# Teoría: percepción y audición

> Una página de la documentación de phonometry, en Markdown. Índice: https://docs.jmrp.io/phonometry/llms.txt

Canonical: https://docs.jmrp.io/phonometry/es/reference/theory/perception/
Language: es
Alternate: https://docs.jmrp.io/phonometry/reference/theory/perception/index.md
Version: phonometry 4.0.0
Install: pip install "phonometry[full]"
Author: José Manuel Requena Plens (https://orcid.org/0000-0003-1250-6212)
Published: 2026-07-15
Updated: 2026-11-16T21:36:13Z
Standards: ISO 226:2023; ECMA-418-1:2024 (3.ª ed.); ISO 532-1:2017; ISO 532-2:2017; ISO 532-3:2023; ECMA-418-2:2025; DIN 45692:2009-08; IEC 60268-16:2020 (Edición 5); ANSI S3.5-1997 (R2017); ISO 389-7:2005; ISO 7029:2017; ISO 1999:2013
Verified: 49 comprobaciones de conformidad (ISO 226:2023; ECMA-418-1:2024 (3.ª ed.); ISO 532-1:2017; ISO 532-2:2017; ISO 532-3:2023; ECMA-418-2:2025; DIN 45692:2009-08; IEC 60268-16:2020 (Edición 5); ANSI S3.5-1997 (R2017); ISO 389-7:2005; ISO 7029:2017; ISO 1999:2013) https://docs.jmrp.io/phonometry/es/reference/conformance/
License: MIT (https://github.com/jmrplens/phonometry/blob/main/LICENSE)
Summary: Líneas isofónicas, modelos de sonoridad, calidad sonora, prominencia tonal, inteligibilidad del habla y estadística de la audición detrás de phonometry.

---

Esta página reúne la teoría de la audición y la psicoacústica: las líneas isofónicas, los modelos de sonoridad de Zwicker, Moore-Glasberg y Sottek, las métricas de calidad sonora (tonalidad, aspereza y agudeza), la prominencia tonal, las métricas del habla STI y SII, y la estadística de los umbrales de audición y de la pérdida auditiva. Forma parte de la [referencia de teoría](https://docs.jmrp.io/phonometry/es/reference/theory/).

Cada sección conserva la notación de la norma que describe, y cinco letras se
reutilizan entre ellas. Donde dos chocan, la sección dice cuál se quiere decir,
pero la tabla está aquí para quien vuelva atrás buscando una fórmula:

| Símbolo | Significado | Sección |
| :--- | :--- | :--- |
| $N$ | Número de bins de la banda del tono | Prominencia tonal (ECMA-418-1) |
| $N$ | Sonoridad total, en sonios | Sonoridad de Zwicker y avanzada (ISO 532) |
| $N$ | Desplazamiento permanente del umbral inducido por ruido, en dB | Pérdida auditiva (ISO 1999) |
| $S$ | Estado suavizado de la sonoridad | Moore-Glasberg variable en el tiempo (ISO 532-3) |
| $S$ | Agudeza, en acum | Agudeza (DIN 45692) |
| $T$ | $T_f$, umbral de audición en $f$, en dB | Líneas isofónicas (ISO 226) |
| $T$ | Tonalidad, en tu$_\mathrm{HMS}$ | Modelo de Sottek (ECMA-418-2) |
| $L_\mathrm{U}$ | Magnitud de la función de transferencia lineal, normalizada en 1 kHz | Líneas isofónicas (ISO 226) |
| $L_\mathrm{U}$ | Nivel medio de la banda crítica contigua superior | Prominencia tonal, PR (ECMA-418-1) |
| $L_\mathrm{N}$ | Nivel de sonoridad, en fonios | Líneas isofónicas, Zwicker |

