Tres pasos, y el difícil es el segundo
Todo corrector de afinación, de los famosos a los gratuitos, hace las mismas tres cosas: averigua a qué altura canta la voz en cada momento, decide a qué altura debería cantar y resintetiza el audio a la nueva altura.
El primer paso es un problema de ingeniería resuelto. El tercero, un problema de procesamiento de señal resuelto. El segundo, decidir qué nota debería ser, es un juicio musical que el software, por defecto, hace mal, y casi toda voz afinada que suena mal es consecuencia de ese paso, no de los otros dos.
Paso uno: encontrar la altura
Un detector de afinación estima la frecuencia fundamental de la voz, normalmente varios cientos de veces por segundo. Los enfoques clásicos usaban la autocorrelación: deslizar la forma de onda sobre sí misma para encontrar el periodo en el que mejor coincide. Los detectores modernos usan redes neuronales entrenadas con audio anotado y son claramente mejores en los casos difíciles: el canto con mucho aire, el growl, el vibrato, el momento en que empieza una nota.
El resultado es una curva de afinación continua, no una lista de notas. La distinción importa: una buena herramienta divide después la curva en notas y te deja ver y editar las dos cosas. Si no puedes ver la curva de afinación, estás confiando a ciegas en la segmentación de la herramienta, y es en la segmentación donde se equivocará con tus melismas.
Los detectores fallan de forma previsible con los errores de octava, dar una nota una octava por encima o por debajo, y con el material que no es una sola voz clara. Si le das a uno una voz doblada o una voz con mucho sangrado, tendrá dos fundamentales entre las que elegir y ninguna forma de saber a cuál te referías. Cuando la única fuente es una mezcla terminada, separar antes la voz es lo que hace posible la detección.
Paso dos: decidir el objetivo
Ahora la herramienta tiene que decidir qué nota debería ser cada una. La respuesta ingenua, y la opción por defecto en casi todo el software, es la nota más cercana de una escala cromática.
Esa opción por defecto se equivoca la mayoría de las veces, y esta es la razón. Si la canción está en La menor y el cantante apunta a un Do pero se queda un poco bajo, la nota cromática más cercana puede ser un Si. El corrector llevará la nota a Si con toda seguridad, y el resultado no estará afinado con nada y sonará mal de una forma mucho más evidente que la desafinación original.
Por eso siempre hay que indicarle la tonalidad. Y mejor aún:
- Fija la escala real, para que las notas fuera de la tonalidad no estén disponibles como objetivo.
- Excluye las notas que la melodía no usa. Si el cantante nunca canta un Fa♯, quitarlo del conjunto de objetivos elimina toda una categoría de errores.
- Usa una pista de acordes si la herramienta lo permite, para que el objetivo siga la armonía y no una escala fija. La nota correcta en el compás 3 no es la nota correcta en el compás 11.
- Protege las notas deliberadas. Una blue note, una nota estirada, una nota atacada desde abajo a propósito: eso es la interpretación. Un afinador fijado a una escala las “corregirá” todas.
Paso tres: mover la altura
Una vez conocido el objetivo, hay que volver a generar el audio a la nueva altura sin cambiar su duración. Hay dos familias de técnicas que lo hacen.
Los métodos en el dominio del tiempo, PSOLA y sus parientes, cortan la forma de onda en granos cortos alineados con los periodos de la altura y los vuelven a montar con otro espaciado. Un espaciado más corto sube la altura, uno más amplio la baja, y repetir o descartar granos mantiene la duración. Es barato en cómputo y suena excelente para desplazamientos pequeños en material monofónico, que es exactamente el caso de la corrección de afinación.
Los métodos de vocoder y los basados en modelos descomponen la señal en una envolvente espectral y una excitación, alteran la frecuencia de la excitación y resintetizan. Son más caros, más flexibles y mejores en los desplazamientos grandes y para manipular los formantes por separado.
Para las correcciones pequeñas que forman la mayor parte del trabajo de afinación, unas pocas decenas de cents, la elección importa mucho menos que lo que le pediste en el paso dos.
La velocidad de corrección es el control que importa
Es lo más útil que se puede entender sobre estas herramientas, y se confunde una y otra vez con la intensidad de la corrección.
La intensidad es cuánto se acerca una nota a su objetivo. La velocidad de corrección (retune speed) es lo rápido que llega una vez que la herramienta ha decidido moverla.
Una voz humana no llega a una altura al instante. Entra deslizándose, se pasa un poco, se asienta y añade vibrato. Esas transiciones llevan una cantidad enorme de la expresión de una interpretación: el portamento entre dos notas suele ser lo más humano de una frase.
