INTRODUCCIÓN

Al examinar detenidamente la palabra leer y sus derivaciones, se encuentra que está relacionada morfológicamente con términos como seleccionar, elegir, elector. De tal modo, leer implica acceder a la información por medio de un ejercicio de selección de signos. Nótese que esto no implica que los signos deban ser gráficos, leer no es ver. Pero, si el resultado final de la lectura visual es obtener información, también vale preguntarse por la información que ingresa al cerebro a través de la audición ¿Qué sucede cuando se escuchan los textos? De hecho, la información a través del oído se procesa, generalmente, mucho más rápido que la que ingresa a través de la lectura visual (^{Gramajo, Paoletta y Santagada, 2017}), porque al escuchar no hay necesidad de realizar la decodificación de los signos a través de técnicas como la subvocalización, mientras que al leer de forma visual, deben representarse los fonemas mentalmente.

Cuando la electrónica analógica hizo posible transmitir la voz y se crearon medios de comunicación como la radio y la televisión, la palabra hablada ganó un nuevo espacio en la sociedad. ^{Ong (1982)} afirmó que a través de estos medios electrónicos se dio un resurgimiento de la oralidad. Pero ya no se trata de una oralidad primaria, la que se vivía antes de la escritura, sino de una oralidad secundaria. Fue también gracias a este tipo de medios que los individuos volvieron a hacer uso masivo de la escucha como instrumento para el entretenimiento y la adquisición de información y conocimiento.

Más adelante, a partir de los avances de la electrónica digital, que permitió el desarrollo de dispositivos de sonido portátiles con gran capacidad de almacenamiento, gestión de contenidos y autonomía, surgieron nuevas experiencias de escucha que reafirmaron este tipo de oralidad. Posteriormente, la expansión de Internet permitió la aparición de plataformas como Ivoox, SounCloud, Youtube, Vimeo, Daily Motion, claro ejemplo del protagonismo que gana nuevamente la palabra hablada. El fenómeno de los podcasts y los BookTubers como influenciadores que han ido migrando sus clubes de lectura a experiencias audiovisuales (^{García-Canclini, et al., 2015}), demuestra que el público está dispuesto a escuchar.

Recientemente ha llegado a ser posible la experiencia de leer en dispositivos electrónicos por medio de programas de síntesis de voz. Esta nueva práctica, bien puede ubicarse dentro de una oralidad terciaria, siguiendo la derivación del concepto de oralidad empleada por Ángel y Alvarado (2016), basada en ^{Logan (2010)} cuando hablan de la experiencia de escuchar radio digital por medio de dispositivos móviles, como de un caso de oralidad terciaria. No obstante, la primera mención al concepto de oralidad terciaria debe buscarse en las reflexiones acerca de la lingüística computacional presentadas por Joseba ^{Abaitua (1997)} en el Simposio de Lingüística Española organizado por el Instituto Cervantes de Mánchester y el Centre for Computational Linguistics de UMIST en mayo de 1995 y luego retomadas en 1997 en el Congreso de Informática y Sociedad: retos para el nuevo milenio, en la Universidad de Deusto. En esa ocasión planteó la oralidad terciaria partiendo de los conceptos de oralidad secundaria de Ong y del concepto de ideografía dinámica elaborado por Pierre Levy. Es una visión en la que la comunicación oral por medio de la tecnología adquiere otras dimensiones.

Ambas derivaciones se fundamentan en la distinción de ^{Ong (1982)} entre oralidad primaria, la que se produce en sociedades que no hacen uso de la escritura, y oralidad secundaria, la que está influenciada por el conocimiento de los sistemas de escritura. Aunque Ong no lo planteó, a estos tipos de oralidad se le puede sumar la oralidad terciaria, la que se produce por intervención de la tecnología digital.

En un sentido similar, la investigación ¨El recurso de conversión de texto a voz¨ planteó que la expansión de la oralidad que ocurre cuando se emplea dicho recurso, cabe dentro de esa nueva forma de oralidad, y se encontró que es una alternativa válida de lectura en un ecosistema de medios digitales donde se posibilitan otras prácticas y experiencias lectoras.