## Líneas isofónicas (ISO 226:2023)

Un tono tiene un *nivel de sonoridad* de $L_\mathrm{N}$ fonios cuando se juzga igual de
sonoro que un tono puro de 1 kHz a $L_\mathrm{N}$ dB SPL. La Fórmula (1) de ISO
226:2023 (apartado 4.1, p. 2) da el SPL de un tono puro a la frecuencia $f$
que alcanza el nivel de sonoridad $L_\mathrm{N}$:

$$
L_f = \frac{10}{\alpha_f} \log_{10}\left[ \left(4 \cdot 10^{-10}\right)^{0{,}3 - \alpha_f} \left( 10^{\ 0{,}03 L_\mathrm{N}} - 10^{\ 0{,}072} \right) + 10^{\ \alpha_f (T_f + L_\mathrm{U})/10} \right] - L_\mathrm{U}
$$

La Fórmula (2) (apartado 4.2) la invierte, devolviendo el nivel de sonoridad
de un tono a SPL $L_f$:

$$
L_\mathrm{N} = \frac{100}{3} \log_{10}\left[ \frac{10^{\ \alpha_f (L_f + L_\mathrm{U})/10} - 10^{\ \alpha_f (T_f + L_\mathrm{U})/10}}{\left(4 \cdot 10^{-10}\right)^{0{,}3 - \alpha_f}} + 10^{\ 0{,}072} \right]
$$

Los tres parámetros provienen de la Tabla 1 (p. 4), tabulados en las 29 frecuencias preferentes de tercio de octava de ISO 266 desde 20 Hz hasta 12,5 kHz:

- $\alpha_f$: exponente de la percepción de sonoridad a la frecuencia $f$,
- $L_\mathrm{U}$: magnitud de la función de transferencia lineal, normalizada en 1 kHz ($L_\mathrm{U} = 0$ en 1 kHz),
- $T_f$: umbral de audición en $f$, en dB.

La norma **no especifica interpolación** entre las frecuencias tabuladas. La Fórmula (1) está especificada para **20 fonios a 90 fonios** entre 20 Hz y 4 kHz, y solo hasta **80 fonios entre 5 kHz y 12,5 kHz**; por encima de 80 fonios la línea isofónica se detiene, por tanto, en 4 kHz. Los valores fuera de estos límites obtenidos con la Fórmula (2) son extrapolaciones que la norma califica de meramente informativas.

Consulta la [guía de sonoridad](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/loudness/) para su uso.

![Líneas isofónicas normales de ISO 226:2023 de 20 a 90 fonios con la curva del umbral de audición](https://docs.jmrp.io/phonometry/media/equal_loudness_contours_es.svg)

*Las líneas isofónicas de ISO 226:2023 según la Fórmula (1), de 20 a 90 fonios, con el umbral de audición.*

## Sonoridad de Zwicker (ISO 532-1)

El oído analiza el sonido en **bandas críticas**: regiones de frecuencia dentro de las cuales la energía se suma antes de formarse la sonoridad. La **escala Bark** transforma la frecuencia en razón de banda crítica $z$, de 0 a 24 Bark, e ISO 532-1:2017 muestrea la sonoridad específica $N'(z)$ en pasos de 0,1 Bark (240 valores). La implementación es un port de sala limpia del programa de referencia normativo de la norma (Anexo A.4) y procede por etapas:

1. **Niveles de tercio de octava**: 28 bandas, de 25 Hz a 12,5 kHz (el banco de filtros del Anexo A a 48 kHz, Tablas A.1/A.2). Para sonidos variables en el tiempo, las salidas de banda al cuadrado se suavizan con tres paso bajos en cascada con $\tau = 2/(3 f_\mathrm{c})$ ($f_\mathrm{c}$ limitada a 1 kHz) y se muestrean cada 2 ms.
2. **Agrupación en baja frecuencia**: las 11 bandas hasta 250 Hz reciben las correcciones isofónicas de la Tabla A.3 y se suman en las tres primeras bandas críticas (25–80, 100–160, 200–250 Hz).
3. **Transmisión a0**: la corrección de transferencia del oído externo/medio de la Tabla A.4 (más la diferencia de campo difuso de la Tabla A.5 con `field='diffuse'`) produce los niveles de banda crítica $L_E$.
4. **Sonoridad núcleo**: cada una de las 20 bandas críticas se transforma con los niveles de umbral en silencio $L_\mathrm{TQ}$ de la Tabla A.6 (tras la adaptación de ancho de banda DCB de la Tabla A.7):

