CRIMINALÍSTICA

> Artículo académico

Artículo bajo licencia Creative Commons Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0).

Análisis y medición de atributos acústicos de los formantes del habla del español rioplatense. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz1

ARK CAICYT: https://id.caicyt.gov.ar/ark:/s25456245/4ea6sx2cs

Vanesa Viña*

Instituto Universitario de la Policía Federal Argentina (IUPFA), Argentina

vvina@universidad-policial.edu.ar

María Jorgelina Pachame**

Policía Federal Argentina (PFA), Argentina

maria.pachame@hospitalitaliano.org.ar

RECIBIDO: 8 de marzo de2025
ACEPTADO: 21 de abril de 2025

Resumen

Desde el año 2005, se produjo un cambio de paradigma en la ciencia forense de identificación en referencia a la discernibilidad y unicidad de las muestras. Desde entonces, surge la necesidad de lograr niveles de confiabilidad similares a los obtenidos en la identificación con ADN por medio de ensayos estandarizados con base empírica y probabilística. Las investigaciones en Acústica Forense para la identificación a través de la voz no son ajenas a este cambio, lo que hace necesario contar con una base de datos de voces institucional regional que permita ponderar estadísticamente los atributos acústicos de una población de referencia. De este modo se podrá informar en las pericias la verosimilitud del habla de personas vinculadas a una causa judicial respecto del total de población. El objetivo de este trabajo es crear dicha base de datos, evaluar estadísticamente los atributos acústicos de las vocales para personas femeninas y masculinas de entre 20 y 60 años de edad, al menos bajo dos configuraciones: microfónicas y con codificación la plataforma de mensajería Whatsapp y ponderar la variabilidad intra-hablante entre ambos canales. En principio, se trabajó con voces de español rioplatense, pero no se descarta la posibilidad de ampliar a otros idiomas o dialectos.

Palabras clave: base de datos; voz; tipicidad; identificación forense de hablantes

Analysis and Measurement of Acoustic Attributes of Formants in Rioplatense Spanish Speech. An Approach to the Creation of a Reference Database for Forensic Voice Examinations

Abstract

Since 2005, a paradigm shift has occurred in forensic identification science regarding the discernibility and uniqueness of samples. Since then, the need has arisen to achieve reliability levels comparable to those obtained in DNA identification through standardized tests based on empirical data and probabilistic models. Research in Forensic Acoustics for voice-based identification has not been exempt from this shift, making it necessary to establish a regional institutional database that allows the statistical assessment of the acoustic attributes of a reference population. This would enable forensic experts to determine the likelihood that a given speech sample belongs to an individual involved in legal proceedings, relative to the general population. The objective of this study is to create such a database, statistically evaluate the acoustic attributes of vowels in male and female speakers aged 20 to 60 years under at least two conditions—microphone recordings and audio encoded through the WhatsApp messaging platform—and to assess intra-speaker variability across both channels. Initially, the study focuses on Rioplatense Spanish, though the possibility of expanding to other languages or dialects is not ruled out.

Keywords: database; voice; typicality; statutory definition of the offense; forensic speaker identification

Introducción

La Policía Federal Argentina realiza sistemáticamente comparación forense de locutores desde el año 1997. Desde entonces, con la certificación de la Dirección Nacional de Protección de Datos Personales, la Fonoteca o Base de Datos de Voces Judicializadas se nutre permanentemente de la voz de quienes delinquen o bien de quienes requieren salvaguardar su identidad.2 No obstante, la variedad de estas voces y su restringido número (dado que, a diferencia de la imagen del rostro y la huella dactilar, no es un requisito obligatorio para acreditar identidad) hacen que solo sean utilizadas en caso de pedido judicial de cotejo. Paralelamente, desde el año 2009 el Instituto Universitario de la Policía Federal (IUPFA) cuenta con un laboratorio destinado al análisis forense de la voz. Este laboratorio es de uso estrictamente académico y, actualmente, solo posee una única computadora cuyo software ha quedado desactualizado.