REFLEXIÓN

Las tecnologías digitales como generadoras de una nueva oralidad

Con el advenimiento de la era digital y la amplia disponibilidad de equipos de cómputo personales, la tecnología de síntesis de voz estuvo al alcance de cualquier usuario. Los sistemas operativos y el software especializado hicieron posible la conversión automática y la creación de archivos de audio sobre cualquier texto digital. Esta función, denominada por sus siglas en español CTV, (Conversión de Texto a Voz) y en inglés TTS (Text to Speech), pertenece a un nuevo fenómeno de oralidad que plantea una especial incidencia en las prácticas lectoras.

La CTV es una nueva forma de oralidad tecnológica digital. Tiene antecedentes remotos, pero solo existe en propiedad desde el año 1968 cuando Noriko Umeda, en Japón (^{Klat, 1987}), desarrolló el primer programa de síntesis de voz aplicado a texto en inglés. Hacia los años ochenta, ya se había alcanzado un nivel funcional para el empleo de esta herramienta; pero habría que esperar hasta las primeras décadas del siglo XXI para que se lograra un buen nivel en las dos condiciones básicas de la síntesis de habla: la inteligibilidad y la naturalidad. Los primeros esfuerzos para realizar síntesis de voz se enfocaron en lograr la inteligibilidad del habla. Cuando esto se consiguió, la nueva meta fue alcanzar la naturalidad de las voces. Actualmente se produce síntesis de voz con gran naturalidad e inteligibilidad. El nuevo reto está puesto sobre una tercera condición: la variabilidad o expresividad de las voces y otros aspectos prosódicos y pragmáticos del discurso (^{Bulut, et al, 2002})

Entre los primeros beneficiados con los avances de la tecnología de síntesis de voz estuvo la población invidente, que por sus mismas condiciones y limitaciones no había podido acceder a la información escrita de la misma manera que el resto de la población. La función inicial de este tipo de recurso fue principalmente brindar asistencia y mayor autonomía en el acceso a la información para este tipo de usuario; pero ya ha quedado atrás la idea generalizada de que los programas de síntesis de voz solo se usan para personas en situación de discapacidad. Las aplicaciones domóticas, la navegación terrestre con equipos GPS, los asistentes virtuales y la conversión de texto a voz en programas informáticos de lectura, no dejan duda acerca del amplio campo de acción de este recurso.

Para que exista oralidad terciaria, en el caso de la oralidad tecnológica digital, y más específicamente en la CTV, se requiere un cierto nivel de manipulación del texto y el audio, que lo convierta en un producto nuevo, no solamente en una reproducción.

El audiotexto, una textualidad verbal y visual

En la primera década de este siglo se hizo posible que cualquier persona con suficiente conocimiento y habilidad, convirtiera un archivo de texto digital en un archivo de voz sintetizada. El archivo obtenido se podía almacenar en un reproductor de música. En la investigación se constató que esos primeros usuarios encontraron en la síntesis de voz, la oportunidad de crear sus propios audiolibros de manera automática. Estos usuarios pioneros, partían del empleo de algún tipo de software dedicado para obtener un archivo de audio que podían ejecutar en un reproductor de música. Lo que lograron hacer, corresponde más al concepto de audiolibro que al de audiotexto.

Por esta misma época, los avances de la lingüística computacional, que habían hecho posible la reproducción oral de cualquier texto digital por medio de voces sintéticas, se integraron a los programas informáticos de lectura y abrieron paso a un nuevo producto de audio que aquí proponemos denominar audiotexto, para diferenciarlo de los ya conocidos audiolibros. El concepto de audiotexto ha sido explorado desde diferentes ámbitos, como aquellos que se enfocan en la interacción hombre-máquina a través del ingreso de información por medio de dispositivos como el teléfono y las respuestas auditivas del sistema (^{LaRose, 1992}; ^{Schwartz, 1993}; ^{DeGroot, 1993}). Por otra parte, el audiotexto también es empleado para la enseñanza de idiomas, ya sea para hablantes nativos o extranjeros (^{Al Ghafli, 2011}; ^{Jones, 2008}; ^{Mariño-Medina, 2016}) como medio para que los aprendices puedan mejorar la pronunciación y velocidad de lectura. Otras áreas que se enfocan en el audiotexto son aquellas vinculadas a la accesibilidad de personas con discapacidad visual (^{Gramajo, 2017}). Este último estudio en particular, define específicamente el audiotexto como

