Las redes neuronales se han establecido como potencias en lo que respecta a varios tipos de detección, desde actividades humanas hasta sus emociones. Existen varios tipos de análisis, y el más popular y exitoso es el análisis de video. Sin embargo, hay otros tipos de análisis que, aunque no se utilizan tan a menudo, siguen siendo prometedores. En este artículo, se realiza una comparación entre el análisis de audio y video en un intento de clasificar la detección de violencia en transmisiones en tiempo real. Este estudio, que siguió la metodología CRISP-DM, utilizó varios modelos disponibles a través de PyTorch para probar un conjunto diverso de modelos y lograr resultados robustos. Los resultados obtenidos demostraron por qué el análisis de video tiene tanta prevalencia, con la clasificación de video superando fácilmente a su contraparte de clasificación de audio. Mientras que los modelos de audio obtuvieron en promedio un 76% de precisión, los modelos de video aseguraron puntajes promedio del 89%, mostrando una diferencia significativa en el rendimiento. Este estudio concluyó que los métodos aplicados son bastante prometedores en la detección de violencia, utilizando tanto audio como video.