Ahora bien, la realización de una pericia de comparación forense de locutores implica hacer uso de este registro biométrico del individuo. Todo registro biométrico es un rasgo que posee universalidad (lo posee la mayoría de las personas nacidas al término de un desarrollo embriológico sin alteraciones), individualización (deben ser suficientemente diferentes en ese rasgo), estabilidad (el rasgo debe permanecer invariable a lo largo de un período de tiempo aceptable) y evaluabilidad (es factible de medir, de cuantificar) (Maltoni, 2003). De este modo, la biometría de voz es calificada y aceptada en la comunidad científica y forense a nivel mundial, como una biometría de tipo dinámica o comportamental-conductual, lo que implica la factibilidad de evaluar y encontrar regularidad en la variación natural de los elementos del habla, de allí su “dinamismo”.

Tal como se entiende actualmente, la biometría designa una tecnología de identificación y autentificación que consiste en transformar una característica biológica, morfológica o de comportamiento en una marca numérica. Su objetivo es determinar la unicidad de una persona a partir de la medida de una parte inmutable o irrepetible de su cuerpo (Foessel y Garapon, 2007) o producciones del mismo, por ejemplo, su voz.

El reconocimiento, la identificación y la verificación del hablante se basan en “la modelización estadística o matemática de las características del tracto vocal de una persona”. Este proceso representa la fisiología de la persona que produce el habla humana, expresada en una señal acústica. “Una vez que un modelo es asociado a una persona, se calcula la verosimilitud de la emisión acústica incógnita como emitida por dicho modelo en contraposición con la de otros modelos de diferentes hablantes” (Univaso, 2016, p. 1). Esto significa que toda pericia de la voz trae aparejada un proceso scopométrico (de comparación o cotejo).

La PFA utiliza sistemas de comparación combinados. Esto implica el uso de enfoques tanto espectrográfico-auditivos como auditivo-perceptuales, fonético-lingüísticos, y automáticos y semiautomáticos. Aquí se plantea un papel determinante del especialista, tanto en la selección de los elementos para la comparación como en la interpretación de resultados que arroja la aplicación de cálculo o análisis que se emplea.

Univaso y otros (2020, p. 117) explican que, en el año 2005,

Saks y Koehler propusieron un cambio de paradigma en la ciencia forense de identificación en referencia a la discernibilidad y unicidad de las muestras, en base a las evidencias de error en pruebas realizadas y casos reales. Dicho postulado concluye con la necesidad de lograr niveles de confiabilidad similares a los obtenidos en la identificación con ADN por medio de ensayos estandarizados con base empírica y probabilística.

Por otro lado, a partir del año 2010, se inició a nivel internacional, sobre todo en Europa, un movimiento a favor de optimizar la biometría de voz y sus alcances. Por ejemplo, Interpol (2017) creó un proyecto de investigación sobre tecnología de identificación de hablantes, de cuatro años de duración (de mayo de 2014 a abril de 2018), financiado por la Unión Europea y llevado a cabo por un consorcio de diecinueve socios, entre los que figuran usuarios finales y representantes del sector privado y del mundo académico conocido como SIIP (Speaker Identification Integrated Project).3 Este proyecto inició en 2014 en el marco de una reunión celebrada en la Secretaría General de Interpol, a la que asistieron representantes de los organismos encargados de la aplicación de la ley, el sector privado y el mundo académico (Policía Federal Argentina, representada por la Lic. Vanesa Viña).

Asimismo, el investigador Andrzej Drygajlo, del Instituto de Ciencias Forenses de Suiza, preside el proyecto europeo “Pautas metodológicas para el reconocimiento automático y semiautomático de hablantes para la evaluación e interpretación de casos”. Este proyecto se ha llevado a cabo en el marco del Programa Monopoly de la Red Europea de Institutos de Ciencias Forenses 2011 (European Network of Forensic Science Institutes, ENFSI, por sus siglas en inglés), Mejora de las Metodologías Forenses en Europa (IFMAE, por sus siglas en inglés) en el contexto del Grupo de Trabajo de Análisis de Audio y Habla Forense (FSAAWG, por sus siglas en inglés) de la ENFSI (Drygajlo et al., 2015).