“...un texto grabado en voz alta, generalmente en un formato electrónico, que puede reproducirse innumerable cantidad de veces. La grabación del texto puede ser leída o dramatizada por actores o aficionados, pero también se genera de manera artificial utilizando un software de sonido que permite lograr versiones completas o abreviadas” (p. 126)

No obstante, esta definición no señala la importancia que tiene la presencia visual del texto como soporte y guía de la lectura auditiva, que aquí consideramos condición necesaria para que pueda hablarse de audiotexto.

Otros autores han puntualizado al audiotexto como un recurso enfocado a público vidente que tenga el propósito de incrementar su consumo lector o mejorar su comprensión. La definición de audiotexto más aproximada a la que se construyó en la investigación, la encontramos en Bjork y Rumrich, para quienes el audiotexto aparece como recurso multimodal “An audiotext is multimodal in two senses: as its name implies, it mediates the text in aural and visual modes, enabling the user to read and/or listen; in addition, it allows the reader to choose between various reading modes”¹ (^{Bjork y Rumrich, 2018}, p. 49). De esta manera, tanto la visión como la audición cobran gran importancia, al igual que la posibilidad de que el lector pueda escoger entre cualquiera de estos sentidos, o los dos simultáneamente, para consumir contenidos. En este sentido, la audiolectura por el medio visual y auditivo, ha de ser una experiencia diferente, pero comparable y en cierto modo complementaria a la convencional forma visual de los textos impresos o a la auditiva de los audiolibros.

Bjork y Rumrich desarrollaron una versión de audiotexto para la emblemática obra de Milton, su Lost Paradise, -la misma que en 1965 IBM había codificado en binario usando tarjetas perforadas-, con el objetivo de que su prosa pudiera ser leída y escuchada al mismo tiempo, ya que ellos consideran que la escucha es tan importante como la lectura en la comprensión de poemas. Una idea que está en consonancia con lo que propone Gramajo, cuando afirma “... algunos teóricos aseguran que la comprensión es mayor a través de los oídos” (2017, p. 126)

En este sentido, la reflexión que plantea este artículo encuentra una confirmación y se sostiene en denominar audiotexto al flujo de la conversión de texto a voz que discurre paralelo a la visualización del texto en pantalla, permitiendo al audiolector, si es de su interés, identificar en todo momento el texto que está siendo verbalizado, de tal modo que puede ubicar sus propiedades tipográficas y editoriales. Esta propiedad del audiotexto lo hace idóneo para ejercicios de lectura intensiva, donde la comprensión exige considerar elementos discriminantes y paratextuales que requieren confirmación visual.

El audiotexto se genera en la conversión automática de texto a voz efectuada por medio de software especializado, sumando a esto una condición esencial: el texto continúa siempre visible, aunque no se esté leyendo visualmente. Como tal, el audiotexto permite una forma combinada de lectura visual y auditiva. Aunque puede considerarse como una variante de los audiolibros, sus rasgos distintivos y la experiencia de usuario lo diferencian notablemente de aquellos.

En la Conversión de Texto a Voz intervienen voces sintéticas, software lector con la función texto a voz y motores de síntesis de voz, que permiten que el texto escrito sea reproducido automáticamente en forma oral y personalizable, mientras que ofrece la posibilidad de visualizar en todo momento el texto que está siendo escuchado. Por consiguiente, en este sentido, una grabación a partir de la función de texto a voz, como aquellas que realizaban los usuarios pioneros del recurso de conversión, con el propósito de escucharla luego en un reproductor de audio, es más un audiolibro que un audiotexto. Para que podamos hablar de este último, en la experiencia de usuario debe ser posible interactuar con el texto visible y audible sincrónicamente. Por otra parte, el audiotexto posee gran navegabilidad dentro de sus contenidos y es prácticamente ilimitado en la disponibilidad de los contenidos.

