Vocoder

Generar sonido se divide en dos partes

Si se abre por dentro una tecnología que lee texto en voz alta, se ve que está partida en dos. La primera recibe el texto y decide qué pronunciar, durante cuánto tiempo y a qué altura, y lo deja anotado como si fuera un dibujo. La segunda mira solo ese dibujo y genera la forma de onda real. Esa segunda parte es el vocoder.

Hay una razón para separarlas: las dos tareas son de naturaleza muy distinta. La primera trabaja con el contenido y la entonación, así que tiene que entender bien el texto; la segunda no necesita saber de qué trata, solo tiene que producir bien el timbre del sonido. Al separarlas, cada una se puede entrenar por su cuenta, e incluso se puede cambiar solo una por otra mejor.

Cambiar de voz también se vuelve más fácil. El plan se deja igual y solo se cambia la tubería, así que la misma frase sale con una voz distinta. En el trabajo con canciones o con instrumentos se usa la misma estructura.

Al plano le falta algo

El dibujo que entrega la primera parte anota, para cada instante, qué altura de componente hay y con qué fuerza. Pero no dice por qué punto exacto pasa la onda del sonido en ese momento, ni dónde caen sus crestas y sus valles. Es como un plan que tiene la cantidad de agua pero no la textura del chorro.

Sin esa información que falta no se puede dibujar la forma de onda. La mitad del trabajo del vocoder es rellenar ese hueco de forma creíble. Si se rellena mal, el sonido se emborrona o se le mezclan chirridos, y hasta generar dos veces el mismo dibujo puede dar sonidos sutilmente distintos.

Antes, ese hueco se llenaba con una regla de cálculo fija: era rápido, pero se notaba el zumbido. Ahora, un modelo que ha escuchado muchísimas grabaciones aprende a completar "si el dibujo es así, la onda suele tener más o menos esta forma". Que hoy sea difícil distinguir esto de una voz humana se debe en buena parte a que esta parte ha mejorado mucho.

La forma de onda es muy detallada

Cada casilla del plano suele cubrir unos pocos milisegundos. La forma de onda real, en cambio, es una fila de decenas de miles de valores por segundo. El vocoder recibe un dibujo poco detallado y tiene que sacar de ahí una fila cientos de veces más densa.

Hay dos maneras principales de hacerlo. Generar valor por valor, uno detrás de otro, suena muy natural, pero es lento: si producir un segundo de sonido tarda más de un segundo, es difícil usarlo en tiempo real. Al revés, generarlo todo de golpe es mucho más rápido, pero tiende a salir con un timbre más tosco.

Hoy se usa mucho un enfoque que reparte el trabajo entre dos partes. Una genera la forma de onda y la otra evalúa si esa forma de onda parece una grabación real, y al hacerlas competir entre sí se consigue un sonido rápido y con un timbre vivo a la vez.

Dónde se nota lo bueno y lo malo

La calidad del vocoder se nota especialmente en ciertos puntos: sonidos sin patrón fijo, como una respiración o el viento; las notas largas de una canción; y los instantes en que el sonido empieza o se corta. Ahí, si el vocoder es tosco, aparece un ruido metálico o un eco como de hablar bajo el agua.

También cambia según la voz. El timbre que se usó mucho al entrenar sale suave; uno poco familiar sale inestable. Por eso, donde hay que manejar muchas voces distintas se usa un vocoder entrenado con una gran variedad de voces, o se le pasan por separado las características propias de cada una.