Packs de sons personnalisés — Comment créer et importer le vôtre

Vigilant Ear peut apprendre de nouveaux sons. Un pack de sons personnalisé apprend à l’app à reconnaître des sons que le détecteur intégré d’Apple ne connaît pas — les oiseaux de votre région, une machine précise au travail, le drôle de bip du couloir de votre immeuble. Vous entraînez un petit modèle sur un Mac (aucun code requis), vous le compressez avec deux petits fichiers texte, et vous l’importez sur votre iPhone.

Les packs personnalisés s’ajoutent par-dessus le détecteur intégré. Activer un pack n’en désactive jamais un autre — sirènes, alarmes et tous les autres sons de sécurité continuent de fonctionner exactement comme avant.

Vous aurez besoin : d’un Mac avec l’app Create ML d’Xcode (gratuite), d’enregistrements audio de vos sons, et de Power Pack+ sur votre iPhone (l’essai gratuit compte).

Exigences strictes — respectez-les à la lettre

Un pack qui ignore l’une de ces règles s’importera mais se comportera mal (fausses alertes constantes, ou aucune détection). Ce ne sont pas des suggestions :

1. Incluez une classe Background — obligatoire, pas optionnelle. Votre modèle doit avoir une classe entraînée sur vos vrais environnements ambiants (pièce calme, rue, ventilateur en marche). Remplissez-la avec 15+ vrais enregistrements et marquez-la avec "category": "ignored" et "threshold": 1.1 dans profiles.json. Sans classe Background, votre pack se déclenchera constamment sur le silence — un classifieur de sons est forcé de choisir l’une de ses classes à chaque instant d’audio ; sans seau « aucun de ceux-ci », il étiquette votre pièce calme comme ce qui lui ressemble le plus.
2. Découpez le silence de vos extraits d’entraînement. Un extrait étiqueté « Owl » qui est 20 secondes de silence avec un seul hululement apprend au modèle que le silence est un hibou. Recadrez les extraits serrés autour du son cible, sinon le modèle apprend les silences.
3. Nommez le fichier modèle exactement model.mlmodel ou model.mlpackage. Tout autre nom → l’import échoue.
4. Utilisez un modèle Create ML Sound Classification. Les modèles image/texte/tabulaires sont refusés.
5. Les clés de profiles.json doivent correspondre exactement aux libellés de classes du modèle — c’est-à-dire les noms de vos dossiers d’entraînement, majuscules et underscores compris.
6. Ajoutez gateClasses (voir ci-dessous). Sans cela, la musique et la télé déclencheront le pack. C’est de loin le meilleur contrôle des fausses alertes.
7. Compressez les fichiers au niveau supérieur (ou dans un seul dossier — pas plus profond). pack.json doit être trouvable.
8. Équilibrez vos classes. Ne donnez pas 100 extraits à une classe et 10 à une autre — le modèle penchera vers la plus grande. Plafonnez les classes généreusement échantillonnées pour que les effectifs restent dans un rapport d’environ 3× les uns des autres.

Le reste de ce guide reprend chacun de ces points dans l’ordre.

Étape 1 — Rassembler l’audio d’entraînement

Créez un dossier pour chaque son à reconnaître, nommé d’après ce son, et remplissez-le d’exemples d’enregistrements :

TrainingData/
  Mourning_Dove/        ← 20+ clips of mourning doves
  House_Finch/          ← 20+ clips of house finches
  Background/           ← 20+ clips of your ambient environment WITHOUT the sounds

Astuces qui font vraiment la différence :

• Incluez toujours une classe Background. Le modèle doit étiqueter chaque instant d’audio comme quelque chose — sans classe d’arrière-plan, le silence et le bruit de rue sont poussés dans vos vraies classes et vous verrez des fausses alertes. Enregistrez les lieux où vous utiliserez réellement le pack : votre jardin, l’atelier, la cuisine.
• Les noms de dossiers deviennent les libellés affichés par l’app (les underscores deviennent des espaces : Mourning_Dove → « Mourning Dove »). Vous pouvez remplacer les noms d’affichage plus tard dans profiles.json.
• Plus de variété vaut mieux que plus de longueur : différentes distances, heures de la journée et conditions de fond. Des extraits de quelques secondes suffisent.
• Les formats courants fonctionnent (.m4a, .wav, .mp3, .aiff).