Por medio del recurso CTV, los textos digitales no solo se reproducen en las pantallas de los equipos electrónicos, sino en sus altavoces o audífonos, sin necesidad de tener que pasar por cabinas de grabación de audio, ni locutores profesionales, ni cadenas comerciales. Así entonces, se hace común la CTV, aplicable a escritos de cualquier extensión, especialmente para lecturas lineales prolongadas realizadas por lectores a quienes denominamos audiolectores, ya que están consumiendo información a través de audiotextos.

El recurso CTV ofrece una alternativa para el consumo textual y beneficia no solo a quienes presentan alguna discapacidad de tipo visual, sino a todos aquellos que desarrollan la habilidad de configurar los dispositivos para obtener el mejor provecho de esta función y tienen la disposición de adaptarse al medio verbal generado por los programas de síntesis de voz.

La lectura bajo conversión de texto a voz debe ser vista como una forma alternativa de leer, pero, al fin y al cabo, lectura. Así lo expresaba uno de los colaboradores de la investigación: “Leo mucho, siempre estoy leyendo o escuchando, que para mí es otra forma de leer” (D. Fernández, comunicación personal, 20 de septiembre de 2018). Igualmente, la conversión de texto a voz presenta ventajas notables frente al audiolibro, así lo expresaron otros usuarios, al manifestar que sus lecturas muchas veces son multidispositivo, de modo que, por ejemplo, empiezan a leer una novela en un e-reader u otro dispositivo como celular y luego, cuando no pueden leer el texto visible, emplean el móvil para reproducir el audio a través de las aplicaciones de lectura que integran la función CTV.

Diferencias entre el audiolibro y el audiotexto

Generación tras generación, la experiencia de escuchar textos se repite en los más diversos contextos. Solo en los últimos dos siglos se volvió común la lectura silenciosa, antes la lectura en voz alta fue el uso que imperó largamente (^{Cavallo y Chartier, 1998}).

En una época todavía reciente en la historia, la electrónica analógica logró la reproducción, almacenamiento y transmisión de contenidos orales. Estos factores hicieron posible la creación de una oralidad de tipo tecnológico, en la que la voz tomó un nuevo valor: empezó a apreciarse por su registro y por la técnica de locución. En ese contexto tecnológico surgió el audiolibro como un producto destinado a la población con dificultades para acceder a los textos. Fue Edison, el inventor del fonógrafo, quien primero grabó en rollos de cera, una pieza literaria, pequeños versos de una canción popular en 1877. No le fue posible grabar textos de mayor extensión. Tendrían que pasar varias décadas para que esto fuera posible, pero al fin, el sueño de Edison y de ^{Uzanne (1894)} se hizo posible.

Los audiolibros son productos culturales que siguen teniendo aceptación entre el público lector. Se han comercializado ampliamente durante varias décadas y se han adaptado a los cambios en el ecosistema tecnológico. Desde un punto de vista comunicacional, el medio en los audiolibros sigue siendo el texto, la palabra escrita; pero se trata del texto oralizado, ejecutado en su materialidad fonética, a veces teatralizado, pero siempre subordinado íntegramente a la palabra escrita.

Básicamente el audiolibro es un recurso que está elaborado específicamente como oralidad secundaria, cuenta con narradores profesionales y entornos ambientados con diseños sonoros que buscan generar una mayor compenetración entre el receptor y el audiolibro. Los audiolibros se diseñan para cierto tipo de contenidos, que generalmente son novelas o relatos. Sin embargo, también existen otro tipo de audiolibros, con menos sofisticación que los anteriores, y son básicamente los que se narran por un locutor ya sea profesional o no, o inclusive por su mismo autor. Un ejemplo de esto son plataformas como Audible de Amazon, que ofrece la posibilidad de adquirir el audiolibro narrado por el autor o un locutor profesional y cuyos costos son mucho más económicos que los del texto digital.

Una de las características de la mayoría de los audiolibros es su precaria navegabilidad, porque al ser archivos en formato de audio, el usuario no puede ubicar la información fácilmente. También presentan muchas limitaciones en la interoperabilidad, o sea, en el paso de un dispositivo o sistema a otro, lo que afecta la disponibilidad del recurso.

