Cómo encontrar pistas duplicadas en una biblioteca DJ.

Cómo encontrar pistas duplicadas en una biblioteca DJ

En una biblioteca que lleva años creciendo, el mismo tema aparece varias veces: una descarga repetida, una copia de respaldo metida dentro de la carpeta de música, una reimportación tras cambiar de software o un fichero renombrado con el sufijo de la versión. Los duplicados no solo ocupan espacio: parten las playlists, ensucian el análisis y hacen convivir una copia buena con otra peor bajo el mismo nombre. Detectarlos tiene dos niveles distintos, y solo uno de ellos es una prueba matemática.

---

1. Por qué se duplican las bibliotecas

Los duplicados entran por caminos aburridos y previsibles. Descargas que se repiten porque el navegador guardó la segunda copia con otro nombre. Carpetas de backup situadas dentro de la biblioteca que el software vuelve a indexar. Migraciones entre programas donde se importa la colección dos veces. Conversiones de formato donde conviven el WAV original y el MP3 derivado. Y ediciones del mismo tema: original, radio edit y versión extendida que comparten título.

El primer paso, antes de cualquier herramienta, es aceptar que conviven tres casos: ficheros idénticos, versiones que suenan distinto y el mismo tema en calidades distintas. Depurar solo tiene sentido cuando sabes cuál de los tres tienes delante, así que el método se organiza en dos pasadas: primero lo exacto, luego lo sospechoso.

---

2. El método exacto: hash SHA-256

El duplicado exacto se detecta con la huella del fichero completo: el hash SHA-256, definido en el estándar FIPS 180-4 de NIST, resume los bytes de un archivo en una cadena única. Dos ficheros con el mismo hash son byte a byte idénticos; si la huella difiere, los ficheros difieren en algo.

La ventaja es que se trata de una prueba, no de una sospecha: no hace falta escuchar nada ni adivinar. El coste es que solo sirve para idénticos. Un mismo tema en MP3 a 320 kbps y en WAV nunca compartirá hash, aunque sea la misma grabación, y un fichero con la etiqueta corregida tampoco, aunque suene igual.

La pasada de hash va además primero porque es la más barata: se calcula sobre los ficheros tal cual están, sin abrirlos en un reproductor ni escucharlos, y devuelve grupos cerrados que se resuelven de una sentada. Agrupa por huella y, dentro de cada grupo, decide qué copia quieres conservar. Lo que quede fuera de esa pasada entra en la segunda.

---

3. El método por similitud y sus límites

La segunda pasada busca candidatos: pistas cuya duración difiere en un segundo o menos y cuyo título, artista o nombre de fichero normalizados alcanzan una similitud de 0,85 o más, medida combinando distancia de Jaccard y distancia de Levenshtein sobre las cadenas.

Aquí la honestidad importa. Igual duración no es prueba de nada: muchos temas caen en el mismo margen sin ser la misma grabación. Y el método no escucha el audio: no hay fingerprint acústico, no se usa Chromaprint ni ningún sistema de huella sonora. Si dos grabaciones suenan igual pero vienen de másteres distintos, o si la misma toma está reencodificada y cambia de duración por el códec, esta pasada puede no unirlas. Los resultados del segundo nivel son candidatos a revisar a oído, no veredictos.

---

4. Qué copia conservar

Cuando un grupo tiene más de una copia y conviene quedarse con una, la recomendación ordena por criterios técnicos: nivel de calidad del fichero, con penalización cuando el techo espectral sugiere que el archivo es una transcodificación; profundidad de bits; frecuencia de muestreo; presencia de recorte; desplazamiento de corriente continua, y completitud de las etiquetas, incluido el ISRC cuando existe.

La lógica es conservar la copia con mejor base técnica y dejar fuera la que ya venía degradada. Si las copias son equivalentes, manda la estructura: quédate con la que mejor encaje en tu organización física de carpetas, tal y como explica la guía de organización de biblioteca. Los campos con los que se comparan las etiquetas son los del estándar ID3, los mismos que trabaja la guía de edición masiva de metadatos.

---

5. Un flujo de limpieza sin borrados a ciegas

1. Pasada de hash. Detecta los duplicados exactos con SHA-256 y resuelve cada grupo eligiendo la copia que te quedas.
2. Pasada de similitud. Genera los candidatos con duración cercana y etiquetas parecidas; confírmalos escuchando, uno a uno.
3. Elección de la copia. Aplica el ranking de calidad o, si empatan, conserva la que mejor encaje con tu estructura.
4. Reenlazar o sustituir. Actualiza la biblioteca para que las playlists y los análisis apunten a la copia conservada.
5. Borrado bajo control. Nada se elimina a ciegas: dry-run con un script en PowerShell o Bash, un CSV de auditoría con lo que se borraría y pautas para deshacerlo. Tú revisas y confirmas. Un dry-run es la versión del script que solo escribe en pantalla lo que haría, sin llegar a borrar nada: léelo con calma, corrige la lista si alguna entrada se queda fuera por error y ejecuta de verdad cuando los grupos tengan sentido.
6. Segunda ejecución. Vuelve a lanzar la detección: el objetivo es que la pasada de hash quede vacía y la de similitud no devuelva candidatos pendientes de revisar.

Si un grupo no tiene una copia claramente mejor, no pasa nada por dejarlo estar: conservar las dos y revisarlas a oído en otro momento es mejor que eliminar a ciegas. La limpieza de biblioteca es un proceso que se repite, no un evento que se resuelve de una vez.

Antes de tocar la biblioteca, ten una copia de seguridad al día: si la limpieza va mal, restaurar es más barato que reconstruir. La regla y los archivos que hay que respaldar están en la guía de backups con regla 3-2-1, y el resultado de la depuración se comprueba en la siguiente guía de la serie, la checklist de calidad de audio.