Espectrograma de voz: una actividad para ver tu voz

Si le silbas a un espectrograma, sale una sola línea delgada. Si cantas la misma nota, sale una escalera: ocho o diez líneas parejamente separadas una encima de otra. El mismo tono, una imagen completamente distinta, y esa diferencia es por lo que un silbido y una voz no suenan igual. Esos son los primeros dos minutos de esta actividad de espectrograma de voz que corre en cualquier celular, y al cabo de veinte minutos tu hijo va a poder distinguir “i” de “a” mirando en lugar de escuchando, que es más o menos lo que hace Siri.

Puntos clave

• Vas a instalar una app gratis de espectrograma y leer tu propia voz, un silbido, un siseo y un aplauso en una imagen en movimiento.
• Enseña que el tono es la separación de la escalera armónica, que la vocal es cuáles bandas están brillantes, y que las dos cosas son independientes.
• Ideal de 9 a 15 años. Los más chicos disfrutan la pantalla; la comparación de formantes necesita paciencia.
• La falla típica: usar una app que solo muestra barritas que brincan. Necesitas una vista que avance con el tiempo.
• Es exactamente la representación desde la que arranca el reconocimiento de voz, y eso vuelve todo mucho menos abstracto.

Lo que vas a necesitar

Material	Cuánto	Dónde conseguirlo	Si no lo tienes
Celular o tablet	1	Cualquiera reciente	Una laptop con Audacity funciona y da una imagen más grande
App gratis de espectrograma	1	Busca “spectrogram” o “analizador de espectro” en la tienda; Spectroid es común en Android	Audacity en computadora: graba y cambia la pista a vista de espectrograma
Audacity o Praat, opcional	1	audacityteam.org, o Praat de la Universidad de Ámsterdam	Praat es gratis y es lo que usan los fonetistas de verdad
Un cuarto silencioso	1	Donde sea	El ruido de fondo llena la imagen de neblina
Lista impresa de sonidos	1 hoja	Escríbela	Silbido, aaa, iii, uuu, sss, shh, aplauso, tarareo, hervidor, llaves
Algo que dé un tono parejo	1	Una app de afinador o una flauta dulce	Para comparar un tono puro contra una voz
Lápiz y papel	1 de cada uno	Donde sea	Dibuja lo que ves; obliga a mirar de verdad

Tiempo: montaje 10 min, experimento 25 min, conversación 15 min Costo: gratis Nivel de desorden: ninguno, aunque se vuelve ruidoso y chistoso

Haz el experimento: actividad de espectrograma de voz, paso a paso

Paso 1 — Pon un espectrograma de verdad en pantalla

Instala la app y fija el rango de frecuencias en más o menos 0 a 5.000 hercios, que es donde viven las voces. Quieres una imagen que avance de lado con el tiempo, con la frecuencia hacia arriba y el volumen mostrado como color o brillo. Una sola gráfica de barras que brinca no es un espectrograma y no sirve para esto.

Paso 2 — Silba y mira una sola línea

Silba una nota pareja. Deberías ver una sola línea horizontal brillante y nada más. Así se ve un tono puro: energía en una sola frecuencia. Desliza el silbido arriba y abajo y mira moverse la línea.

Paso 3 — Canta “aaa” en la misma nota

Ahora canta una vocal al mismo tono. La línea única se vuelve una escalera de líneas, parejamente separadas, normalmente ocho o más. Cuéntalas. La de abajo es la fundamental, y la separación entre cada línea es igual a esa fundamental.

Paso 4 — Canta una escala y mira subir toda la escalera

Canta una escala ascendente en “aaa”. Toda la pila se desliza hacia arriba junta, conservando la proporción de su separación. El tono es la separación, y la separación es la imagen del tono.

Paso 5 — Sisea, chista y aplaude

Di una “sss” larga. Ni una línea: nada más una banda difusa y brillante allá arriba. Ahora “shh”: la misma mancha, pero claramente más abajo. Luego un aplauso: una sola raya vertical de abajo a arriba, aparece y se va. Tres formas completamente distintas, tres tipos de sonido completamente distintos.

Paso 6 — La prueba de los formantes, que es lo importante

Canta “iii”, luego “aaa”, luego “uuu”, todas exactamente al mismo tono. La separación de las líneas no cambia, porque el tono no cambió. Lo que cambia es cuáles líneas están brillantes. En “iii” hay energía muy abajo y otra vez arriba, cerca de 2.000 hercios o más; en “aaa” las dos zonas brillantes quedan mucho más juntas, a media altura. Esas zonas brillantes son los formantes, y son lo que hace que una vocal sea esa vocal.