Por su parte, el audiotexto, como se definió previamente, implica programas que se encuentran instalados dentro de los dispositivos, que permiten la lectura en voz alta de cualquier texto, con la posibilidad de seleccionar diferentes tipos de voces, mucho más naturales de lo que eran en el pasado, al punto de ser consideradas como amenaza por parte de la industria editorial, que percibe que la calidad de estas voces dentro de los dispositivos como Kindle de Amazon, son lo suficientemente competitivas para amenazar la industria del audiolibro. Por esta razón, le solicitaron a Amazon que retirara la función dentro de sus Kindle. (^{Beaumont, 2009})

Los audiotextos le permiten al lector leer de manera visual y auditiva en el dispositivo móvil o elegir entre cualquiera de ellas. Precisamente esta es una de las grandes fortalezas y ventajas que encuentra la gran mayoría de los usuarios de estas tecnologías que pueden resultar más inclusivas y superiores en prestaciones y disponibilidad que los audiolibros.

Síntesis de voz en la experiencia lectora

El teléfono móvil es el dispositivo más empleado para la lectura por medio de voces sintéticas, de modo que la denominada cuarta pantalla, va ganando espacio en esta otra esfera de la comunicación. Se debe entender que la conversión se efectúa de modo automático, por lo tanto, al usuario solamente le basta activar la función cuando usa los programas de lectura o interfaces con la opción de lectura en voz alta.

Existen diversos programas informáticos de lectura que admiten la función de conversión de texto a voz, así como variedad de voces sintéticas; pero, a los usuarios, por lo general, les basta con encontrar un programa y una voz con la que logren adecuarse suficientemente. En la investigación se observó que los usuarios avanzados tienen la tendencia a emplear el programa y la voz con la que han alcanzado suficiente familiaridad.

Las vocessintéticas pueden ser inteligibles sin ser naturales ni expresivas. De hecho, la naturalidad y expresividad puede sacrificar en algo la inteligibilidad, por eso, no siempre se puede juzgar una voz por el mismo criterio. Por ejemplo, si se quiere escuchar un texto en alta velocidad, es preferible una voz inteligible antes que natural.

Las tecnologías digitales en la medida en que alcanzan mayor perfeccionamiento, logran crear productos indistinguibles de los del mundo real. De hecho, Google ha anunciado recientemente y puesto en demostración el sistema Tacotron 2, un desarrollo de voces sintéticas que para el oyente, poco o nada se diferencian de las voces reales (^{Shen et al, 2018}). Probablemente, en poco tiempo se podrá superar el calificativo de mecánicas o robóticas que suele darse a estas voces y que impone un juicio estético que obstaculiza su aprovechamiento. No obstante, al observar con más detalle las posibilidades de este recurso en su estado actual de desarrollo, resulta claro su enorme potencial para la lectura de textos digitales.

Al hablar de las ventajas y bondades que ofrecen este tipo de tecnologías para el consumo de contenidos textuales, encontramos las siguientes, extraídas de la investigación:

Conversión de texto a voz y experiencias de lectura

La investigación que motiva este artículo se ocupó, entre otros temas, de ¿Cómo pueden integrarse las aplicaciones de síntesis de voz para mejorar los niveles de acceso a la lectura en la enseñanza universitaria?

Al indagar a los entrevistados acerca de las percepciones sobre la lectura auditiva, todos estuvieron de acuerdo en que escuchar un texto se puede considerar un proceso de lectura, puesto que el objetivo de ambas prácticas radica en la adquisición de información verbal, aunque sea a través de diferentes sentidos. En relación con la comprensión del contenido en las pruebas de lectura realizadas, los participantes consideraron que no tenían necesidad de leer visualmente el texto ya escuchado.

La cuestión clave de la audiolectura radica en los momentos destinados a la adquisición de la información, ya que cuando se lee visualmente, se debe estar inmerso de lleno en esta actividad, mientras que cuando se escucha, se puede realizar diferentes tipos de actividades. Obviamente, estas actividades deberán ser altamente operativas, para que no comprometan significativamente la comprensión y la concentración.

