Cuando
analyze_sleep_audio aparezca en la lista de herramientas, ya está todo listo. A partir de ahí, solo tienes que indicarle a Claude dónde se encuentra el archivo.
Un dato importante: Claude Desktop no puede enviar archivos a un servidor local, por lo tanto, el audio ya tiene que estar en la misma máquina. De todos modos, las grabaciones de Plaud se sincronizan con tu computadora, así que, en la práctica, solo es cuestión de indicar la ruta del archivo.
También hay una interfaz web de Flask en el puerto 5050 (
./run.sh) si prefieres consultar los informes de forma visual. El servidor MCP y la app web comparten la misma carpeta
output/reports, por lo tanto, los informes de cualquiera de los dos aparecen en ambos.
La conclusión más importante
Note Pro se diseñó para usarse en reuniones. Pero las cualidades que hacen que sea ideal para las reuniones también resultan ser justo lo que se necesita para las grabaciones nocturnas. Hayden no modificó el hardware. Simplemente planteó una pregunta distinta.
En cierto modo, ese es precisamente el propósito del MCP. Ya tienes dispositivos que registran datos y una IA capaz de razonar a partir de ellos. El protocolo es lo que, en última instancia, les permite comunicarse. Y una vez que lo hacen, obtienes algo revelador, consistente y tan genial de lo que incluso puedes presumir ante tus colegas.
Si tienes un Plaud y alguna vez te has preguntado qué más puedes hacer con él, prueba Plaud MCP hoy mismo.
Para probar el analizador de Hayden:
Repositorio: github.com/Hyperianfan/sleep-sound-analyzer — Código bajo licencia MIT; requiere Python 3.11 o superior y se ejecuta en CPU.
Descargo de responsabilidad: Plaud no es un dispositivo médico.
(Pero nos parece genial que se pueda personalizar para usarlo como si lo fuera. ¿Y tú? ¿Qué vas a crear hoy con Plaud?)