Paso 7 — Sal a cazar por la casa

Apúntalo a un hervidor, la llave del agua, el refrigerador, unas llaves sonando, un tono de celular, un perro, un hermano. Dibuja cada uno. Después intenta adivinar un sonido desde su imagen, con los ojos en la pantalla y los oídos tapados.

Lo que deberías ver: El silbido da una línea, a veces con una segunda tenue si el silbido no es puro. Una vocal cantada da una escalera clara, y la voz más aguda de un niño da líneas más separadas que la de un adulto. La mancha de la “sss” se queda sobre todo arriba de 4.000 hercios y la de la “shh” más abajo, entre 2.000 y 3.000. El aplauso es una línea vertical porque contiene todas las frecuencias en un instante. La prueba de los formantes es la que pide paciencia: las bandas brillantes son obvias cuando sabes qué buscar, e invisibles hasta que alguien te las señala.

Qué está pasando en realidad

Un espectrograma son tres cantidades en una sola imagen: el tiempo en un eje, la frecuencia en el otro y el volumen como brillo. Se hace cortando el sonido en rebanadas cortas, de unas decenas de milisegundos, y aplicándole una transformada de Fourier a cada rebanada para calcular cuánta energía hay en cada frecuencia. Apila las rebanadas una al lado de otra y tienes una imagen de cómo cambia la receta de un sonido en el tiempo.

Tu voz tiene dos partes separadas, y la imagen las separa limpiamente. Las cuerdas vocales cortan el flujo de aire en un zumbido a cierta tasa, digamos 220 veces por segundo. Un zumbido repetitivo no es un tono puro: matemáticamente contiene energía a esa tasa y a cada múltiplo entero de ella, y por eso ves una escalera y no una línea. La separación entre escalones es la tasa a la que vibran las cuerdas, y eso es lo que percibes como tono.

Después el sonido pasa por tu garganta, tu boca y tu nariz, que forman un tubo con curvas y aberturas que puedes cambiar. Como cualquier tubo tiene resonancias, y amplifica los armónicos que caen cerca de ellas mientras apaga el resto. Esas zonas reforzadas son los formantes. Mover la lengua y los labios mueve las resonancias y cambia la vocal. Las mediciones canónicas tienen más de setenta años: Gordon Peterson y Harold Barney publicaron los dos primeros formantes de diez vocales del inglés en el Journal of the Acoustical Society of America en 1952, y para hablantes adultos masculinos sus promedios ponen la “i” cerca de 270 y 2.290 hercios, la “a” cerca de 730 y 1.090, y la “u” cerca de 300 y 870. Los formantes de los niños quedan más arriba porque su tracto vocal es más corto.

Por eso la prueba del Paso 6 es la importante. El tono y la vocal los lleva dos rasgos distintos de la misma imagen, y se pueden variar por separado. Puedes cantar cualquier vocal en cualquier tono. Y es también la razón de que un susurro todavía tenga vocales reconocibles aunque no haya zumbido de cuerdas vocales: los formantes siguen ahí, moldeando una fuente de ruido en lugar de un zumbido.

Las fricativas muestran lo contrario. La “sss” no es un zumbido: es aire turbulento silbando por una rendija angosta entre lengua y dientes, lo que produce ruido de banda ancha sin periodicidad, así que no hay escalera que ver. Mueve la constricción hacia atrás para la “shh” y la cavidad resonante que queda adelante crece, así que el ruido se corre hacia abajo. El mismo mecanismo de las vocales, aplicado al ruido.

Una limitación honesta. Todo espectrograma implica un compromiso fijado por el largo de la rebanada. Las rebanadas cortas ubican eventos con precisión en el tiempo pero emborronan la frecuencia; las largas resuelven la frecuencia pero embarran el tiempo. Si la app te deja cambiar el tamaño de la FFT, cámbialo y mira la imagen pasar de detalle vertical nítido a horizontal nítido. Ese compromiso es matemático, no del software.

¿Y en América Latina?

La app es gratis y el celular ya está en casa, así que esta actividad tiene cero barrera de material. Lo único que hay que cuidar es el ruido de fondo: en una casa con ventana a la calle en Ciudad de México, Bogotá o Lima el tráfico llena la pantalla de neblina. Hazlo en el cuarto más interior o a primera hora del domingo.

