El etiquetado de muestras es una tarea recurrente y que consume mucho tiempo en el análisis de datos y el aprendizaje automático, y sin embargo, generalmente se pasa por alto en términos de enfoques de análisis visual para mejorar el proceso. A medida que aumenta el número de aplicaciones personalizadas de modelos de aprendizaje, es crucial que se desarrollen enfoques más efectivos para el etiquetado. En este artículo, informamos sobre el desarrollo de una metodología y un marco para apoyar el etiquetado, con un caso de aplicación como contexto. La metodología realiza aprendizaje activo visual y propagación de etiquetas con incrustaciones 2D como diseños para lograr un etiquetado más rápido e interactivo de muestras. El marco se realiza a través de SoundscapeX, una herramienta para apoyar el etiquetado en datos de ecología de paisajes sonoros. Hemos aplicado el marco a un conjunto de grabaciones de audio recopiladas para un Proyecto de Investigación Ecológica a Largo Plazo en el Corredor Cantareira-Mantiqueira (LTER CCM), localizado en la transición entre el noreste del estado de São Paulo y el sur del estado de Minas Gerais en Brasil. Empleamos un conjunto de datos preetiquetados de grupos de animales para probar la eficacia del enfoque. Los resultados mostraron la mejor precisión con un 94.58% en la predicción del etiquetado para aves e insectos; y un 91.09% para la predicción del evento sonoro como ranas e insectos.