El uso de Modelos Ocultos de Markov (HMMs) como un marco de reconocimiento para la clasificación automática de vocalizaciones de animales tiene varios beneficios, incluida la capacidad de manejar la variabilidad de la duración a través de un alineamiento temporal no lineal, la capacidad de incorporar complejas restricciones de lenguaje o reconocimiento, y la fácil extensibilidad a dominios de reconocimiento y detección continuos. En este trabajo, aplicamos HMMs a varias especies diferentes y tareas bioacústicas utilizando características espectrales generalizadas que pueden ajustarse fácilmente entre especies y topologías de redes HMM adecuadas para cada tarea. Este trabajo experimental incluye una tarea de clasificación de tipos de llamadas simples utilizando un HMM por vocalización para el análisis de repertorio de elefantes asiáticos, una tarea de reconocimiento de canciones con restricciones de lenguaje utilizando modelos de sílabas como unidades base para las vocalizaciones de escribano hortelano, y una tarea de diferenciación de estímulos de estrés en vocalizaciones de aves de corral utilizando un modelo no secuencial a través de un HMM de un estado con mezclas gaussianas. Los resultados muestran un rendimiento sólido en todas las tareas e ilustran la flexibilidad del marco de HMM para una variedad de especies, tipos de vocalizaciones y tareas de análisis.