Le déploiement de réseaux de capteurs acoustiques en milieu naturel contribue à la compréhension et à la sauvegarde de la biodiversité. Pourtant, la masse de données audio recueillies par ces capteurs ne peut être écoutée dans sa totalité. Afin de se donner un rapide aperçu auditif du contenu d'un corpus éco-acoustique, il est donc courant d'en tirer K extraits uniformément au hasard. Dans cet article, nous présentons une méthode alternative fondée sur un K-processus ponctuel déterminantal (K-DPP). Cette méthode pondère l'échantillonnage des K-uplets d'après un double critère de pertinence et de diversité. Pour l'étude éco-acoustique d'une forêt tropicale sèche en Colombie, nous définissons la pertinence en termes de dérivée seconde spectrotemporelle (TFSD) et la diversité en termes de diffusion en ondelettes. Dès lors, nous montrons que K-DPP offre un meilleur compromis qu'un partitionnement par K-moyennes. De plus, nous estimons la richesse spécifique des K extraits sélectionnés à l'aide du classifieur de chants d'oiseaux BirdNET, fondé sur un réseau de neurones profond. Pour K > 10, K-DPP et K-moyennes tendent à produire un inventaire d'espèces plus riche que K extraits tirés indépendamment.