A raíz de estos cambios de paradigma y contextos, en Argentina, de manera conjunta, el CONICET y el Ministerio de Seguridad de la Nación (Gendarmería Nacional Argentina y Policía Federal Argentina) propusieron un Protocolo Único para la Comparación Forense de Voces. Allí se reglamenta que los resultados de los informes forenses deben ser comunicados por medio de la expresión verbal de la relación logarítmica de probabilidades obtenida de los métodos aplicados (Resolución del Ministerio de Seguridad 526-24).

En este contexto, las probabilidades que debe relacionar el perito serán, por un lado, la que permita evaluar la verosimilitud de que el habla del imputado sea el habla de los audios dúbitos o cuestionados (similitud), con respecto a la verosimilitud de que el habla del imputado sea la de cualquier otra persona de una población relevante (tipicidad). Otros investigadores resaltan la importancia del uso de bases de datos representativas de la población relevante que reflejen las del caso bajo investigación, así como el empleo de modelos estadísticos (Morrison, 2014).

Cada uno de los enfoques utilizados para la realización de cotejos de voces deberá aportar su índice de verosimilitud (también conocido como Likelihood Ratio o LR). El cálculo del logaritmo de esta relación se indica como LLR, que se irá combinando con los otros parámetros hasta dar el resultado numérico final del estudio pericial.4

De las estadísticas internas realizadas por el numerario de la Sección Acústica Forense de la PFA, la gran mayoría de los delitos peritados son llevados a cabo por personas de habla hispana de la región rioplatense (zona de la cuenca del Río de la Plata, una extensa zona de Argentina y en la totalidad de Uruguay, y regiones aledañas). Particularmente centrada en las siguientes aglomeraciones urbanas: Buenos Aires y su área metropolitana (definición donde actualmente está incluida La Plata), Montevideo, Rosario, Mar del Plata, Santa Fe-Paraná, Bahía Blanca y Neuquén, cada ciudad con su correspondiente conurbano o área metropolitana.

Queda planteada, entonces, la necesidad de contar con bases de datos de voces con parámetros característicos acústicos representativos de una población de referencia para cada caso a analizar pericialmente, así como también dejar abierta la posibilidad de generar sistemas de detección automática de voces en investigaciones futuras.

Aunque existen estudios cuyo objetivo ha sido desarrollar una normativa de los valores formánticos (resonancias naturales características de un tracto vocal) de las vocales de hablantes argentinos del Río de la Plata, con el fin de utilizarlos en estudios de diferentes patologías vocales, como elemento clínico objetivo de la medida de desviación de esos valores (Aronson et al., 2000), dichos estudios no plantean el análisis de variaciones de canales de grabación, necesario en el ámbito legal.

El objetivo general del trabajo es diseñar una base de datos de voces de referencia y calibración para ser utilizada en las pericias de comparación de locutores, a partir de medir y evaluar estadísticamente el valor de centro de frecuencia de los primeros tres o cuatro formantes del habla para encontrar su tipicidad en población masculina y femenina de entre 20 y 60 años en la región rioplatense y/o otras regiones.

Los objetivos específicos, por su parte, son tres: 1) cuantificar el centro frecuencial para cada uno de los tres formantes principales del habla de las vocales A y E que se presentan en la situación de coarticulación más usual (linguoalveolar-dental). 2) Tipificar el valor de cada uno de los formantes y frecuencia fundamental del habla según edad, sexo sin ser voces disfónicas. 3) Evaluar y ponderar estadísticamente la influencia en la variabilidad intrahablante en la aplicación de distintos formatos microfónicos de grabación y audios de plataforma WhatsApp.

Metodología

Enfoque conceptual

El sistema fonador humano (Figura N°1) puede reducirse básicamente a la interrelación del sistema respiratorio, la laringe que alberga los pliegues o “cuerdas” vocales y las cavidades resonantes.

Figura N° 1. Tracto vocal humano Fuente: https://www.pictoeduca.com/leccion/193/aparato-respiratorio/pag/1350

La frecuencia promedio de cierre y apertura de los pliegues vocales (glotis), debido a la presión del flujo de aire traqueal, caracteriza la emisión de sonidos sonoros en las personas. A esta frecuencia se la denomina frecuencia fundamental o F0.