Con una velocidad de corrección lenta, el corrector espera, deja que el deslizamiento ocurra con naturalidad y solo empuja un poco la parte sostenida de la nota. El resultado es transparente: el cantante suena afinado y no ha cambiado nada más.
Con la velocidad de corrección en cero, cada transición se cuantiza. La voz salta entre alturas exactas sin ningún deslizamiento, y como las voces humanas nunca hacen eso, el oído lo identifica al instante como procesamiento. Ese es el famoso efecto: y es deliberado, usado a propósito, no un efecto secundario de afinar con demasiada intensidad.
En resumen: una corrección intensa con una velocidad lenta es transparente. Una corrección suave con velocidad instantánea suena procesada a todas luces. Si una voz afinada suena robótica y no lo buscabas, lo que hay que cambiar es la velocidad de corrección.
Los formantes, y por qué las voces corregidas suenan a ardilla
En una voz pasan dos cosas independientes. Las cuerdas vocales producen una frecuencia fundamental: la altura. Después, la garganta, la boca y la nariz filtran ese sonido y realzan ciertas zonas de frecuencia llamadas formantes. Los formantes son lo que hace que una “i” suene distinta de una “a”, y su posición también le indica al oyente, más o menos, el tamaño de quien habla.
Si desplazas toda la señal hacia arriba en frecuencia, como haría un simple cambio de velocidad, los formantes se mueven con la altura, y el oyente no oye una nota más aguda, sino una persona más pequeña. Ese es el efecto ardilla.
Una buena corrección de afinación preserva los formantes: mueve la fundamental y deja la envolvente espectral donde estaba, de modo que el cantante suena como la misma persona cantando otra nota. En los desplazamientos pequeños de una afinación normal esto apenas importa. En desplazamientos de varios semitonos importa muchísimo, y una herramienta sin preservación de formantes no sirve para eso.
El desplazamiento de formantes también existe como control propio, a propósito: y así es como se hace que una voz suene más grande o más pequeña de forma deliberada, con independencia de su altura.
De dónde vienen los artefactos
- Una mala detección. Si el detector leyó mal la altura, la corrección se aplica respecto a una lectura equivocada, y el resultado es un error aplicado con toda seguridad. Los pasajes con mucho aire y los muy suaves son los culpables habituales.
- Desplazamientos grandes. Toda técnica de resíntesis se degrada con la distancia. Un semitono no es nada; cinco semitonos en una nota sostenida empiezan a sonar sintéticos. Si una toma está siempre muy lejos, vuelve a cantarla.
- Las consonantes. Las sibilantes y las plosivas casi no tienen altura, y un corrector que intenta afinarlas produce un emborronamiento característico. Las buenas herramientas detectan las zonas sordas y las dejan en paz. Una sibilancia áspera es otro trabajo distinto, y le corresponde a la etapa de restauración, después de la afinación y no antes.
- El sangrado. Una pista de voz con fugas de la sala, o una voz extraída de una mezcla, le da al detector dos cosas a la vez. Afinar la más fuerte arrastra a la otra.
- Pelear contra el vibrato. El vibrato es una modulación deliberada de la altura; una corrección rápida lo lee como un error y lo aplana. Algunas herramientas separan el vibrato de la deriva de afinación para que puedas corregir una y conservar el otro, que es el diseño correcto.
Cómo usarla bien
- Empieza con la mejor toma que puedas conseguir. La corrección arregla la afinación. No arregla el fraseo, el tiempo, el tono ni la convicción, que son lo que de verdad hace buena una voz: y casi todo lo que sale mal frente al micrófono no se puede corregir después de ninguna manera.
- Fija siempre la tonalidad y la escala. La opción cromática por defecto es el origen de casi todos los malos resultados.
- Baja la velocidad de corrección salvo que busques precisamente el efecto.
- Afina las notas que están mal, no todas. Casi todas las herramientas procesan encantadas una toma entera; casi todas las tomas tienen cuatro o cinco notas que lo necesitan.
- Escucha en contexto. Una voz en solo revela cada artefacto. Una voz en la mezcla revela cuáles va a oír alguien: y si sigue sin encajar una vez limpia la afinación, normalmente es una cuestión de EQ.
- Guarda la toma sin tocar. Una semana después vas a querer comparar, y a veces preferirás la original.
Una última nota sobre los nombres: la técnica es la corrección de afinación o afinación vocal, y una herramienta que la hace es un afinador vocal. No es Auto-Tune, que casi todos escriben “autotune” al buscarlo, que es un producto concreto, de Antares; usar su nombre para toda la categoría es inexacto, además de que es su marca registrada. Qué es realmente Auto-Tune trata de ese producto en concreto: de dónde salió, y por qué el famoso sonido robótico es un ajuste de velocidad y no el sonido de una corrección muy intensa.
Sigue leyendo