   $$
   N_c = \max\left(0,\ 0{,}0635 \cdot 10^{0{,}025 L_\mathrm{TQ}} \left[ \left( 1 - s + s \cdot 10^{(L_E - L_\mathrm{TQ})/10} \right)^{0{,}25} - 1 \right]\right) \ \text{sonios/Bark}, \qquad s = 0{,}25
   $$

   (la forma que da el programa de referencia a la transformación de sonoridad de Zwicker; las bandas por debajo del umbral aportan cero).

5. **Pendientes**: las pendientes superiores de enmascaramiento dependientes del nivel (inclinación por rango de sonoridad específica y banda crítica, Tablas A.8/A.9) añaden flancos decrecientes hacia $z$ mayores; la sonoridad total es el área bajo el patrón:

   $$
   N = \int_0^{24} N'(z)\ dz \ \ \text{sonios}
   $$

Para sonidos variables en el tiempo, un decaimiento temporal no lineal
(constantes de tiempo 5/15/75 ms, apartado 6.3) y la ponderación dependiente
de la duración de la sonoridad total (paso bajos de 3,5 ms y 70 ms ponderados
0,47/0,53, también apartado 6.3) preceden a la salida de sonoridad frente al
tiempo a 500 Hz (apartado 6.3) y a los percentiles N5/N10 (apartado 6.4).

**Sonios y fonios** quedan ligados por el ancla de 1 kHz (1 sonio = 40 fonios; apartado 5.6):

$$
N = 2^{(L_\mathrm{N} - 40)/10} \ \text{sonios} \qquad \Longleftrightarrow \qquad L_\mathrm{N} = 40 + 10 \log_2 N \ \text{fonios} \qquad (N \ge 1)
$$

por debajo de 1 sonio el programa de referencia usa $L_\mathrm{N} = 40 (N + 0{,}0005)^{0{,}35}$, con suelo en 3 fonios.

Consulta la [guía de sonoridad](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/loudness/) para su uso.

![Patrones de sonoridad específica sobre la escala Bark para un sonido de banda estrecha de 1 kHz y un sonido de banda ancha con el mismo nivel de banda](https://docs.jmrp.io/phonometry/media/loudness_pattern_es.svg)

*Sonoridad específica N′(z) sobre el eje de Bark: la energía repartida entre muchas bandas críticas suma más sonios que el mismo nivel de banda concentrado en una sola.*

Esa figura está dibujada a un solo nivel, y la etapa 5 es la que depende del nivel. El clip de la [guía de sonoridad](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/loudness/) sube el nivel de banda del mismo sonido de banda estrecha de 1 kHz de 45 a 85 dB:

**Vídeo:** [Cómo la sonoridad específica se integra en la sonoridad total](https://docs.jmrp.io/phonometry/media/anim_specific_loudness_es.webm): El patrón de sonoridad específica de una banda estrecha de 1 kHz se construye sobre el eje de Bark mientras el nivel de banda sube de 45 a 85 dB, y el área bajo el patrón se integra en la sonoridad total en sonios.

*La pendiente superior en acción (la Tabla A.9 da su inclinación según el rango de sonoridad específica y la banda crítica). El lóbulo principal se queda en las bandas críticas en torno a 8,5 Bark mientras el flanco de su lado de alta frecuencia llega más lejos por el eje de Bark al subir el nivel, hasta unos 14 Bark a 45 dB y casi 20 Bark a 85 dB, lo que el clip rotula como extensión del enmascaramiento hacia agudos. El área bajo el patrón pasa de 1,3 sonios a 45 dB a 4,9 sonios a 65 dB y a 19,8 sonios a 85 dB.*

## Modelos avanzados de sonoridad y calidad sonora

ISO 532-1 es uno de tres modelos de sonoridad; dos familias más recientes refinan el front-end auditivo y añaden las métricas de calidad sonora tonalidad y aspereza.