Y aquí hay un gancho lingüístico que vale oro, porque el español tiene algo que el inglés no: la “rr”. Pídele a tu hijo que haga una “rrr” larga frente al espectrograma. Vas a ver una serie de interrupciones rápidas y regulares, la lengua golpeando varias veces por segundo, algo que la “r” inglesa no produce así. Después compara “pero” y “perro” y mira la diferencia. Si en tu familia se habla náhuatl, quechua, guaraní o maya, graben un par de palabras: muchos de sus sonidos tienen firmas espectrales que no aparecen en español.

En currículo entra en ondas y también en lengua: en México, los Aprendizajes Clave de la SEP; en Colombia, los estándares de ciencias naturales que evalúa el ICFES; en Perú, el currículo nacional. Para una feria de ciencias, el gráfico de los dos primeros formantes de cinco vocales del español es un proyecto que los jurados no han visto antes.

Cómo explicárselo a tu hijo

De 5 a 8 años: una foto del sonido

Déjalo hacer ruidos y mirar. Dile que la imagen pone los sonidos graves abajo y los agudos arriba, y que más brillante es más fuerte. Después juega: tú haces un sonido con los ojos cerrados y él lo adivina por la imagen, y luego cambian. No hace falta vocabulario, y va a empezar a notar patrones solo.

De 9 a 12 años: el tono es la separación, la voz es el patrón

Preséntale la escalera y que cuente los escalones. Después hagan la prueba que importa: canta la misma nota en tres vocales distintas y vean cómo la separación se queda quieta mientras las zonas brillantes se mueven. La frase que tiene que aterrizar es que el tono y la vocal son dos cosas distintas dentro del mismo sonido, y la imagen muestra las dos a la vez.

De 13 en adelante: rebanadas de Fourier, formantes y reconocimiento de voz

Dale el marco real: una transformada de Fourier de tiempo corto, armónicos en múltiplos enteros de la fundamental, resonancias del tracto vocal como formantes, y el compromiso tiempo-frecuencia. Después conéctalo hacia adelante. El reconocimiento automático de voz empieza convirtiendo el audio en casi exactamente esta representación antes de que ocurra cualquier aprendizaje automático, lo que significa que la imagen en su pantalla es el formato de entrada de todo asistente de voz que haya usado.

La pregunta que debes hacer: “Si susurro una vocal sin ningún zumbido de cuerdas vocales, ¿cómo podrías saber de todas formas cuál vocal era, mirando la imagen?”

Por qué enseñar esto temprano vale la pena

Esta actividad vuelve visible una abstracción, y eso es raro. El contenido de frecuencias normalmente es algo que te cuentan; aquí responde a tu propia boca en tiempo real. Eso convierte la palabra “frecuencia” de vocabulario en objeto, y la misma imagen reaparece en física, tecnología musical, terapia de lenguaje, sismología y aprendizaje automático.

El movimiento intelectual concreto es la descomposición: tomar algo que se siente como una sola cosa, una voz, y ver que está hecho de partes separables que se cambian de forma independiente. Quien puede hacer eso la pasa mejor con cualquier sistema de causas múltiples.

Y hay un efecto desmitificador útil. Los asistentes de voz se sienten magia hasta que ves la imagen desde la que trabajan. Mostrarle a un adolescente que el reconocimiento de voz arranca con un espectrograma, no con comprensión, le hace más por su intuición sobre el aprendizaje automático que una explicación larga. El marco ICAP de Chi y Wylie predice que la ganancia viene de que él explique lo que ve, así que entrégale el celular. Una tarde con un espectrograma no cambia calificaciones: deja una imagen que va a reconocer el resto de su vida.

Antes de empezar: lo que los papás deben saber

Mejor edad	9 a 15 años. A los cinco lo disfrutan como juguete, que está bien, pero la idea de formante pide unos nueve
Supervisión	Ligera. El único trabajo del adulto es elegir una app decente y aguantarse las ganas de manejarla
Riesgos reales	Ninguno. Es una actividad de escuchar y mirar, sin riesgo de equipo. Si alguien empieza a gritarle al micrófono para que la imagen brille más, aclárale que el brillo viene de la escala de color y no del volumen, y baja la sensibilidad
No hagas esto	No te conformes con una app que solo muestre una barra de niveles. Sin el eje de tiempo que avanza, ninguno de los resultados interesantes se ve

