Una red neuronal aprende a componer con tonos que el oído inventa

El fenómeno: un tono que el oído añade por su cuenta

Cuando dos sonidos bastante intensos llegan juntos al sistema auditivo, este no responde como un receptor perfectamente lineal. Entonces aparecen componentes que no estaban en la señal original: son los auditory distortion products, o productos de distorsión auditiva. El artículo se ocupa de una familia concreta, los quadratic difference tones (QDT, tonos diferenciales cuadráticos), que describe como un producto de distorsión auditiva en el que un tono puro 'fantasma', ausente de la señal acústica, suena con toda claridad para quien escucha.

La consecuencia va contra la intuición, y ahí está justamente su interés musical: un micrófono colocado frente al altavoz no captaría ese tono, pero el oyente sí lo percibe. El sonido no viaja por el aire; nace en la escucha.

Esa diferencia entre lo que hay en la señal y lo que se percibe sostiene todo lo demás. Componer con QDT es, en rigor, escribir para un instrumento que es el propio sistema auditivo del público.

Del fenómeno a la técnica: qué es la síntesis QDTS

Los autores explican que, aprovechando ese fenómeno, se pueden sintetizar tonos de espectro rico en armónicos con fines musicales. A la técnica la llaman Quadratic Difference Tone Spectrum (QDTS) synthesis, es decir, síntesis de espectros de tonos diferenciales cuadráticos.

El planteamiento invierte el problema clásico de la síntesis. En lugar de diseñar la onda que se quiere oír, se diseña el espectro fantasma que se quiere provocar —el QDTS objetivo— y luego se busca qué señal hay que emitir para que el oído lo genere. Esa señal emitida es lo que el trabajo llama carrier signal (señal portadora), construida con overtones (armónicos superiores).

El puente entre ambos mundos es la distortion function, la función de distorsión, que relaciona un QDTS objetivo con una portadora de estructura armónica. Sintetizar QDTS consiste, entonces, en recorrer esa relación al revés: partir del espectro percibido que se desea y averiguar qué portadora lo produce.

Qué fallaba en los métodos anteriores

Ya había trabajos previos que resolvían la síntesis de QDTS con métodos numéricos aplicados a la función de distorsión. El artículo les reconoce precisión (accurate), pero les señala dos fallos que pesan mucho en un contexto creativo.

El primero: son estocásticos, incorporan azar, así que dos ejecuciones sobre el mismo objetivo pueden devolver soluciones distintas. El segundo, más grave para la música: son discontinuos, de modo que un cambio mínimo en el espectro objetivo puede provocar un salto brusco en la portadora resultante.

De ahí salen dos consecuencias prácticas que describen los autores. Esos métodos cuesta manejarlos con criterio musical y, además, quedan limitados a señales estacionarias, sonidos que no evolucionan en el tiempo. Eso deja fuera buena parte del gesto musical: los glissandi, los crescendos tímbricos, las transiciones.

En corto: la herramienta servía para fijar un acorde fantasma, pero no para moverse dentro de él.

El método: aprender la inversa del mapeo de distorsión

La propuesta cambia el cálculo numérico por un modelo aprendido. En concreto, usa una red neuronal que aprende una inversa aproximada del mapeo de distorsión (an approximate inverse of the distortion mapping), entrenada en un esquema de tipo autoencoder.

Ese autoencoder-like configuration describe cómo se organiza el entrenamiento: la salida se hace pasar por el mapeo ya conocido para poder compararla con la entrada, y así se entrena la parte inversa sin necesidad de conocer de antemano las soluciones correctas. La red no memoriza pares de respuestas; aprende a generar portadoras cuya distorsión reconstruye el espectro objetivo.

La ganancia que declaran los autores es la continuidad. Como se trata de una función aprendida y no de una búsqueda con azar, el resultado es una aproximación continua (continuous approximation) que, según ellos, corrige las limitaciones anteriores. Si el espectro objetivo se desplaza poco a poco, la portadora lo sigue con suavidad, y eso es justo lo que permite trabajar con señales no estacionarias.