Los tres están calibrados para que un tono de 1 kHz a 40 dB SPL valga 1 sonio,
así que coinciden en ese anclaje y divergen al alejarse de él (lo más visible es
la dependencia con el nivel, donde Zwicker duplica el valor en sonios cada 10 dB
y el modelo de Sottek crece unas 1,65 veces) y también en cómo tratan las
señales de banda estrecha frente a las de banda ancha. Por eso los valores en
sonios de modelos distintos no son intercambiables: el modelo acompaña a cada
número, y nunca deben mezclarse dos modelos en una misma comparación. El reparto
de tareas es lo que suele zanjar la elección. **ISO 532-1** es el caballo de
batalla estacionario que todavía nombran la mayoría de las reglamentaciones de
ruido de producto, y es la sonoridad sobre la que se construye la definición de
agudeza de más abajo. **ISO 532-2** refina los filtros auditivos y añade la suma
binaural, todavía para señales estacionarias. **ISO 532-3** lleva esa cadena al
dominio del tiempo para sonidos de hasta unos pocos segundos. **ECMA-418-2** es
la vía que hay que tomar cuando la tonalidad y la aspereza tienen que salir del
mismo front-end que la sonoridad. Cuando dos modelos discrepan, la pregunta útil
es cuál nombra la norma que va a recibir el resultado, no cuál se acerca más a
la verdad.

### Sonoridad de Moore-Glasberg (ISO 532-2:2017, ISO 532-3:2023)

En lugar de las bandas críticas fijas de Zwicker, el modelo de Moore-Glasberg forma un **patrón de excitación** continuo sobre la escala del número ERB («Cam») usando filtros auditivos **exponenciales redondeados (roex)** dependientes del nivel. En función de la desviación de frecuencia normalizada $g = |f - f_\mathrm{c}| / f_\mathrm{c}$ respecto a un filtro centrado en $f_\mathrm{c}$, la ponderación del filtro es

$$
W(g) = (1 + p\ g)\ \mathrm{e}^{-p\ g}
$$

donde la pendiente $p$ crece con el nivel de la fuente, ensanchando el flanco
inferior a medida que sube el nivel (ISO 532-2, Fórmulas 2–5); esto reproduce
la propagación ascendente del enmascaramiento. Al pasar la intensidad del
estímulo por cada filtro se obtiene la excitación $E(i)$, y una ley compresiva
la transforma en la **sonoridad específica** $N'(i)$ en sonios/Cam (Fórmulas
7–9), de la forma de nivel medio

$$
N'(i) = C \left[ \left( G\ \frac{E(i)}{E_0} + A \right)^{\alpha} - A^{\alpha} \right]
$$

con la constante de calibración $C = 0{,}0617$ sonios/Cam (ISO 532-2; $0{,}063$ en ISO 532-3). La sonoridad total es el área bajo el patrón,

$$
N = \int N'(i)\ di \ \ \text{sonios}
$$

y una etapa de inhibición binaural (Fórmulas 10–13) combina los oídos de modo
que un sonido diótico es más sonoro que el mismo sonido en un solo oído. El
ancla de 1 kHz / 40 dB SPL da exactamente 1 sonio.

