Los flujos de trabajo modernos de producción de audio a menudo requieren un esfuerzo manual significativo durante la fase inicial de preparación de la sesión, incluyendo el etiquetado de pistas, la estandarización de formatos y la configuración de ganancia. Este documento presenta un sistema de automatización basado en reglas y asistido por aprendizaje automático, diseñado para minimizar el tiempo requerido para estas tareas en estaciones de trabajo de audio digital (DAWs). El sistema detecta y etiqueta automáticamente las pistas de audio, identifica y elimina canales de estéreo falso redundantes, fusiona instrumentos grabados en doble pista en pares estéreo, estandariza la frecuencia de muestreo y la tasa de bits en todas las pistas, y aplica la configuración inicial de ganancia utilizando valores de sonoridad objetivo derivados de un sistema basado en Algoritmos Genéticos (GA), que optimiza los niveles de ganancia para tipos de pistas individuales según las preferencias del ingeniero y las características del instrumento. Al reemplazar los procesos de configuración manual con métodos de toma de decisiones automatizados informados por aprendizaje automático (ML) y heurísticas basadas en reglas, el sistema reduce el tiempo de preparación de la sesión en hasta un 70% en proyectos de audio multitrack típicos. El enfoque propuesto destaca cómo la automatización práctica, combinada con modelos de red neuronal (NN) ligeros, puede optimizar la eficiencia del flujo de trabajo en entornos de producción musical del mundo real.