Qué dicen los resultados y qué precio tienen

Los resultados experimentales que publica el artículo plantean un canje explícito: el método pierde algo de precisión numérica frente a los procedimientos anteriores, pero alcanza de sobra para usos perceptuales y musicales.

Vale la pena leer esa frase despacio, porque resume la tesis del trabajo. Nadie afirma que la red iguale en exactitud a los métodos numéricos; lo que se afirma es que la exactitud perdida cae por debajo del umbral que importa cuando quien juzga es un oyente y no una métrica. Es una justificación perceptual, no una mejora numérica.

También conviene recordar que lo dicen los propios autores en su artículo, no una evaluación externa. El trabajo fue aceptado en la conferencia AI Music Creativity (AIMC) 2026, celebrada en Berlín, y ocupa ocho páginas con tres figuras.

Tiempo real en Max y materiales para probarlo

Más allá de la formulación teórica, los autores programan una versión en tiempo real en Max y miden su rendimiento. Max es un entorno de programación visual muy extendido en música electrónica y composición asistida por ordenador, así que el método aterriza donde pueden usarlo directamente los músicos, no solo los investigadores.

El trabajo viene acompañado de varios ejemplos sonoros que, en palabras de los autores, demuestran su potencial expresivo y musical. Y, sobre todo, el artículo señala que el código fuente, los ejemplos de audio, los tutoriales y el software están disponibles públicamente en el enlace que acompaña a la publicación.

Quien quiera comprobarlo por su cuenta tiene una sola ruta oficial: la entrada del artículo en arXiv (registro arXiv:2609.10913, cs.SD), desde donde se llega al PDF, a la versión HTML experimental, al código TeX y al enlace de materiales complementarios que citan los autores. Es el único acceso que indica el propio trabajo, y conviene usarlo en lugar de copias de terceros.

Los límites del trabajo y una nota de prudencia al escuchar

Los límites que reconoce el propio artículo son concretos: la solución es aproximada por construcción y su precisión numérica queda por debajo de la de los métodos previos. Que ese margen resulte aceptable se argumenta en términos perceptuales y musicales, y lo argumentan los autores. El rendimiento de la versión en tiempo real se mide dentro del artículo, así que cualquier conclusión sobre cómo se comportaría en otros escenarios va más allá de lo que el trabajo documenta.

Hay además un punto que el artículo no trata y que no se le debe atribuir: nada en este dossier aborda la exposición sonora ni recomienda pautas de escucha segura. Sí consta en el texto que los productos de distorsión auditiva nacen en el sistema auditivo del oyente, lo que implica que la experiencia pasa por escuchar la señal portadora.

Por eso, y como precaución general válida para cualquier experimento con síntesis —no como conclusión del artículo—, al probar estos materiales lo sensato es empezar con el volumen bajo, subirlo poco a poco y evitar sesiones largas a alto nivel, sobre todo con auriculares. Es sentido común, no un resultado de la investigación.

Por qué importa más allá de la música

Este caso ilustra con claridad un patrón habitual cuando se aplican redes neuronales a problemas científicos: el modelo no descubre un fenómeno nuevo, sino que vuelve manejable uno ya conocido. La física perceptual de los tonos diferenciales cuadráticos sigue siendo la misma; lo que cambia es que ahora hay un mapeo inverso continuo donde antes había un procedimiento con azar y con saltos.

Ese cambio —ceder exactitud a cambio de continuidad y control— es una decisión de diseño, no algo que venga de serie con el aprendizaje automático. El artículo la toma de forma explícita y la justifica por el destinatario: si quien juzga el resultado es un oído humano, el criterio de calidad se mueve de sitio.

Para quien está aprendiendo cómo se aplica la IA fuera de los grandes modelos de lenguaje, este trabajo es un ejemplo de tamaño humano: ocho páginas, un problema bien acotado, una arquitectura clásica de tipo autoencoder y materiales públicos para reproducirlo.