Pero la síntesis de voz es una tecnología que aún no cuenta con un alto grado de apropiación. Se hace necesario cumplir ciertas condiciones para que logre su aceptación mayoritaria, como se observó dentro del público estudiado, estudiantes universitarios de dos instituciones en Medellín, Colombia.

Algunas de las razones por las cuales este estudio consideró que la síntesis de voz no es una tecnología intuitiva, son las siguientes:

CONCLUSIONES

La distinción entre audiotexto y audiolibro tiene una función práctica que orienta al lector para identificar las características de cada formato y cuál es el que le viene mejor para sus condiciones particulares. Ambos son parte de las múltiples formas que asume la comunicación escrita, que incorpora en todo momento el desarrollo de la tecnología.

La lectura auditiva tradicional es una práctica que permite acceder al contenido de un texto de forma equivalente a la lectura visual. Sin embargo, mientras que en la lectura visual se está leyendo en dos planos, el espacial de la página y el temporal del discurso escrito; en la auditiva prima la dimensión temporal. Ese rasgo puede hacer que la experiencia de escuchar no solo sea más cómoda, sino que parezca más inmediata e inmersiva, con una percepción más fluida del texto; mientras que el lector visual puede lograr una comprensión más analítica, en la medida en que contempla los elementos paratextuales y los discriminantes presentes en el texto. Ahora bien, el lector audiovisual, aquel que empleando el recurso CTV escucha y visualiza el texto, puede tener una experiencia complementaria, donde aprovecha ambos medios.

Estas posibilidades de alternar en la lectura que brinda la síntesis de voz en programas informáticos de lectura podrán ser una ventaja dependiendo del tipo de texto al que se enfrente el lector, de las condiciones externas a que esté expuesto y del conocimiento que espere de la obra, así como de las estrategias que emplee. Es notable la conducta de los lectores que mantienen simultáneamente ambos modos en un mismo texto, lo que les permite orientarse visualmente en el desarrollo del texto y los paratextos, con el propósito de lograr mayor comprensión del texto. En todo caso, puede hablarse de lectura audiovisual cuando el usuario conserva una referencia visual con el texto, así no siga plenamente su desarrollo visual.

Uno de los usos más frecuentes del sistema CTV se presenta cuando el usuario debe tener los ojos enfocados fuera del texto, cuando está realizando otra actividad o no le resulta conveniente realizar la lectura visual. Aún así, prefieren la síntesis de voz sobre el audiolibro, porque el software lector además de tener la funcionalidad de leer en voz alta, ofrece la posibilidad de que el usuario lea el texto en un formato redimensionable. Las interacciones entre ambos tipos de lectura no son del todo posibles con los audiolibros, ya que la mayoría de estos limitan sus funciones de navegabilidad, haciendo difícil establecer la ubicación precisa dentro de los textos.

En la época actual el énfasis, si bien sigue estando en el desarrollo de mejores programas de síntesis de voz, se hace también en la experiencia de usuario para llamar la atención del lector corriente sobre la forma de consumir textos de una manera alternativa. Los sistemas operativos presentan diversidad de aplicaciones para conversión de texto a voz. De tal modo, puede verse que es un recurso muy extendido y al alcance de quien lo desee. Este punto es relevante, por cuanto en el campo del desarrollo de software y de contenidos, la no utilización de ellos conlleva una forma de obsolescencia.

Una de las principales razones para no usar los recursos CTV por los públicos masivos es su falta de conocimiento y alfabetización digital. En pruebas realizadas con estudiantes universitarios y lectores en general el 100% afirmó no conocer la existencia de este recurso, aunque el 100% de ellos contaban con dispositivos móviles. Por lo tanto, se requiere una gran educación y entrenamiento en diferentes fases de la vida educativa de los individuos para exponerlos a este tipo de tecnologías y darles la oportunidad de que también puedan usar los recursos CTV con el fin de consumir más contenidos en momentos en los que no se pueda o no se desee emplear la visión.

Tomar en consideración el audiotexto como un nuevo formato textual y establecer sus características y uso, tal como se planteó, contribuirá a integrar de modo más cercano la lectura mediada por dispositivos electrónicos en el conjunto de las prácticas lectoras.