Detrás de la Música · Aura Radio
La letra que va sola: cómo una máquina sabe en qué milisegundo empieza cada palabra
Episodio en diálogo entre Alex y Elena, con voces sintéticas y guion asistido por IA.
Alex: Bienvenidos a Aura por Dentro, en Aura Radio. Hoy vamos con una función que la gente usa sin preguntarse cómo puede existir.
Elena: La letra sincronizada. Pones una canción, se abre la letra, y va resaltándose sola al ritmo exacto de lo que se canta.
Alex: Y la primera reacción de todo el mundo es la misma: alguien ha estado ahí con un cronómetro marcando línea por línea.
Elena: Que es como se hacía, por cierto. Durante años eso era trabajo manual. Alguien escuchando, parando, anotando el segundo exacto de cada verso.
Alex: Horas por canción. Y con un catálogo que crece cada semana, eso es sencillamente imposible de mantener.
Elena: Aquí se hace en aproximadamente un minuto. Y el truco no es tener una máquina más lista. Es haber planteado el problema de otra manera.
Alex: Explícalo, porque cuando lo entendí me pareció elegantísimo.
Elena: Piensa en lo que haría un sistema de transcripción normal. Le das audio y tiene que averiguar dos cosas a la vez: qué se dice y cuándo se dice.
Alex: Y el qué es dificilísimo con música de por medio. Hay instrumentos encima, hay efectos en la voz, hay palabras que se estiran.
Elena: Y ahí es donde fallan. Confunden palabras, se inventan otras, y con la voz cantada bastante más que con la hablada.
Alex: Pero aquí hay una ventaja enorme de partida.
Elena: Que la letra ya la tenemos. La escribimos nosotros. No hay que adivinar absolutamente nada de lo que dice.
Alex: Así que no le pides que transcriba. Le das el audio y le das el texto, y le pides solo una cosa: dime cuándo.
Elena: Se llama alineación forzada. Forzada porque el resultado está obligado a coincidir con el texto que le has dado. No puede inventarse otra palabra.
Alex: Y de un problema muy difícil pasas a uno mucho más fácil, que es encajar una secuencia conocida sobre una línea de tiempo.
Elena: Y de paso desaparece el error más molesto de todos, que es que la letra que aparece en pantalla no sea la letra real de la canción.
Alex: Ahora, tampoco es magia. ¿Dónde se atasca?
Elena: En lo que hace que cantar sea cantar. Una vocal sostenida cuatro segundos, por ejemplo: la palabra empieza clarísima, pero decidir dónde termina es discutible incluso para una persona.
Alex: Los coros a varias voces también, imagino.
Elena: Ahí puede perderse, sí. Y con los pasajes donde la instrumentación se come la voz. Son los mismos sitios donde tú tampoco entenderías la letra sin leerla.
Alex: Lo cual es tranquilizador, en el fondo. Falla donde falla el oído humano.
Elena: Y hay una cosa que conviene decir, que es que esto no sirve solo para el karaoke.
Alex: Eso es lo que quería que contaras. Porque una vez tienes cada palabra con su marca de tiempo, tienes un dato que vale para muchas más cosas.
Elena: Alimenta el visualizador, para que la letra aparezca sincronizada mientras la música se mueve en pantalla. Alimenta los vídeos verticales que se pueden grabar desde la propia app.
Alex: Y alimenta las historias del blog, donde cada canción tiene su texto acompañando.
Elena: Una sola operación de un minuto, y de ahí salen cuatro cosas distintas. Ese es el tipo de decisión que hace que un proyecto pequeño pueda mantener funciones grandes.
Alex: Y creo que ahí está la lección general de este episodio, más allá de la técnica.
Elena: A ver cómo la formulas.
Alex: Que antes de buscar una herramienta más potente, conviene mirar si le estás pidiendo algo que ya sabes. Nosotros teníamos la letra desde el principio.
Elena: Y la mitad del problema desaparece en cuanto dejas de pedir que te resuelvan lo que ya tienes resuelto.
