A diferencia de las imágenes (una cuadrícula de píxeles), el audio es información temporal: una palabra dicha al inicio de una frase afecta la entonación de la última. Para resolver esto, la IA convierte el sonido en una representación visual llamada espectrograma (un mapa de frecuencias a lo largo del tiempo) y lo trata como una imagen para analizarlo y generarlo.

Evolución: De RNN a Transformers de Audio

Para entender por qué las voces de IA suenan hoy tan naturales, hay que conocer el salto tecnológico que lo hizo posible:

El Problema de las RNN (antes de 2017)

Las Redes Neuronales Recurrentes procesaban el audio en secuencia, como leer palabra por palabra. Su problema fatal: sufrían de «memoria a corto plazo» (gradiente desvaneciente). Si el discurso era largo, olvidaban el inicio y perdían coherencia de ritmo y tono. Las voces sonaban metálicas y robóticas.

El Cambio de Paradigma: Transformers y WaveNet

En 2016, DeepMind publicó WaveNet, el primer modelo que generaba formas de onda brutas con calidad cercana a la voz humana. En 2017, la arquitectura Transformer (base de ChatGPT) introdujo el mecanismo de Atención: en lugar de procesar el audio en orden estricto, el modelo puede «prestar atención» a toda la frase al mismo tiempo, logrando entonación perfecta y música con estructura coherente.