**ISO 532-3** lo hace variable en el tiempo. Un espectro deslizante de seis FFT paralelas con ventana de Hann (longitudes de segmento de 2 a 64 ms, cada una aportando su propio rango de frecuencias, actualizado cada $T_0 = 1$ ms) alimenta la misma cadena de excitación y sonoridad específica, integrada por dos suavizadores de primer orden en cascada con $\alpha = 1 - \mathrm{e}^{-T_0 / \tau}$,

$$
S(t) = \alpha\ x(t) + (1 - \alpha)\ S(t - 1)
$$

usando una constante de tiempo rápida en el ataque y una más lenta en la relajación. Esto produce la **sonoridad de corto plazo** $S'(t)$ (ataque/relajación en torno a 20–30 ms) y la **sonoridad de largo plazo** $S''(t)$ (en torno a 0,1–0,75 s); la sonoridad de largo plazo de pico $N_{\max} = \max_t S''(t)$ predice la sonoridad de sonidos de hasta unos 5 s.

Consulta la [guía de sonoridad
avanzada](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/advanced-loudness/) para su
uso y la tabla de elección de modelo.

### Modelo de Sottek (ECMA-418-2:2025)

ECMA-418-2 construye sus tres métricas sobre un único front-end auditivo (apartado 5): un filtro de oído externo/medio, un banco de 53 filtros paso banda solapados de tipo gammatone espaciados en la escala Bark_HMS ($z = 0{,}5$ a $26{,}5$), rectificación de media onda y un RMS de bloque corto $\tilde{p}(l, z)$ por banda $z$ y bloque temporal $l$. Una no linealidad compresiva (Fórmula 23) convierte el RMS de banda en la **sonoridad de base específica** $N'_{\mathrm{basis}}(l, z)$, cuya constante de calibración $c_\mathrm{N}$ fija un tono de 1 kHz / 40 dB SPL en 1 sone_HMS. La sonoridad ensambla las sonoridades tonal y de ruido (abajo) sobre bandas y tiempo (Fórmulas 113–117); crece unas $1{,}65\times$ por cada 10 dB, más lentamente que el factor de 2 de Zwicker, una propiedad intrínseca de la suma de Sottek.

![Sonoridad de un tono de 1 kHz en función del nivel para los modelos de Zwicker, Moore-Glasberg y Sottek, los tres pasando cerca de 1 sonio a 40 dB SPL](https://docs.jmrp.io/phonometry/media/loudness_models_comparison_es.svg)

*La divergencia que se acaba de enunciar, dibujada sobre la única señal en la
que están calibrados los tres modelos. Pasan juntos por 1 sonio aproximadamente
a 40 dB (el front-end de Sottek devuelve ahí 0,9845 sonios$_\mathrm{HMS}$) y
después se separan: la curva de Zwicker duplica cada 10 dB y la de Sottek sube
unas 1,65 veces en ese mismo paso. Eso es una diferencia entre sumas auditivas,
no un error de calibración, y es la razón por la que un valor en sonios sin su
modelo al lado no se puede comparar con nada.*

### Tonalidad: autocorrelación de la señal de banda (ECMA-418-2)

Una componente tonal es periódica, así que sobrevive en la **función de autocorrelación** (ACF) de la señal rectificada de una banda mientras que el ruido de banda ancha se descorrelaciona. Para cada banda, la ACF no sesgada del bloque es

$$
\phi_z(m) = \frac{1}{M - m} \sum_{n=0}^{M - 1 - m} p_z(n)\ p_z(n + m)
$$

Una estimación espectral con ventana de $\phi_z$ separa una **sonoridad tonal** $N'_{\mathrm{tonal}}(l, z)$ de la **sonoridad de ruido** $N'_{\mathrm{noise}}(l, z)$ (Fórmulas 36–48). La tonalidad específica es la sonoridad tonal escalada por una puerta suave de relación señal-ruido $q(l)$ (Fórmulas 49–51),

$$
T'(l, z) = c_\mathrm{T}\ q(l)\ N'_{\mathrm{tonal}}(l, z)
$$

y el valor único $T$ (tu_HMS) es el promedio temporal con puerta del máximo
por bloque sobre las bandas (Fórmulas 61–64). La constante $c_\mathrm{T}$ fija el tono
de 1 kHz / 40 dB a 1 tu_HMS, y la banda del pico de la ACF da la frecuencia
tonal $f_{\mathrm{ton}}$.