Étape 2 — Entraîner le modèle dans Create ML

1. Ouvrez Create ML (sur un Mac avec Xcode : menu Xcode → Open Developer Tool → Create ML), et créez un nouveau projet Sound Classification.
2. Glissez votre dossier TrainingData dans Training Data.
3. Cliquez sur Train. Quelques centaines d’extraits s’entraînent en quelques minutes.
4. Consultez l’onglet de précision — si une classe score mal, elle a besoin de plus d’extraits, ou d’extraits plus variés.
5. Dans l’onglet Output, cliquez sur Get et enregistrez le modèle sous model.mlmodel (ou model.mlpackage — les deux fonctionnent). Le nom de fichier doit être exactement model.mlmodel ou model.mlpackage.

Étape 3 — Écrire pack.json

Un petit manifeste décrivant le pack :

{
  "id": "com.example.pack.socalbirds",
  "name": "SoCal Birder's Companion",
  "version": "1.0",
  "author": "Your Name",
  "classes": ["Mourning_Dove", "House_Finch", "Background"],
  "gateClasses": ["bird", "bird_vocalization", "bird_chirp_tweet", "pigeon_dove_coo", "crow_caw"]
}

• name est obligatoire — c’est ce qui apparaît dans la liste des packs de l’app.
• id identifie le pack pour les mises à jour : réimporter un pack avec le même id remplace l’ancienne version sur place. Toute chaîne unique de style reverse-DNS convient.
• classes sert uniquement de documentation. L’app lit la vraie liste de classes depuis le modèle lui-même, donc un décalage ne cassera rien (il est juste noté dans le journal).
• gateClasses (optionnel, fortement recommandé) est l’outil le plus efficace pour stopper les faux positifs. Voir ci-dessous.

gateClasses — laissez le modèle d’Apple faire le videur

Votre modèle est un spécialiste : il est bon pour dire lequel de vos sons il entend, mais il n’a aucune idée de ce qu’est « pas un de mes sons » (c’est ce que la classe Background aide à gérer). Le classifieur intégré d’Apple est un généraliste entraîné sur ~300 sons du quotidien — il est très bon sur la question grossière « y a-t-il un oiseau du tout ? »

gateClasses les enchaîne : les détections de votre pack ne sont signalées que lorsque le modèle d’Apple entend en même temps l’une des catégories intégrées listées. Un pack d’oiseaux se porte sur les libellés oiseaux d’Apple, donc si Apple ne pense pas qu’il y a un oiseau, votre pack reste silencieux — peu importe sa confiance. Cette seule ligne élimine la grande majorité des fausses alertes musique, télé et pièce calme, parce que le modèle d’Apple les score bien en dessous du seuil de porte. Laissez-le de côté et le pack tourne sans filtrage (correct pour les tests, bavard dans le monde réel).

Le filtrage n’est disponible que lorsque Apple a déjà une catégorie proche de votre son. Si votre pack vise quelque chose que le modèle ~300 classes d’Apple ne connaît pas — une machine d’usine précise, le bip d’un appareil médical, une sonnette sur mesure — il n’y a aucun libellé intégré sur lequel se porter, donc vous laissez gateClasses de côté et le pack tourne sans filtrage. C’est attendu, pas une erreur. Pour ces packs, votre classe Background n’est plus une défense parmi d’autres : elle devient la seule chose entre vous et des fausses alertes constantes — investissez-y donc massivement (beaucoup de vrais enregistrements ambiants) et relevez vos seuils par classe.

Portez un pack oiseaux sur les libellés oiseaux génériques d’Apple plus tout libellé spécifique que votre modèle peut réellement nommer : bird, fowl, bird_vocalization, bird_chirp_tweet, bird_squawk, bird_flapping — et, si votre pack a l’espèce correspondante, crow_caw et pigeon_dove_coo. Les autres types de packs choisissent leurs propres portes dans la liste complète des identifiants de sons intégrés en annexe ci-dessous — p. ex. un pack de races de chiens se porte sur dog_bark/dog_howl, un pack véhicules sur engine/truck.

muteClasses — s’en remettre à Apple pour les sons que votre modèle ne peut pas nommer

gateClasses ouvre votre pack quand Apple pense qu’il y a un oiseau. Mais Apple peut spécifiquement nommer certains oiseaux que votre modèle ne couvre peut-être pas — un canard, une oie, un hibou, une dinde, un poulet ou un coq. Si Apple entend un canard et que votre pack n’a pas de classe canard, votre modèle forcera ce coin-coin dans l’espèce la plus proche et l’appellera avec assurance le mauvais oiseau. C’est une mauvaise identification, pas une fausse alerte due au silence — et gateClasses seul ne l’arrêtera pas, car un canard déclenche aussi la porte générique bird.

muteClasses corrige cela : lorsque Apple est confiant sur l’un de ces libellés, votre pack reste silencieux pour cet instant et s’en remet à l’appel spécifique d’Apple. Listez les libellés intégrés des sons que vous ne couvrez pas :

"muteClasses": ["owl_hoot", "duck_quack", "goose_honk", "turkey_gobble", "chicken", "chicken_cluck", "rooster_crow"]

Règle empirique : un libellé oiseau spécifique d’Apple va dans gateClasses si votre modèle a une classe correspondante (ou meilleure) pour lui, et dans muteClasses s’il n’en a pas. Tout ce qu’Apple peut nommer et que vous ne pouvez pas → mettez-le en sourdine, et laissez Apple avoir raison.