Aronson y otros (2000, p. 1) explican que

el espectro acústico del pulso glótico generado (espectro de la fuente glotal) será afectado por los filtros del tracto vocal, para producir sonidos vocálicos. Es decir, el tracto vocal es un filtro o un conjunto de filtros mecánicos que enfatizan algunas de las componentes del espectro glotal, especialmente, las que coinciden con sus propias frecuencias de resonancia. Esas componentes o zonas de componentes de mayor energía en el espectro resultante son los formantes del habla. Por lo tanto, la modulación del espectro de la fuente glotal y las resonancias del tracto vocal afectarán la distribución de los formantes.

Los espectros de los sonidos vocálicos están bien diferenciados entre sí y caracterizan cada vocal /i, e, a, o, u/ de las cuales /i, u/ se las clasifica como vocales cerradas y /e, o, a/ como abiertas. Si tomamos en cuenta el modo de articulación, las vocales /i/ y /u/ son altas; las /e/ y /o/ son medias; y la /a/ es baja. Según el lugar de articulación, las vocales /u/ y /o/ son anteriores, la /a/ es central y las vocales /i/ y /e/ son posteriores (Aronson et al., 2000, p. 1).

Las dos primeras estructuras formánticas (F1 y F2) dependen de la posición de la mandíbula, y por la posición anteroposterior y la altura de la lengua dentro de la cavidad oral, lo que permite evaluar la inteligibilidad del habla, además de verse afectadas por la voluntad del hablante, por lo tanto, pueden imitarse. Mientras que las estructuras de los picos de resonancia superiores (F3 y F4), que dependen del largo del tracto vocal general, son menos vulnerables a la modificación voluntaria por parte del hablante, convirtiéndose en un indicio de identidad de quien las produce (Koval, 2006).

De este modo, tomar el valor del atributo de los formantes del habla permite tener acceso al registro biométrico del tracto vocal humano, independientemente del idioma en que estas vocales se emitan.

Ahora bien, el registro del valor de las estructuras formánticas puede estar influenciado por el canal y formato de grabación diferente al microfónico (Byrne y Foulkes, 2004; Hughes et al., 2019; Koval et al., 2010). En ese sentido se cree conveniente contar con una base de datos que permita hacer las compensaciones pertinentes en función de las estadísticas que se vayan a obtener.

Metodología y Diseño Experimental

Sujetos

En este estudio participó de manera anónima y voluntaria la comunidad educativa de entre 20 y 60 años de edad –tanto masculina como femenina– del Instituto Universitario de la Policía Federal Argentina (IUPFA) que acreditaran haber nacido en la región geográfica rioplatense.

Metodología

La investigación que da lugar a este trabajo es de tipo cuantitativa y estadística. Cuantitativa, ya que se quiere medir y evaluar numéricamente ciertos parámetros de producciones de la fuente glótica y del tracto vocal, como la frecuencia fundamental y el valor del centro frecuencial de los formantes del habla. Estadística, en virtud de que el análisis y orden de los parámetros a evaluar numéricamene se hará mediante el uso de esta rama de la matemática.

Registros

El material y las muestras a evaluar se recolectaron de la siguiente manera: se grabaron simultáneamente –mediante el micrófono de un smartphone y en audio de la plataforma de mensajería instantánea de Whatsapp– voces femeninas y masculinas de individuos de entre 20 y 60 años (rango etario que condensa la población delictiva más frecuente)5 de al menos un minuto de duración neta en habla continua y espontánea. Esto es que no implique lectura, sino más bien un diálogo distendido donde la naturalidad del repertorio vocal y del habla queden en evidencia.

