Limpiar el habla del ruido es como intentar sintonizar un televisor viejo: si giras demasiado la perilla de contraste, los rostros se vuelven artificiales. Los investigadores lograron ajustar por separado el «volumen» y el «desplazamiento temporal» para cada frecuencia del sonido, como si lo descompusieran en un arcoíris, un método conocido como espectroscopía. Resultó que la perilla clave es el volumen, no la sincronización de fase. Una supresión demasiado entusiasta del ruido, esa entropía acústica, empobrece la señal, y la computadora, acostumbrada a grabaciones reales, deja de reconocer las palabras. Un poco de ruido a veces sirve como una pista útil, de manera similar a como en fotometría el centelleo de las estrellas contiene información. Paradoja: el sistema Whisper, alimentado con sonido sucio, después de una limpieza perfecta oye peor. En cambio, wav2vec2.0 prefiere una limpieza agresiva. No hay una receta única, pero el método, que se remonta a los trabajos de Fourier, permite encontrar rápidamente el equilibrio ideal. Basta con añadir perillas virtuales y cualquier mejorador de voz se llevará bien con cualquier asistente de voz sin un largo reentrenamiento.
Whisper de OpenAI, entrenado en grabaciones ruidosas, paradójicamente entiende peor el habla perfectamente limpia: le falta la 'basura' sonora a la que está acostumbrado.