Reconocimiento de locutorSpeaker Recognition

Mira a la persona, no el contenido

Ante el mismo sonido, lo que importa cambia según la tarea. La transcripción de voz se queda con el contenido y descarta el timbre; el reconocimiento de locutor hace lo contrario. Por eso puede identificar a una persona aunque sea la primera vez que oye esa frase, incluso en un idioma que no conoce.

El timbre de la voz nace de la forma del cuerpo: el largo y grosor de las cuerdas vocales, el espacio dentro de la boca y la nariz, y las costumbres al mover la lengua se combinan para dar a cada persona un patrón distinto, visible en el dibujo del sonido como la separación entre las rayas y la forma de la resonancia.

Las costumbres al hablar también son una pista, como la velocidad o dónde se hacen las pausas, pero como cambian según la situación, no se les da tanta confianza como a los rasgos del cuerpo.

Se convierte en números y se compara

No se compara la voz entera de una vez. Una grabación de segundos se despliega en un dibujo del sonido y se comprime en un único conjunto de números que solo conserva los rasgos de esa persona, entrenado para caer cerca sin importar qué diga, y lejos si es otra persona.

Registrarse es crear y guardar ese conjunto. Más tarde, la voz que llega se convierte en un conjunto de la misma manera, y se mide qué tan cerca están los dos. Lo que se compara no es el sonido en sí, sino este conjunto de números.

Por eso basta con unas pocas frases al registrarse, y más adelante reconoce a la persona aunque diga algo completamente distinto. También existe la variante de pedir siempre la misma frase fija: sube la exactitud, pero se vuelve más vulnerable a que alguien reproduzca una grabación guardada de antemano.

Los dos tipos de error se compensan entre sí

La puntuación de parecido tiene un umbral que define el carácter del servicio. Si se pone bajo, el dueño pasa cómodo, pero también pasan otras personas con una voz parecida; si se pone alto, se bloquea a los demás, pero también al dueño con más frecuencia.

Bajar un tipo de error sube el otro, así que se ajusta según qué se quiere proteger. Para algo tan liviano como pedirle una canción a un altavoz basta un umbral relajado, pero donde hay dinero de por medio conviene uno mucho más estricto, combinado con otras formas de verificación.

Además, el peso del error no cae igual sobre todo el mundo: las voces poco representadas al entrenar el sistema, como las de personas muy mayores o muy jóvenes, quedan bloqueadas con más frecuencia con el mismo umbral. Un único umbral se convierte, para algunos, en una simple molestia, y para otros, en una discusión constante frente a la puerta.

Se altera con facilidad

Un resfriado cambia la voz, y lo mismo pasa con el cansancio extremo o la ronquera. Cambiar de micrófono o pasar por una llamada telefónica comprime el timbre del sonido y baja la puntuación; registrarse en una habitación silenciosa y usar el sistema en la calle es un caso típico donde esto se complica.

También es difícil cuando varias personas hablan a la vez: separar quién habló y cuándo en una grabación de reunión falla especialmente donde las voces se superponen. Las voces muy parecidas, sobre todo entre familiares o gemelos, confunden tanto a las personas como a la máquina.

La voz no se puede cambiar

Aquí está el punto que más cuidado exige: una contraseña, si se filtra, se puede cambiar; la voz no. Un registro reunido una sola vez señala a la misma persona para siempre, así que se trata como un dato biométrico, igual que una huella, y en muchos países reunirla exige consentimiento y protecciones aparte.

También ha crecido el riesgo de que una voz imitada burle el sistema, porque ya son comunes las herramientas que producen una voz ajena convincente con una grabación breve. Por eso confiar solo en la voz se ha vuelto más arriesgado, y la tendencia va hacia comprobar si quien habla está presente, o combinar otros métodos: no acumular las grabaciones tal cual, guardar solo el conjunto de números, e informar cuánto tiempo se conservan.