El ser humano extrae sin esfuerzo la voz deseada del bullicio de una fiesta. Para una computadora, lo mismo es aún una tarea al límite de sus posibilidades. Los programas anteriores se entrenaban con grabaciones estériles, sin eco ni pitidos de aparatos. Pero una conversación real se parece a un torrente: los interlocutores se interrumpen, se alejan del micrófono y, de fondo, sisea la cafetera.

El nuevo concurso REAL-TSE Challenge lanza por primera vez la caña en estas aguas turbias. A los participantes se les da un conjunto de espectrogramas —una especie de fotografías del sonido—, grabados en entornos reales. Con un par de segundos de voz, el algoritmo debe pescar el habla de esa persona entre el mejunje de voces. También se evalúa la naturalidad: que la voz no se convierta en un chirrido. Dos vertientes: en línea —como un streaming—, y fuera de línea —con análisis de toda la grabación.

El método se basa en descomponer el sonido en ondas simples, un descubrimiento de Fourier que ya tiene dos siglos. Los sistemas modernos, como pescadores armados con el saber para desenredar marañas de frecuencias, luchan contra la alta entropía, esa medida del desorden en la mezcla sonora. Y aunque la pesca perfecta aún queda lejos, son estas pruebas «de campo» las que sacan la tecnología de los laboratorios silenciosos a nuestro mundo ruidoso.