La Enfermedad de Parkinson es la segunda enfermedad neurodegenerativa más común en el mundo, que actualmente afecta a más de 10 millones de personas. Aunque no tiene cura, existen tratamientos que logran minimizar el impacto que tiene en la vida de los pacientes y sus familias. Por esto, es esencial su detección temprana. Un síntoma característico de esta enfermedad es la debilidad de los músculos que producen la voz, lo que genera cambios en su forma de hablar. Bajo esta premisa se propone un modelo, basado en técnicas de aprendizaje autónomo y aprendizaje profundo, para detectar esos cambios como patrones asociados a la enfermedad, y determinar la probabilidad de que una persona tenga Parkinson. Para el desarrollo del proyecto se obtuvo las grabaciones de audios de sujetos diagnosticados con Parkinson, desde 3 fuentes diferentes: 2 clínicas neurológicas en España y Guayaquil, y un grupo de personas voluntarias. Los archivos de audios pertenecen a grabaciones de personas entonando el fonema A, fonema M y leyendo una lectura corta. De estos audios se extrajeron espectrogramas de frecuencias que fueron los datos de entrenamiento de una red neuronal convolucional tipo ResNet 50 V2, la cual fue la que dio mejores resultados frente a otras arquitecturas evaluadas, con un 95% de precisión en los audios de fonemas y un 97% de precisión con las lecturas cortas. Para probar este modelo, se desarrolló una aplicación web donde se puede cargar archivos de audio de nuevas personas y obtener un diagnóstico de la enfermedad. Como resultado, se logró grabar audios de pacientes con diagnóstico de Parkinson y de sujetos sanos, pre-procesarlos y analizarlos, mediante un modelo basado en deep learning que detecta la enfermedad e integrado a una aplicación web.