LA INVENCIÓN DE LA VOZ

 

El 3 de septiembre de 1777, Matthew Boulton prometió pagar mil libras a Erasmus Darwin si, en el plazo de dos años, le entregaba una máquina capaz de recitar el padrenuestro, el credo y los diez mandamientos. Era una fortuna, pero Boulton tampoco pedía poca cosa. El aparato no debía limitarse a decir buenos días cuando alguien tirase de una palanca: tenía que demostrar que conocía los fundamentos de la doctrina cristiana y pronunciarlos en un inglés comprensible. Se esperaba de él bastante más que de muchos feligreses.

Erasmus Darwin, abuelo de Charles, era médico, poeta, naturalista, inventor y miembro de la Sociedad Lunar de Birmingham, aquel extraordinario grupo en el que se reunían James Watt, Joseph Priestley, Josiah Wedgwood, William Withering y el propio Boulton. Se llamaban a sí mismos los “Lunaticks” porque procuraban cenar cerca del plenilunio, cuya luz les permitía regresar a casa por caminos sin alumbrado. Hablaban de motores, plantas, gases, fósiles y electricidad, y algunas de sus conversaciones ayudaron a impulsar la Revolución industrial. Otras produjeron una cabeza de madera que decía «mamá» con voz lastimera.

La máquina de Darwin empleaba unos fuelles como pulmones. El aire hacía vibrar una cinta de seda tensada entre dos piezas de madera, que actuaba como laringe. Una boca provista de labios de cuero moldeaba los sonidos, mientras que una abertura posterior podía cerrarse para imitar el paso del aire por la nariz. El operador accionaba los fuelles con una mano y manipulaba los labios con la otra. Era menos una persona artificial que un instrumento musical en el que, en lugar de tocar notas, se tocaban fonemas.

Su repertorio se limitaba a las consonantes p, b y m y a la vocal a, con las que podía pronunciar mama, papa, map y pam. Darwin afirmó que lo hacía con tanta precisión que engañaba a quienes la escuchaban sin verla. No llegó a recitar el padrenuestro y Boulton se ahorró las mil libras, pero el experimento contenía una idea formidable: la voz, que parecía una emanación directa del alma, podía descomponerse en operaciones físicas y reconstruirse con materiales ordinarios.

La voz humana es, en esencia, una pequeña proeza neumática. El aire expulsado por los pulmones hace vibrar los pliegues vocales y produce un zumbido bastante poco prometedor. La garganta, la boca y las cavidades nasales actúan como resonadores; la lengua, los dientes, el paladar y los labios convierten después aquel ruido en palabras. Pero de ese mecanismo surge algo que identificamos con la persona entera. Reconocemos una voz antes de ver el rostro y descubrimos en ella la edad, el origen, el cansancio o el miedo. Por eso fabricar una voz resulta más inquietante que fabricar un reloj. El reloj imita un movimiento; la voz imita una presencia.

Darwin no fue el único que lo intentó. En 1769, Wolfgang von Kempelen comenzó a construir otra máquina parlante con un fuelle, una lengüeta y una cámara flexible de caucho que hacía de boca. Kempelen era también el creador del Turco, un famoso autómata que jugaba al ajedrez y que, en realidad, ocultaba a un jugador humano en su interior. La máquina de hablar, en cambio, era auténtica, aunque bastante menos espectacular. A veces la historia recuerda mejor el fraude que el verdadero invento.

Durante el siglo XIX, Charles Wheatstone perfeccionó el diseño de Kempelen. Una reproducción fascinó al joven Alexander Graham Bell, cuyo padre era especialista en fonética. Bell y su hermano construyeron una cabeza con garganta, lengua, labios y mejillas y consiguieron que pronunciara algo parecido a «mamá». Un vecino creyó escuchar a un bebé y acudió a averiguar qué estaban haciéndole. Bell abandonó aquella cabeza, pero no la obsesión por la voz. En 1876 patentó el teléfono. En lugar de fabricarla desde cero, había encontrado la manera de separarla del cuerpo, convertirla en una señal eléctrica y reconstruirla a distancia. Los fantasmas acababan de adquirir infraestructura.

