La mayoría de la gente usa Plaud para reuniones. Batería de larga duración, audio limpio, le das a grabar y te concentras en la conversación que tienes delante.

Pero Hayden no es como la mayoría. Trabaja en el equipo de gestión de calidad de Plaud, y al más puro estilo de la ingeniería de calidad, está aquí para llevar el producto al límite.

Esto es lo que Hayden se preguntaba durante el fin de semana: ¿qué puede hacer Plaud con la grabación ambiental? Más específicamente, ¿durante la noche? Sin conversaciones, sin reuniones, solo de 6 a 8 horas de sonidos de sueño.

La grabación resultó ser la parte fácil. Después de todo, Plaud puede capturar los sonidos más pequeños en una habitación tranquila. Sin embargo, un archivo WAV de una persona durmiendo no es intrínsecamente útil. Necesitas algo que lo escuche por ti, y con Plaud MCP, Hayden pudo. Lo llama el Analizador de Sonidos del Sueño.

Qué hace

El analizador de Hayden escucha tres cosas: ronquidos, rechinar de dientes y hablar en sueños. Los encuentra, les pone marca de tiempo y resume todo en una única puntuación de sueño de 0 a 100, normalizada para que pueda comparar automáticamente de lunes a domingo.

La característica destacada es la tendencia multinoche, que te dice cómo ha progresado tu sueño y por qué. Si tu puntuación bajó, encuentra el principal causante. ¿Pico de ronquidos? ¿Empeoró el rechinar de dientes? ¿Aumentó el hablar en sueños? Te lo dice inmediatamente.

La primera vez que Hayden usó el sistema con sus propias dos noches, el sistema detectó una caída bastante significativa en la puntuación del sueño en la noche 2: un delta de -25 puntos. El analizador destacó la frecuencia de los ronquidos como el principal causante: la duración del sueño en ambas noches fue similar, pero los ronquidos casi se habían duplicado.

Como cualquier herramienta de monitoreo de la salud, cuanto más se graba, mejores análisis se obtienen. Con el seguimiento a largo plazo, el Analizador puede reconocer tendencias, comparar el sueño de fin de semana y entre semana, destacar valores atípicos e incluso proporcionar recomendaciones para los hábitos de sueño.

La parte del MCP es donde se pone divertido

Hayden empaquetó el analizador como un servidor MCP, por lo que en lugar de escribir código o leer JSON, puede conectarlo a Claude y decir:

"Analiza las grabaciones de las últimas noches y muéstrame mi tendencia de sueño."

Y Claude llama a las herramientas, extrae los informes, compara las noches y te dice qué cambió y qué hacer al respecto.

Por supuesto, también puede hacer preguntas de seguimiento como:

• "¿Fue peor anoche que la noche que tomé copas?"
• "¿Cuál es la diferencia entre vacaciones y días laborables?"
• "¿Cómo está mi tendencia en la última semana?"

La IA analiza, razona y le da la respuesta en segundos.

Cómo funciona el análisis

Bajo el capó, el proceso es el siguiente:

Preprocesar. El audio se remuestrea a 16 kHz, se reduce el ruido, se eliminan los silencios, se divide en ventanas de 1 segundo. Una trampa temprana que Hayden descubrió: la eliminación de silencios cambia las marcas de tiempo. El preprocesador rastrea los tiempos de grabación reales por fotograma para que los eventos se asignen correctamente a cuando realmente sucedieron en la grabación original.

Clasificar. El backend predeterminado es híbrido, lo que resultó ser la elección correcta. El modelo YAMNet de Google (preentrenado en AudioSet) es excelente para ronquidos y habla. Distingue los sonidos reales del ruido del ventilador y el audio ambiental mucho mejor que las reglas ajustadas manualmente. Dicho esto, AudioSet no tiene una clase limpia para el rechinamiento de dientes. Por lo tanto, el híbrido divide el trabajo: YAMNet maneja los ronquidos y el habla en sueños, un motor de reglas ligero maneja el rechinamiento de dientes (señal de banda ancha, alta tasa de cruce por cero). En cualquier fotograma que YAMNet marque como desconocido, el motor de reglas tiene la oportunidad de detectar el rechinamiento.

Fusionar y puntuar. Los eventos cercanos del mismo tipo se fusionan para que un episodio de ronquidos de 3 minutos no aparezca como cientos de eventos individuales de medio segundo. Las tasas de eventos por hora luego alimentan la puntuación de 0 a 100. Tendencia de varias noches: un delta superior a 5 puntos activa mejorando o empeorando. Menos de 5 = estable.

Las herramientas MCP

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:
    # Noche individual. Devuelve eventos, estadísticas, puntuación, sugerencias,
    # y un resumen en markdown pre-renderizado listo para mostrar al usuario.

@mcp.tool()
def analyze_sleep_batch(audio_paths: list[str], ...) -> dict:
    # Varias noches. Devuelve las puntuaciones por noche + veredicto de tendencia
    # con el principal causante (mejorando / empeorando / estable).

@mcp.tool()
def analyze_sleep_trend(
    filenames: list[str] | None = None,
    date_from: str = "",
    date_to: str = "",
) -> dict:
    # Tendencia a partir de informes ya guardados — no es necesario volver a procesar el audio.

@mcp.tool()
def list_sleep_reports() -> list:
    ...

@mcp.tool()
def get_sleep_report(filename: str) -> dict:
    ...

El servidor usa FastMCP sobre stdio. Se inicia en menos de un segundo: TensorFlow y YAMNet se cargan de forma diferida en la primera llamada de análisis real, por lo que la lista de informes no activa una red neuronal solo para leer los nombres de archivo.

Conectando a Claude

# clona e ingresa al repositorio
git clone https://github.com/Hyperianfan/sleep-sound-analyzer.git
cd sleep-sound-analyzer

# crea y activa el entorno virtual
python3 -m venv venv && source venv/bin/activate

# instala con soporte yamnet
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, todo estará bien. A partir de ahí, solo tienes que indicarle a Claude dónde está el archivo.

Una cosa a tener en cuenta: Claude Desktop no puede enviar archivos a un servidor local, por lo que el audio ya debe estar en la misma máquina. Las grabaciones de Plaud se sincronizan con tu computadora de todos modos, por lo que en la práctica es solo una ruta de archivo.

También hay una interfaz de usuario web de Flask en el puerto 5050 (./run.sh) si prefieres navegar por los informes visualmente. El servidor MCP y la aplicación web comparten la misma carpeta output/reports, por lo que los informes de cualquiera de ellos aparecen en ambos.

El mayor aprendizaje

Note Pro fue diseñado para reuniones. Pero las cualidades que lo hacen excelente para una reunión también resultan ser exactamente lo que deseas para la grabación nocturna. Hayden no cambió el hardware. Simplemente hizo una pregunta diferente.

Esa es, en cierto modo, la esencia del MCP. Ya tienes dispositivos capturando datos y una IA capaz de razonar con esos datos. El protocolo es lo que finalmente les permite comunicarse entre sí. Y una vez que lo hacen, obtienes algo perspicaz, consistente y lo suficientemente genial como para presumir ante tus colegas.

Si tienes un Plaud y alguna vez te has preguntado qué más puedes hacer, prueba Plaud MCP hoy mismo.

Para probar el analizador de Hayden: 

Repositorio: github.com/Hyperianfan/sleep-sound-analyzer — Licencia MIT, Python 3.11+, funciona en CPU.

Descargo de responsabilidad: Plaud no es un dispositivo médico.

(Pero creemos que sigue siendo bastante genial personalizarlo como tal. ¿Qué construirás con Plaud hoy?)