Qué es el diseño de sonido: el trabajo diario y la voz IA
Resumen
El diseño de sonido es el oficio de crear, grabar, editar y mezclar todo el audio de una producción para que el sonido cuente la historia. Cubre cinco capas, un pipeline que va del spotting a la mezcla y una lógica propia en los videojuegos, donde el sonido responde al estado del juego. La voz sintética encaja como una fuente más, útil para prototipos y voces de fondo, con límites claros en el diálogo protagonista.
El diseño de sonido es la práctica de crear, grabar, editar y mezclar cada elemento de audio de una producción para que el sonido cuente la historia: efectos, ambientes, Foley, tratamiento de voz y la forma en que la música encaja con todo lo demás. Si te preguntas qué es el diseño de sonido en términos prácticos, es la capa de decisiones que va de «este sonido existe» a «este sonido pertenece a esta escena, a este nivel y con esta textura». Se aplica al cine, los videojuegos, las apps, los podcasts y, cada vez más, al trabajo con voz sintética.
¿Qué hace un diseñador de sonido todo el día?
Si quitas el título, el trabajo se reduce a tres verbos: adquirir, moldear y colocar. Adquieres sonidos grabándolos, sacándolos de una librería o sintetizándolos. Los moldeas con EQ, cambios de tono, estiramiento temporal, capas y procesado. Los colocas en el tiempo y en el espacio para que caigan en el fotograma correcto, con la sonoridad correcta y en el entorno acústico adecuado.
El cargo es más joven de lo que la mayoría cree. Según el research starter de EBSCO sobre diseño de sonido, el rol de diseñador de sonido se acreditó por primera vez en 1979, en la película Apocalypse Now. Antes, ese trabajo se repartía entre montadores, artistas de Foley y mezcladores de regrabación. El crédito importaba porque daba a una sola persona la autoridad sobre toda la identidad sonora, y no solo sobre un conjunto de departamentos separados.
En un equipo pequeño esa autoridad se reduce a algo más modesto. En un juego indie puedes ser el diseñador, el grabador, quien implementa el sonido y la persona que registra el bug cuando un paso se repite en bucle. Es lo normal. Conocer la cadena completa te permite arreglar los problemas en el punto más barato de ella.
Las cinco capas con las que se construye cualquier banda sonora
La mayoría de las explicaciones se quedan en «efectos y música». Un desglose práctico tiene cinco capas, y compiten por el mismo espacio de frecuencias, por eso los diseñadores las piensan en conjunto.
Diálogo y voz. La inteligibilidad va primero. El habla vive más o menos entre 100 Hz y 8 kHz, y la mayor parte de la claridad de las consonantes está alrededor de 2 a 5 kHz, así que todo lo demás se talla alrededor de ella.
Efectos duros. Puertas, impactos, armas, clics de interfaz. Son cortos, con mucho transitorio y normalmente van sincronizados con una acción visible.
Foley. Movimiento ejecutado por personas: tela, pasos, manipulación de objetos. Pega el diálogo a la imagen.
Ambiente y atmósfera. El tono de sala, el viento, el tráfico lejano o el zumbido de una maquinaria, que le dicen al cerebro dónde está.
Música. Marca el ritmo y la emoción, y tiene que dejar espacio libre para las otras cuatro.
Una sexta capa, el silencio, es una decisión de diseño y no una ausencia. Una escena que cae casi a cero medio segundo antes de un impacto golpea más fuerte que una que añade una explosión más alta.
¿Por qué el Foley y la grabación de campo siguen ganando a la librería?
Las librerías son rápidas y, para texturas de fondo, a menudo bastan. Pero un paso de librería grabado sobre una superficie que no es la tuya tiene la resonancia equivocada, y el oído lo detecta antes de que el cerebro sepa nombrarlo. El Foley lo resuelve interpretando el sonido para la imagen: botas sobre grava para un camino de grava, un manojo de tallos de apio quebrado cerca del micro para los huesos, una lámina de celofán arrugada para el fuego.
La grabación de campo aplica la misma lógica al ambiente. Un tono de sala de 90 segundos capturado en la localización, con la misma posición de micro que usaste para el diálogo, coincidirá con el suelo de ruido del diálogo de una forma que ningún archivo genérico de «ambiente de oficina» puede igualar. Además, el ambiente enmascara los puntos de corte entre tomas, lo que lo hace más barato que volver a grabar.
Sáltate esto si estás prototipando. Para una primera pasada, los sonidos provisionales valen y a veces son mejores, porque evitan que pulas audio para una escena que acabará cortada. Merece la pena el esfuerzo cuando la imagen está bloqueada.
Nota de sesión: graba al menos 20 segundos de silencio en cada localización, aunque el lugar parezca tranquilo. Lo necesitarás para el perfilado de ruido más adelante, y no podrás volver atrás.
Cómo avanza el trabajo: del spotting a la mezcla final
El diseño de sonido es un pipeline, y las etapas son consistentes en cine, juegos y apps aunque cambien las herramientas.
Spotting. Ves la imagen (o juegas la build) con el director o el responsable y marcas los puntos donde el sonido tiene que hacer algo: un golpe, una transición, un cambio de ánimo. Esa lista dirige todo lo que viene después.
Captura y creación. Grabación, búsqueda en librerías, síntesis y, cada vez más, herramientas generativas. Todo se nombra y se etiqueta al ingerirlo, porque una carpeta de 4.000 archivos con nombres como «whoosh_final_v3» cuesta horas más adelante.
Edición y capas. Un solo «golpe» suele tener entre tres y cinco capas: un impacto de baja frecuencia, un cuerpo en medios, un chasquido en agudos y, a veces, una cola. Cada capa lleva su propio EQ para que se apilen sin emborronarse.