La evaluación de los parámetros a investigar se realizó con uso del programa de PRAAT, software diseñado especialmente para hacer investigaciones en fonética, de libre distribución, código abierto, multiplataforma y, además, gratuito.6

A modo de control de los valores arrojados por el software de código abierto, se utilizó el programa exclusivo de uso forense SIS I de la empresa Speech Technology Center, con el que cuenta el Laboratorio de la Voz del IUPFA en una única computadora. Y se llevaron algunas muestras para control a la Sección Acústica Forense de la Dirección General de Policía Científica de PFA que cuenta con tres computadoras con la versión SIS II STC-S521 v2. 4. 296 de dicho software. Esta versión data del año 2014 y, en la actualidad, ya no es posible su compra dado que la empresa STC comercializa la versión SIS III Software Forense de Análisis de Grabaciones.

Ante la falta de micrófonos profesionales en el IUPFA, las grabaciones se registraron en ambientes silenciosos mediante el uso del micrófono de los dispositivos smartphone particulares de las participantes en la presente investigación, con la aplicación “Grabadora de voz Fácil”, versión 2.8.2, de la compañía DIGIPOM, descargable desde la plataforma Google Play para Android. La aplicación se configuró para registrar en formato 44 KHz, códec PCM
(sin pérdida de información) y extensión .wav, a un canal de grabación.7

Por otro lado, los audios fueron grabados mediante la aplicación WhatsApp en simultáneo con la grabación microfónica, realizada con otro dispositivo. Una vez grabados, eran enviados a través de esa misma aplicación al responsable de grupo de cada recolección, para que pudieran ser descargados y analizados.

En virtud del tiempo que requiere analizar cada parámetro acústico de cada una de las vocales en cada muestra de audio, se tomó la decisión de recortar el análisis a las dos vocales más pronunciadas por los y las hablantes, es decir: la vocal A y la vocal E en la posición más frecuente de coarticulación (linguo-alveolar/dental, lo cual incluye la articulación del grupo consonante + vocal para los fonemas l, s, d, t, r, rr). De modo que, sin desmedro de cumplir con el objetivo general, puedan obtenerse datos estadísticos amplios y abarcativos para caracterizar y tipificar a la población masculina y femenina de la región rioplatense a partir de una cantidad de fonemas plausible de analizar.

Asimismo, al hacer el análisis de aptitud técnico, se ha observado que con el canal microfónico es posible ponderar los cuatro primeros formantes del habla, no así con el recorte que digitalmente realiza el códec con que se registran los audios de la plataforma de mensajería de Whatsapp, en los que solo se visualiza hasta el tercer formante. Por esto, se decidió analizar estos tres primeros formantes únicamente para homogeneizar el estudio en todas las muestras en ambos formatos de canal de grabación.

En relación al análisis, se realizó con el programa gratuito y de código abierto Praat para obtener el fonograma, espectrograma de banda ancha y picos en LPC (Linear Predictive Code) de cada muestra, previamente calibrado con el software de exclusivo uso forense versión SIS II STC-S521 v2. 4. 296 del paquete IKARLab de la empresa Speech Technology Center (STC).

Resultados y análisis

Se han obtenido y analizado un total de 2070 fonemas E y 2068 fonemas A, para 15 locutores masculinos, incluyendo la diferencia según el formato del canal de grabación. La Figura N° 2 es de carácter ilustrativo, para que, de manera gráfica, se facilite la comprensión de lo que implica la búsqueda y medición de los centros frecuenciales de los picos de resonancia para una vocal.

Figura N° 2. Análisis en espectrograma de banda ancha (izquierda) y LPC (derecha)
en la variabilidad natural de la vocal /E/ masculina. Fuente: elaboración propia.

En relación con las frecuencias fundamentales (F0) de hablantes masculinos y femeninos (Tabla N° 1) se obtienen los resultados (Tabla N° 2) comparando entre canales de grabación microfónica (mic) y de mensajería Whatsapp (Wpp).

Tabla N° 1. Estadística de valores de F0 en la población analizada.

Tabla N° 2. Comparación de F0 entre canales de grabación.

Además, se evaluó el promedio de valores de F0 para las muestras femeninas y masculinas. Gráficamente se puede observar su estabilidad en función de la edad (Figura N° 3).

Figura N° 3. Gráfico de promedio general (mic y wpp) para la F0 en función de la edad. Fuente: elaboración propia.

