De la onda sonora al audio digital: qué graba tu micrófono al dictar
Cómo el micrófono y tu dispositivo convierten la voz en números: frecuencia de muestreo, profundidad de bits, audio mono, remuestreo y por qué la posición del micrófono importa más que las especificaciones.
En resumen
Tu voz es una onda de presión. El micrófono la convierte en una señal eléctrica, y un conversor mide esa señal miles de veces por segundo. Para la voz, el formato clásico es 16 000 mediciones por segundo a 16 bits. Más números no garantizan un mejor reconocimiento: una voz clara cerca del micrófono importa mucho más que las especificaciones.
Dijiste
llego diez minutos tarde empezad sin mí
SayVelio escribió
Llego 10 minutos tarde, empezad sin mí.
El sonido empieza como aire en movimiento
Cuando hablas, las cuerdas vocales, la lengua y los labios crean cambios de presión diminutos y rápidos en el aire. El micrófono tiene una membrana fina que se mueve con esos cambios y convierte el movimiento en un voltaje variable: una onda analógica que reproduce tu voz.
Un ordenador no puede guardar una onda continua, así que un conversor analógico-digital (normalmente integrado en el portátil, el móvil o los auriculares) la mide a intervalos regulares. Cada medición es una muestra, que se guarda como número.

Frecuencia de muestreo: cada cuánto se mide la señal
La frecuencia de muestreo es el número de mediciones por segundo. 16 000 Hz (16 kHz) significa 16 000 muestras por segundo; 48 kHz, 48 000.
La frecuencia de muestreo fija la frecuencia más alta que puede contener la grabación: más o menos la mitad. Una grabación a 16 kHz conserva sonidos hasta unos 8 kHz, suficiente para entender el habla. El audio telefónico clásico solo llega hasta unos 3,4 kHz, y por eso es tan fácil confundir la «f» y la «s» en una llamada.
Profundidad de bits: con qué precisión se guarda cada muestra
La profundidad de bits indica cuántos valores distintos puede tomar cada muestra. El audio de 16 bits tiene 65 536 niveles posibles. Eso describe la precisión de la medida, nada más: no significa que un modelo de voz distinga 65 536 tipos de sonidos.
Una grabación de dictado suele ser mono: un canal, una muestra por instante. El estéreo añade un segundo canal que casi no ayuda al reconocimiento.
Cuántos datos ocupan unos segundos de voz
La cuenta es sencilla: 16 000 muestras × 16 bits = 256 000 bits por segundo de audio mono, o 32 KB por segundo sin contar cabeceras. Un dictado de 30 segundos ocupa alrededor de 1 MB sin comprimir. Es poco para una conexión actual, pero se acumula cuando una app envía muchas grabaciones, y por eso algunas apps comprimen antes el audio (ver compresión de audio para voz).
Remuestrear no es solo cambiar un número
Muchos micrófonos graban a 48 kHz, mientras que muchos modelos de reconocimiento esperan 16 kHz. Pasar de uno a otro no es cambiar la etiqueta del archivo: antes hay que filtrar el audio para quitar las frecuencias que la tasa más baja no puede contener; si no, se repliegan sobre la grabación como distorsión (lo que se llama aliasing). El sistema operativo y las bibliotecas de audio lo hacen por ti, pero es un motivo más para no convertir el audio una y otra vez.
Lo que más importa: el micrófono y la sala
Todo esto ocurre antes del reconocimiento, y ningún software recupera palabras que el micrófono no captó con claridad. En la práctica:
- La distancia es lo más importante. Unos auriculares con micro o el micrófono del portátil delante de ti son mejores que una webcam al otro lado de la sala. Los micrófonos lejanos captan más eco.
- Demasiado cerca produce golpes. Hablar pegado al micrófono genera ráfagas de aire en la «p» y la «b».
- Comprueba qué entrada está seleccionada. Si conectas auriculares, el ordenador puede cambiar de micrófono. En Mac, en Ajustes del Sistema → Sonido → Entrada; en Windows, en Configuración → Sistema → Sonido.
- Da permiso de micrófono a la app de dictado. Sin él, la app solo recibe silencio.
Consejo
Si el dictado empeora de repente, revisa primero el dispositivo de entrada. Pasar al micrófono de unos auriculares Bluetooth suele bajar la calidad, porque muchos usan un modo de audio estrecho, tipo teléfono, mientras el micrófono está activo.
Preguntas frecuentes
¿Una frecuencia de muestreo más alta mejora el dictado?
No necesariamente. La mayoría de los modelos de reconocimiento trabajan internamente a 16 kHz, así que una grabación a 48 kHz se reduce igualmente. Una voz clara y una buena posición del micrófono importan más.
¿Necesito un micrófono externo?
Normalmente no. Los micrófonos integrados de los portátiles y móviles actuales bastan para dictar en una sala tranquila. Unos auriculares con micro ayudan en oficinas abiertas o sitios ruidosos.