Étape 4 — Écrire profiles.json (optionnel, recommandé)

Cela contrôle l’apparence et le ressenti de chaque son dans l’app — une entrée par classe, indexée par le nom exact de dossier/libellé :

{
  "Mourning_Dove": {
    "displayName": "Mourning Dove",
    "hapticCount": 1,
    "emergencyTier": "none",
    "category": "animal",
    "icon": "bird",
    "color": "teal",
    "threshold": 0.5,
    "maxRange": 150
  },
  "House_Finch": {
    "displayName": "House Finch",
    "hapticCount": 1,
    "category": "animal",
    "icon": "bird"
  },
  "Background": {
    "category": "ignored",
    "threshold": 1.1
  }
}

Chaque clé est optionnelle — omettez ce que vous voulez et un défaut raisonnable s’applique :

Votre classe Background a besoin de l’entrée spéciale ci-dessus : "threshold": 1.1 la rend impossible à signaler (la confiance ne dépasse jamais 1.0), donc elle absorbe silencieusement l’audio ambiant au lieu de jamais apparaître comme une détection. Ne vous contentez pas de l’omettre — une classe non listée reçoit quand même le seuil par défaut 0.5 et apparaîtrait dans l’app comme un son générique.

Étape 5 — Compresser

Sélectionnez les trois fichiers — pack.json, profiles.json, model.mlmodel — clic droit, puis Compress. Compresser le dossier englobant fonctionne aussi ; l’app regarde un dossier en profondeur.

MyPack.zip
├── pack.json
├── profiles.json
└── model.mlmodel

Transférez le zip sur votre iPhone comme vous le souhaitez : AirDrop, iCloud Drive, Mail, Messages.

Étape 6 — Importer sur votre iPhone

1. Ouvrez Vigilant Ear → menu engrenage → Power Pack+.
2. Faites défiler jusqu’à Custom Sound Packs (BYOM) et appuyez sur Import Custom Pack (.zip).
3. Choisissez votre zip dans le navigateur Fichiers.

Le pack apparaît dans la liste avec son nombre de sons, déjà LIVE. À partir de là vous pouvez :

• LIVE / OFF — basculer le pack sans le supprimer. Off ne consomme aucune batterie.
• Delete — lance un compte à rebours de 5 secondes (appuyez à nouveau pour annuler), puis retire complètement le pack.
• Importer autant de packs que vous voulez ; ils tournent tous en parallèle du détecteur intégré. Chaque pack live supplémentaire coûte un peu de batterie, donc désactivez ceux que vous n’utilisez pas.

Les sons détectés apparaissent comme les autres : un point sur la carte avec votre icône et couleur, le nom d’affichage dans les alertes, et vos retours haptiques configurés.

Quelques comportements intégrés à connaître : les détections de packs personnalisés ne sont pas relayées aux pairs du maillage Constellation (les autres téléphones n’auront pas votre pack installé), et les sons de pack exigent deux détections consécutives avant d’alerter, ce qui filtre les faux positifs d’une seule image.

Dépannage

Mettre à jour un pack

Réentraînez ou modifiez, recompressez, et réimportez avec le même id dans pack.json — l’ancienne version est remplacée sur place.

Appendix: Built-in Sound Identifiers (iOS 26.5)

Voici les catégories de sons intégrées que le classifieur Sound Analysis d’Apple sur l’appareil peut reconnaître — les libellés disponibles pour gateClasses et muteClasses ci-dessus. Apple ne publie plus cette liste sur son site développeur, donc le tableau ci-dessous a été lu directement depuis le classifieur sur l’appareil (SNClassifierIdentifier.version1).

Classifications connues en juillet 2026 (iOS 26.5) — 303 libellés. Apple peut ajouter, retirer ou renommer ceux-ci à chaque mise à jour du système, donc traitez ceci comme un instantané à un moment donné : se porter sur un libellé qu’un futur OS retire signifie simplement que cette porte ne se déclenche jamais (votre pack reste silencieux), et un libellé nouvellement ajouté n’existera pas tant que vous ne vous y portez pas. Utilisez l’orthographe exacte indiquée (minuscules, underscores).

© 2026 Wingdings, Inc.
All rights reserved.
Patent Pending