En relación con la cuantificación del centro frecuencial para cada uno de los tres formantes principales del habla de las vocales A y E que se presentan en la situación de coarticulación más usual (linguoalveolar-dental), el resultado de análisis para vocal /A/ en el perfil de locutor masculino de habla español rioplatense se puede ver en la Tabla N° 3.

Tabla 3. Vocal /A/ en el perfil de locutor masculino de habla español rioplatense.

A continuación, se presentan los resultados del análisis para vocal /E/ en el perfil de locutor masculino de habla español rioplatense (Tabla N°4).

Tabla N° 4. Vocal /E/ en el perfil de locutor masculino de habla español rioplatense.

En relación con voces femeninas, se han analizado el registro de 20 voluntarias, analizando un total de 1133 fonemas /E/ y un total de 1021 fonemas /A/. Los resultados obtenidos para los fonemas de la vocal /E/ se muestran en la Tabla N° 5. Y para el fonema de la vocal /A/ ver la Tabla N° 6.

Tabla N° 5. Vocal /E/ en el perfil de locutor femenino de habla español rioplatense.

Tabla N° 6. Vocal /A/ en el perfil de locutor femenino de habla español rioplatense.

Producciones de la investigación

Por un lado, cada vocal de análisis dio origen a un trabajo de tesina para graduarse en la Licenciatura en Criminalística en el Instituto Universitario de la Policía Federal Argentina (IUPFA) de cada una de las estudiantes, que participaron como integrantes del equipo de la presente investigación8 como se detalla a continuación:

• Análisis y medición de atributos acústicos de los formantes del habla del español rioplatense para la vocal /a/. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz. (Báez Marín, Paola Desiré)
• Análisis y medición de atributos acústicos de los formantes del habla del español rioplatense para la vocal /e/. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz. (Delgado Barros, Mora)
• Análisis y medición de atributos acústicos de los formantes del habla del español rioplatense para la vocal /i/. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz. (Bestard, Aime)
• Anállisis y medición de atributos acústicos de los formantes del habla del español rioplatense para la vocal /o/. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz. (Rodríguez, Camila Alejandra)

Por otro lado, ha generado el análisis estadístico y la inclusión de registros en una base de datos que permita obtener el perfil de los atributos acústicos de la voz para hablantes masculinos de entre 20 y 60 años de la región de habla en español rioplatense.

Esto permitirá realizar el cálculo de la tipicidad. Es decir, la probabilidad de los rasgos de la voz de un material de pericia indubitado dados los rasgos de la voz de una población. Dicho de otro modo, qué tan similar es la voz de un individuo al resto de la población con la cual comparte características como edad, sexo y dialecto. Conocer la tipicidad de una voz es fundamental para redactar las conclusiones de una pericia forense de voz en la Sección Acústica Forense de la PFA. En ellas debe incluirse el índice de verosimilitud o LR según lo expresado en el “Protocolo Único para la Comparación Forense de Voces”, acorde a los Principios de Daubert para la prueba pericial.

Asimismo, se ha logrado crear un perfil de calibración (Figura N° 4) entre el programa de exclusivo uso forense SIS II STC-S521 v2. 4. 296 del paquete IKARLab de la empresa Speech Technology Center (STC) con el software de código abierto Praat®.

Figura N° 4. Calibración entre PRAAT (código abierto) y programa SIS II (uso exclusivo forense del paquete IKALab de la empresa STC). Fuente: elaboración propia.

Conclusiones y análisis de resultados

Se ha finalizado el diseño de una base de datos de voces de referencia y calibración para su utilización en pericias de comparación de locutores. Esta base se diseñó a partir de la medición y evaluación estadísticamente el valor de centro de frecuencia de los primeros tres o cuatro formantes del habla con el fin de encontrar su tipicidad en una población masculina y femenina de entre 20 y 60 años en la región rioplatense.

Para la población masculina, se ha logrado cuantificar e informar el centro frecuencial para cada uno de los tres formantes principales del habla de las vocales A y E que se presentan en la situación de coarticulación más usual (linguoalveolar-dental), junto con su desviación estándar.