El siguiente salto ocurrió en los Laboratorios Bell. En la década de 1930, el ingeniero Homer Dudley creó el Voder, una máquina que descomponía el habla en sus componentes acústicos y volvía a reunirlos electrónicamente. Fue presentado en la Exposición Universal de Nueva York de 1939. Parecía un órgano y requería una operadora entrenada durante meses. Sus teclas controlaban distintas frecuencias; otros mandos producían consonantes, y un pedal regulaba la entonación. Veinte mujeres aprendieron a tocar frases como si fueran melodías. El Voder hablaba, pero todavía necesitaba que una persona interpretara su aparato vocal.

Los ordenadores eliminaron finalmente al intérprete. En 1961, John Kelly y Carol Lockbaum programaron en los Laboratorios Bell un IBM 7094 para que sintetizara una voz. Max Mathews añadió el acompañamiento musical y la máquina cantó Daisy Bell, una canción de 1892 en la que un hombre pide a Daisy que acepte compartir con él una bicicleta construida para dos. La voz era nasal, entrecortada y perturbadora, como si el ordenador hubiera aprendido a cantar después de haber sido enterrado vivo, pero por primera vez una computadora parecía intentar expresarse.

Stanley Kubrick escuchó aquella canción durante una visita a los laboratorios y la empleó después en 2001: Una odisea del espacio. Cuando el astronauta Dave Bowman desconecta los circuitos de HAL 9000, la voz de la computadora se hace cada vez más lenta y regresa a su primer recuerdo: «Daisy, Daisy…». Kubrick comprendió que nada podía hacer más humana la muerte de una máquina que obligarla a recordar su infancia.

Una voz sintética se convirtió después en una de las más reconocibles del mundo. En 1985, una traqueotomía salvó la vida de Stephen Hawking, pero le hizo perder definitivamente el habla. Hawking comenzó a comunicarse mediante un sintetizador basado en los trabajos de Dennis Klatt, investigador del MIT. Klatt había utilizado grabaciones de sí mismo para crear una voz llamada «Perfect Paul». De ese modo, un cosmólogo británico acabó hablando con el acento electrónico de un ingeniero estadounidense.

Con el tiempo aparecieron voces más naturales, pero Hawking se negó a sustituirla. Aquella voz metálica se había convertido en la suya. Millones de personas que nunca habían escuchado su voz biológica reconocían inmediatamente la artificial. El aparato que comenzó siendo una prótesis terminó formando parte de su identidad y demostró algo inesperado: una voz no tiene que haber nacido en una laringe para pertenecer a alguien. Puede convertirse en nuestra por las ideas que expresa y por la memoria de quienes la escuchan.

Las redes neuronales dieron el último gran paso. En 2016, DeepMind presentó WaveNet, un sistema capaz de generar directamente una onda sonora, muestra a muestra. Poco después, Tacotron 2 logró voces que los oyentes calificaron casi tan bien como las grabaciones realizadas por profesionales. Durante dos siglos, los inventores habían intentado comprender la voz para reproducirla. Ahora una red neuronal podía aprender a reproducirla sin que sus creadores conocieran todas las reglas descubiertas por el sistema. Los fuelles y los labios de cuero habían sido sustituidos por millones de parámetros matemáticos.

Y entonces dejamos de fabricar voces genéricas para copiar voces concretas. Los sistemas actuales pueden aprender el timbre, el ritmo y la entonación de una persona a partir de breves grabaciones y hacerle pronunciar frases que nunca dijo. Esto permite devolver la voz a quienes la pierden, doblar a un actor en otros idiomas o conservar digitalmente la voz de alguien que ha muerto. También permite falsificar una llamada, una confesión o una petición angustiada de dinero. Después de haber aprendido a fabricar voces creíbles, tendremos que aprender a decidir cuáles debemos creer.

Erasmus Darwin habría contemplado todo esto con entusiasmo y quizá habría intentado construir una versión accionada por vapor. No ganó las mil libras porque su cabeza fue incapaz de recitar los mandamientos. Apenas consiguió que dijera «mamá» y «papá». Pero aquellas dos palabras señalaban el comienzo de algo enorme. Durante mucho tiempo quisimos que las máquinas hablaran para que se parecieran a nosotros. Ahora hablan tan bien que empezamos a necesitar que demuestren que no son nosotros.