Mezcla. Niveles, paneo, compresión, envíos de reverb. Los objetivos de emisión y de streaming importan aquí: muchas plataformas normalizan cerca de -14 a -16 LUFS integrados, y las mezclas de cine siguen niveles de referencia distintos, así que el objetivo se fija antes de mover el primer fader.
Entrega e implementación. Stems para cine, o assets más reglas de comportamiento para un motor de juego.
El videojuego cambia las reglas: sonido que tiene que responder
El medio lineal reproduce el mismo sonido en el mismo momento cada vez. Un juego no. Un paso puede dispararse 10.000 veces en una sesión, sobre superficies distintas, a velocidades y distancias de cámara distintas. Por eso el diseño de sonido en juegos es en parte oficio sonoro y en parte diseño de sistemas.
Las consecuencias prácticas:
Variación. Un solo sample de paso repetido suena a máquina. Un pool de 6 a 8 variantes, con pequeñas variaciones aleatorias de tono (más o menos 2 a 3 por ciento) y de volumen, elimina la repetición.
Parámetros. Los sonidos responden al estado del juego: velocidad, vida, distancia, tipo de superficie. El diseñador construye las reglas, no solo los assets.
Presupuesto de voces. Los motores limitan las voces simultáneas, así que las reglas de prioridad y descarte deciden qué se oye en una escena cargada.
Memoria. Los formatos comprimidos y las decisiones de streaming afectan a los tiempos de carga y a la certificación en cada plataforma.
Por eso el middleware de audio y el propio motor importan tanto como la DAW. Si trabajas con Unity, el mezclador de audio, los snapshots y los parámetros expuestos son donde ocurre la mayor parte del diseño real.
El presupuesto suele romperse en el diálogo. Un RPG de tamaño medio puede llevar decenas de miles de líneas dobladas, y regrabar tras un cambio de guion es caro. Muchos equipos ya usan voz sintética para las líneas provisionales y de prototipo, para probar el ritmo y la mezcla antes de que el reparto real grabe.
¿Dónde encaja la voz IA dentro del diseño de sonido, y dónde no?
Aquí es donde nos situamos, porque este sitio pasa la mayor parte del tiempo con la voz. La voz sintética es hoy una herramienta más en la cadena del diseñador de sonido, y se comporta como cualquier otra fuente: necesita gain staging, EQ y un lugar en la mezcla. No sustituye las decisiones de diseño.
Tres casos de uso en los que aguanta:
Diálogo provisional para animáticas, prototipos y pruebas de nivel, para que los problemas de tiempos y de mezcla aparezcan pronto.
Voces de fondo y de multitud («walla») donde la inteligibilidad individual no importa y un conjunto variado de clones ahorra un día de grabación.
Voces de criatura y voces procesadas, donde los artefactos de síntesis pasan a formar parte de la textura. Si pasas un clon por un pitch shifter, un modulador en anillo y una reverb de convolución, obtienes una fuente que no podrías haber grabado.
Uno en el que no: el diálogo protagonista en escenas con mucha carga emocional sigue beneficiándose de un intérprete que sepa recibir indicaciones, salvo que tu herramienta exponga un control fino de la entonación. Por eso los parámetros de emoción importan más que la fidelidad bruta del clon. Si puedes pilotar la curva de entonación, ajustas la interpretación a la escena en lugar de aceptar lo que devuelva el modelo.
Las herramientas generativas para efectos y ambiente son una categoría aparte. Sirven para ideas rápidas y para camas de textura, pero conviene revisar la sonoridad, los puntos de bucle y cualquier artefacto antes de que lleguen a una mezcla final.
Para limpiar voz grabada, sobre todo material de podcast o de narración, la edición basada en transcripción es un atajo legítimo: eliminas respiraciones y muletillas editando el texto, y terminas en tu DAW.
¿Qué aprender primero si empiezas desde cero?
Empieza por escuchar, porque todo lo demás depende de ello. Elige una escena de una película o de un juego que conozcas bien, cierra los ojos y anota cada sonido que oigas durante 60 segundos. La mayoría de principiantes anota entre cuatro y cinco. Un oído entrenado anota quince.
Después, en este orden:
Elige una DAW y domínala. Reaper, Pro Tools, Logic o Ableton sirven. La que te permite terminar proyectos vale más que la que tiene la lista de funciones más larga.
Aprende el flujo de señal y el gain staging. El clipping antes de la mezcla no se arregla después.
Aprende el EQ como herramienta de tallado. Primero corta, después sube.
Rediseña un clip. Toma 30 segundos de vídeo, quítale el audio y reconstrúyelo desde cero. Diez intentos enseñan más que diez tutoriales.
Añade un motor. Si te interesan los juegos, implementa los mismos sonidos en un motor con variación y parámetros.
Un kit de inicio razonable es un par de auriculares cerrados, una interfaz de audio con al menos un preamp limpio y un micrófono de condensador cardioide o de diafragma pequeño. Calcula entre 300 y 600 USD por todo y dedica el resto de tu atención a escuchar.
Antes de tu próxima sesión
El diseño de sonido no es un montón de efectos. Es la disciplina de decidir qué oye el público, qué no oye y por qué cada sonido se gana su lugar. Las herramientas cambian cada año; las preguntas siguen siendo las mismas: para qué sirve este sonido, dónde se sitúa y qué pasa si desaparece.
Si trabajas con voz, trata la voz sintética como cualquier otra fuente de tu cadena: etiquétala, trátala, mézclala y sé honesto sobre dónde aguanta. Elige una escena corta esta semana, quítale el audio y reconstrúyela. Aprenderás qué es el diseño de sonido más rápido de lo que te enseñaría cualquier definición.