Sin embargo, para la población femenina registrada, solo pudo analizarse y cuantificar el centro frecuencial general de los tres formantes principales del habla de dichas vocales sin haber logrado indagar sobre la situación de coarticulación linguoalveolar-dental.

Por otro lado, se tipificó el valor de cada uno de los formantes y frecuencia fundamental del habla según edad y sexo en voces sanas. En relación al atributo conocido como frecuencia fundamental o F0, en mujeres se observa un promedio de 185 Hz, y en varones 116 Hz para calidad microfónica y 185 Hz y 120 Hz para mujeres y varones respectivamente para calidad WhatsApp. Esto concuerda con toda la bibliografía consultada en el promedio estadístico de la frecuencia fundamental para habla masculina y femenina (F0 masculina entre 50 y 200 Hz y la femenina entre 150 y 350 Hz).

La diferencia observada en varones puede deberse a que el micrófono capta mejor las frecuencias graves dado que no presenta algoritmo de compresión, por lo cual el sistema no debe recalcular la frecuencia como ocurre en Whatsapp, sino que la toma directamente de la información acústica disponible.

La desviación estándar al tomar el tono mínimo y máximo aparenta ser mayor en mujeres que en varones, siendo de 174-173 Hz y 109-120 Hz respectivamente. Ahora bien, si tomamos los valores en Hz de las notas, observamos que la extensión tonal del habla en las mujeres es de 9.5 tonos y la de los varones es de 10.5 tonos, lo cual indica que, a pesar de que las mujeres pueden ser, de algún modo, “más musicales” al hablar, dado que varían en mayor medida de tono dentro de la frase melódica del habla, la extensión vocal en el habla (cantidad de tonos totales que producen) es muy similar entre ambos, siendo de hecho, en esta muestra, más amplia por un tono en los varones.

La diferencia entre los sistemas de análisis es mayor en la medición para mujeres, observando que la misma es de casi dos tonos diatónicos, a diferencia de esta misma medición para varones, para quienes es de un semitono a un tono. Esto probablemente radica en el hecho de que el programa de uso exclusivo forense de la empresa STC permite ser más preciso en la medición, dado que se pueden corregir las trayectorias de la frecuencia fundamental calculadas por el sistema. Corrección que no puede hacerse en el software gratuito y de código abierto Praat.

Finalmente, se ha logrado evaluar y ponderar estadísticamente la influencia en la variabilidad intrahablante –tanto en la población masculina como en la femenina– de la aplicación de distintos formatos y códecs de grabación, comparando el canal microfónico con el de audios de la plataforma de mensajería instantánea de Whatsapp. Puede concluirse que para todos los casos el porcentaje de variabilidad intrahablante entre canales es muy inferior al 5 %. Esto garantiza la homogeneidad de las muestras al realizar investigaciones cotejando voces registradas en ambos canales.

Este trabajo pone de relevancia lo minucioso que se debe ser al realizar una pericia de comparación de locutores, donde se evalúan los valores frecuenciales de los formantes del habla y el tiempo que esta tarea conlleva.

Es importante que esta investigación se amplíe, analizando mayor cantidad de voces, con el fin de obtener un corpus más representativo de la población general. Además, se recomienda extenderlo a otros dialectos o idiomas con los que convivimos, analizando todos los fonemas vocálicos y con mayor cantidad de situaciones de coarticulación que la linguoalveolar-dental. De este modo, la base de datos será más robusta.

Bibliografía

Aronson, L.; Rufiner, H. L.; Furmanski, H. y Estienne, P. (2000). Características acústicas de las vocales del español rioplatense. Fonoaudiológica, 46(2), 12-20. https://sinc.unl.edu.ar/sinc-publications/2000/ARFE00/sinc_ARFE00.pdf

Byrne, C. y Foulkes, P. (2004). The Mobile phone effect on Vowel Formants. International Journal of Speech Language and the Law, 11(1), 83-102. https://doi.org/10.1558/ijsll.v11i1.83

Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) (2018). Protocolo para las pericias forenses de voz en el ámbito judicial. https://www.conicet.gov.ar/wp-content/uploads/Protocolo-para-la-Pericias-Forenses-de-Voz.pdf

Drygajlo, A.; Jessen, M.; Gfroerer, S.; Wagner, I.; Vermeulen, J. y Niemi, T. (2015). Methodological Guidelines for Best Practice in Forensic Semiautomatic and Automatic Speaker Recognition. https://enfsi.eu/wp-content/uploads/2016/09/guidelines_fasr_and_fsasr_0.pdf

Foessel, M. y Garapon, A. (2007). Biometría: las nuevas formas de la identidad. Amorrortu.