Alex: Esto ha sido Aura por Dentro, en Aura Radio. Hasta la próxima.
Letra de la Canción
Alex: Bienvenidos a Aura por Dentro, en Aura Radio. Hoy vamos con una función que la gente usa sin preguntarse cómo puede existir. Elena: La letra sincronizada. Pones una canción, se abre la letra, y va resaltándose sola al ritmo exacto de lo que se canta. Alex: Y la primera reacción de todo el mundo es la misma: alguien ha estado ahí con un cronómetro marcando línea por línea. Elena: Que es como se hacía, por cierto. Durante años eso era trabajo manual. Alguien escuchando, parando, anotando el segundo exacto de cada verso. Alex: Horas por canción. Y con un catálogo que crece cada semana, eso es sencillamente imposible de mantener. Elena: Aquí se hace en aproximadamente un minuto. Y el truco no es tener una máquina más lista. Es haber planteado el problema de otra manera. Alex: Explícalo, porque cuando lo entendí me pareció elegantísimo. Elena: Piensa en lo que haría un sistema de transcripción normal. Le das audio y tiene que averiguar dos cosas a la vez: qué se dice y cuándo se dice. Alex: Y el qué es dificilísimo con música de por medio. Hay instrumentos encima, hay efectos en la voz, hay palabras que se estiran. Elena: Y ahí es donde fallan. Confunden palabras, se inventan otras, y con la voz cantada bastante más que con la hablada. Alex: Pero aquí hay una ventaja enorme de partida. Elena: Que la letra ya la tenemos. La escribimos nosotros. No hay que adivinar absolutamente nada de lo que dice. Alex: Así que no le pides que transcriba. Le das el audio y le das el texto, y le pides solo una cosa: dime cuándo. Elena: Se llama alineación forzada. Forzada porque el resultado está obligado a coincidir con el texto que le has dado. No puede inventarse otra palabra. Alex: Y de un problema muy difícil pasas a uno mucho más fácil, que es encajar una secuencia conocida sobre una línea de tiempo. Elena: Y de paso desaparece el error más molesto de todos, que es que la letra que aparece en pantalla no sea la letra real de la canción. Alex: Ahora, tampoco es magia. ¿Dónde se atasca? Elena: En lo que hace que cantar sea cantar. Una vocal sostenida cuatro segundos, por ejemplo: la palabra empieza clarísima, pero decidir dónde termina es discutible incluso para una persona. Alex: Los coros a varias voces también, imagino. Elena: Ahí puede perderse, sí. Y con los pasajes donde la instrumentación se come la voz. Son los mismos sitios donde tú tampoco entenderías la letra sin leerla. Alex: Lo cual es tranquilizador, en el fondo. Falla donde falla el oído humano. Elena: Y hay una cosa que conviene decir, que es que esto no sirve solo para el karaoke. Alex: Eso es lo que quería que contaras. Porque una vez tienes cada palabra con su marca de tiempo, tienes un dato que vale para muchas más cosas. Elena: Alimenta el visualizador, para que la letra aparezca sincronizada mientras la música se mueve en pantalla. Alimenta los vídeos verticales que se pueden grabar desde la propia app. Alex: Y alimenta las historias del blog, donde cada canción tiene su texto acompañando. Elena: Una sola operación de un minuto, y de ahí salen cuatro cosas distintas. Ese es el tipo de decisión que hace que un proyecto pequeño pueda mantener funciones grandes. Alex: Y creo que ahí está la lección general de este episodio, más allá de la técnica. Elena: A ver cómo la formulas. Alex: Que antes de buscar una herramienta más potente, conviene mirar si le estás pidiendo algo que ya sabes. Nosotros teníamos la letra desde el principio. Elena: Y la mitad del problema desaparece en cuanto dejas de pedir que te resuelvan lo que ya tienes resuelto. Alex: Esto ha sido Aura por Dentro, en Aura Radio. Hasta la próxima.