EspectrogramaSpectrogram

Con la forma de onda sola es difícil saber

Al abrir un archivo grabado aparece una forma de olas que muestra, en el tiempo, cuánto se movió el aire. Ahí se ve enseguida si el sonido es fuerte o flojo, y cuándo empieza y termina.

Pero lo que de verdad se quiere saber no se ve bien. Si es un zumbido grave o un chirrido agudo, si es una voz humana o una puerta que se cierra, todo eso queda mezclado en lo apretadas que están las olas, y si varios sonidos se superponen, esa onda se junta en una sola línea, aún más difícil de distinguir.

Por eso, casi todo lo que se hace con sonido no trabaja directamente con la forma de onda, sino que primero la pasa a un dibujo separado por alturas.

Una ficha por cada trozo corto

Si se mide la altura del sonido tomándolo entero, solo se sabe qué notas hubo en toda la pieza, pero se pierde cuándo hubo cada una. Por eso se mide en trozos muy cortos, cada uno tan breve que dentro de él se puede dar por hecho que el sonido casi no cambia.

En cada trozo se mide la fuerza de cada componente, de grave a agudo, y eso da una columna vertical. Ese trozo se desliza un poco hacia el lado y se repite el cálculo; al pegar las columnas una tras otra en el tiempo, el dibujo queda completo, y como los trozos se solapan al desplazarse, no quedan cortes bruscos entre una columna y la siguiente.

Las divisiones de las casillas suelen ajustarse al oído humano. Como se nota bien una pequeña diferencia en los sonidos graves y casi no se nota la misma diferencia en los agudos, la parte grave se divide muy fina y la aguda más gruesa.

Cómo leer el dibujo

El eje horizontal es el tiempo, el vertical es la altura, y lo oscuro marca la fuerza. La voz aparece en este dibujo como rayas horizontales paralelas. La raya más baja es la altura básica a la que vibran las cuerdas vocales, y por encima se apilan más rayas a intervalos regulares. Cuando en una canción se sube de nota, todo ese conjunto de rayas se desplaza hacia arriba.

Sonidos como una consonante final o un sonido de "s" aparecen sin rayas, como una mancha ancha y difuminada arriba. Un aplauso o una puerta al cerrarse se ven como una línea vertical corta y ancha, y un tramo silencioso es simplemente un espacio vacío. Aunque dos personas digan la misma palabra, la separación entre sus rayas y la forma de sus manchas son distintas, y ese patrón funciona como la huella de cada voz.

Elegir la nitidez implica perder algo

Cuanto más cortos se hacen los trozos, más claro queda cuándo pasó cada cosa. A cambio, dentro de cada trozo hay menos onda, así que las casillas de altura se vuelven borrosas. Al revés, si los trozos se alargan, la altura se separa con más finura, pero el instante exacto en que cambió el sonido se emborrona.

No se pueden tener las dos cosas nítidas al mismo tiempo. Solo queda elegir según lo que se quiera observar. Para transcribir habla, donde el sonido cambia rápido, se cortan trozos cortos; para mirar los acordes de una pieza musical, se cortan un poco más largos.

Sobre este dibujo pasan las cosas

Al pasar el sonido a espectrograma, un problema de sonido se convierte en un problema de imagen. Ya hay muchísimos métodos acumulados para reconocer patrones en una imagen, así que se pueden aprovechar tal cual.

La transcripción de voz lee, en este dibujo, el patrón de cada sonido y lo pasa a letras; la detección de tono consiste en señalar cuál raya, entre todas, es la de referencia. La separación de fuentes consiste en repartir los patrones superpuestos entre los distintos instrumentos, y la generación de sonido hace el camino contrario: primero dibuja este cuadro y después lo convierte en forma de onda.