Hughes, V.; Harrison, P. T. y Foulkes, P. (2019). Effects of formant settings and channel mismatch on semi-automatic systems in forensic voice comparison. En Proceedings of the International Congress of Phonetic Sciences (ICPhS) (pp. 3129–3133). International Phonetic Association. https://www.internationalphoneticassociation.org/icphs-proceedings/ICPhS2019/papers/ICPhS_3129.pdf

Interpol (julio de 2017). Proyecto SIIP (Speaker Identification Integrated Project): Identificación de hablantes según normas estrictas de protección de la privacidad. https://www.interpol.int/es/content/download/12660/file/SIIP%20Project%20Factsheet-ES.pdf

Sartore, J. T. y Van Doren, R. (2006). El veredicto Daubert obliga a los jueces a valorar las pruebas científicas. Pediatrics (Ed. Esp.), 62(5), 747-749. https://www.elsevier.es/es-revista-pediatrics-10-articulo-el-veredicto-daubert-obliga-jueces-13113406 (artículo en inglés: https://doi.org/10.1542/peds.2006-0052)

Koval, S. (2006). Formants matching como un método robusto para la identificación forense de hablantes. En Proceedings of the 11th International Conference on Speech and Computer (SPECOM) (pp. 125-128). https://eurasip.org/Proceedings/Ext/SPECOM2006/papers/021.pdf

Koval, S.; Barinov, A.; Pavel, I. y Stolbov, M. (2010). Channel Compensation for Forensic Speaker Identification Using Inverse Processing. En AES 39th International Conference, Hillerød, Dinamarca, 17–19. https://www.researchgate.net/publication/273443766_Channel_Compensation_for_Forensic_Speaker_Identification_Using_Inverse_Processing

Maltoni, D.; Maio, D.; Jain, A. K. y Prabhakar, S. (2003). Handbook of Fingerprint Recognition. Springer. https://doi.org/10.1007/978-1-84882-254-2

Morrison, G. S. (2014). Distinguishing between forensic science and forensic pseudoscience: Testing of validity and reliability, and approaches to forensic voice comparison. Science & Justice, 4(3), 245-256. https://doi.org/10.1016/j.scijus.2013.07.004

Resolución del Ministerio de Seguridad 526-24. (14 de junio de 2024). https://www.argentina.gob.ar/normativa/nacional/resoluci%C3%B3n-526-2024-400746/texto

Univaso, P. (2016). Identificación de hablantes en Argentina: un tutorial. http://doi.org/10.13140/RG.2.1.4252.3768

Univaso, P.; Gurlekian, J.; Martínez Soler, M. y Stalker, G. (2020). FORENSIA: un sistema de identificación forense por voz. En Actas del 49° JAIIO - Simposio de Informática y Derecho (SID 2020). Sociedad Argentina de Informática (SADIO). https://sedici.unlp.edu.ar/handle/10915/116758

Vázquez-Rojas, C. (2014). Sobre la cientificidad de la prueba científica en el proceso judicial. Anuario de Psicología Jurídica, 24(1), 65-73. https://doi.org/10.1016/j.apj.2014.09.001

---

Cita sugerida: Viña, V. y Pachame, M. J. (2025). Análisis y medición de atributos acústicos de los formantes del habla del español rioplatense. Un abordaje para la confección de una base de datos de referencia para las pericias forenses de voz. Minerva. Saber, arte y técnica, 9(1). Instituto Universitario de la Policía Federal Argentina (IUPFA), pp. 26-43.

---