Cuando no funciona

• La pantalla es una pared de neblina. Ruido de fondo, o la ganancia de la app está muy alta. Múdate a un lugar más silencioso y baja la sensibilidad hasta que los momentos callados se vean oscuros.
• Tu vocal cantada no muestra escalera. El rango de frecuencias está demasiado ancho. Pon el techo de la escala en unos 5.000 hercios en lugar de 20.000 y la separación armónica se vuelve visible.
• Las líneas son manchas borrosas, no nítidas. La rebanada de tiempo es muy corta. Si la app ofrece tamaño de FFT, súbelo. Es el compromiso en acción, no una falla.
• No se ven los formantes. Pruébalo con una voz más grave: los armónicos muy juntos de una voz adulta dibujan las bandas de formantes mucho mejor.
• La app pone la frecuencia en una escala curva. Muchas arrancan en logarítmica, que sirve para música y estorba para ver separación armónica pareja. Cámbiala a lineal si puedes.

Para llevarlo más lejos

1. Cambia una variable: la vocal, con el tono fijo. Graba las cinco vocales del español cantadas en la misma nota, mide los dos primeros formantes de cada una y grafica uno contra el otro. Acabas de reproducir en la cocina el mapa vocálico de Peterson y Barney de 1952.
2. Compara voces de la familia. Todos cantan la misma nota en “aaa”. Compara la separación armónica, que debe salir casi idéntica, con la posición de los formantes, que no. Los tractos vocales más cortos ponen los formantes más arriba, así que puedes ordenar a la gente por largo de tracto vocal sin medirle la garganta a nadie.
3. Usa Praat en serio. Praat, el software libre de fonética de la Universidad de Ámsterdam, dibuja solo las trayectorias de formantes y el contorno de tono sobre el espectrograma. Para un adolescente con interés en lingüística o audio, es la herramienta real.

La escalera que estás mirando es la serie armónica, que también es lo que hace que un instrumento de popote suene zumbón: mira el oboe de popote. El espectrograma es además la mejor forma de ver el vaivén Doppler en el experimento del zumbador girando, y vuelve visibles los dos tonos de el experimento de interferencia.

Qué observar en los próximos 3 meses

• Semana 4: Describe un sonido hablando de contenido grave y agudo, y no solo de fuerte y bajito.
• Mes 2: La palabra armónico o frecuencia aparece bien usada sobre música, una voz o un ruido de máquina.
• Mes 3: Pregunta cómo reconoce palabras un asistente de voz, y no se conforma con “pues así”. Esa pregunta es lo mejor que puede producir esta actividad, y la respuesta arranca con la imagen que ya conoce.

Preguntas frecuentes

¿Qué app de espectrograma usamos?

Cualquiera que muestre una imagen que avanza, con frecuencia en un eje y tiempo en el otro. Spectroid es una opción gratis muy usada en Android, y varias apps gratis de iOS hacen lo mismo. En computadora, Audacity funciona bien y Praat es lo que usan los investigadores. Evita cualquiera que solo muestre barritas brincando.

¿Por qué un silbido se ve tan distinto de una nota cantada al mismo tono?

Porque un silbido es casi un tono puro, con energía en esencialmente una frecuencia, mientras las cuerdas vocales producen un zumbido repetitivo que contiene la fundamental y cada múltiplo entero de ella. El mismo tono, recetas muy distintas: eso es exactamente lo que significa timbre.

¿Qué son las bandas brillantes de una vocal?

Formantes: resonancias de la cavidad de la garganta y la boca que amplifican los armónicos que caen cerca de ellas. Mover la lengua y los labios mueve esas resonancias, cambia cuáles armónicos se refuerzan y cambia la vocal que escuchas.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Peterson, G. E. y Barney, H. L. (1952). “Control Methods Used in a Study of the Vowels.” Journal of the Acoustical Society of America, 24(2), 175–184. https://doi.org/10.1121/1.1906875
2. Boersma, P. y Weenink, D. “Praat: doing phonetics by computer.” Universidad de Ámsterdam. https://www.fon.hum.uva.nl/praat/
3. Audacity Team. “Audacity: editor de audio libre y de código abierto.” https://www.audacityteam.org/
4. Acoustical Society of America. “Acoustics.org: recursos públicos sobre sonido y vibración.” https://acoustics.org/
5. National Institute on Deafness and Other Communication Disorders. “Noise-Induced Hearing Loss.” National Institutes of Health. https://www.nidcd.nih.gov/health/noise-induced-hearing-loss
6. Chi, M. T. H. y Wylie, R. (2014). “The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes.” Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823
7. National Research Council. (2012). A Framework for K-12 Science Education: Practices, Crosscutting Concepts, and Core Ideas. National Academies Press. https://doi.org/10.17226/13165