### Aspereza: modulación de la envolvente (ECMA-418-2)

La aspereza es la sensación de modulación de amplitud rápida (aproximadamente 20–300 Hz), máxima cerca de 70 Hz. A partir de la envolvente de cada banda $p_\mathrm{E}(n)$ (magnitud de Hilbert) se forma un espectro de modulación ponderado por una función de tasa de modulación con pico cerca de 70 Hz y por la profundidad de modulación; correlacionando la modulación entre bandas vecinas y aplicando el filtrado temporal especificado se obtiene la **aspereza específica** $R'(l_{50}, z)$ y la aspereza dependiente del tiempo

$$
R(l_{50}) = \sum_z R'(l_{50}, z) \ \ \text{asper}
$$

(Fórmulas 65–111). El valor único $R$ es el percentil 90 de $R(l_{50})$ en el
tiempo (apartado 7.1.10); la constante $c_\mathrm{R}$ (Fórmula 104) calibra el sonido
de referencia (un portador de 1 kHz modulado en amplitud al 100 % a 70 Hz y 60
dB SPL) a 1 asper.

![Percepción de modulación lenta frente a rápida en ECMA-418-2: la intensidad de fluctuación forma un paso banda sobre la frecuencia de modulación con máximo cerca de 4 a 6 Hz, mientras que la aspereza de esos mismos tonos de 1 kHz modulados en amplitud tiene su máximo cerca de 70 Hz](https://docs.jmrp.io/phonometry/media/hms_modulation_bandpass_es.svg)

*La ponderación por tasa de modulación que aplican las fórmulas anteriores, y
la razón por la que el rango «aproximadamente 20–300 Hz, máxima cerca de
70 Hz» es un paso banda y no un umbral: el mismo portador de 1 kHz modulado
despacio se oye como intensidad de fluctuación, con máximo cerca de 4–6 Hz, y
modulado deprisa se oye como aspereza, con máximo cerca de 70 Hz. Entre los dos
máximos la sensación cambia de nombre, no de grado.*

### Agudeza (DIN 45692)

La agudeza (*sharpness*) condensa en un solo número el énfasis en alta frecuencia de un sonido: el primer momento ponderado por $g(z)$ del patrón de sonoridad específica estacionaria de ISO 532-1 (DIN 45692:2009-08, Ecuación 1):

$$
S = k\ \frac{\int_0^{24} N'(z)\ g(z)\ z\ dz}{\int_0^{24} N'(z)\ dz} \ \text{acum}, \qquad
g(z) = \begin{cases} 1 & z \le 15{,}8\ \text{Bark} \\ 0{,}15\ \mathrm{e}^{0{,}42 (z - 15{,}8)} + 0{,}85 & z > 15{,}8\ \text{Bark} \end{cases}
$$

evaluado sobre la misma malla de 240 puntos a 0,1 Bark. La constante $k$ no está codificada a mano, sino que se deriva del requisito de calibración (apartado 6): un ruido de banda estrecha de una banda crítica de ancho, 920–1080 Hz a 60 dB SPL, puntúa exactamente 1 acum, y la $k = 0{,}108$ derivada cae dentro de la ventana normativa $0{,}105 \le k < 0{,}115$ (apartado 5.2). Las ponderaciones informativas del Anexo B se ofrecen bajo el mismo anclaje de 1 acum: von Bismarck (codo en 15 Bark, $0{,}2\ \mathrm{e}^{0{,}308(z-15)} + 0{,}8$) y Aures (dependiente de la sonoridad, $g(z) = 0{,}078\ (\mathrm{e}^{0{,}171 z}/z)\ N/\ln(0{,}05 N + 1)$). Los objetivos de banda estrecha de la Tabla A.2 se reproducen dentro de la tolerancia del apartado 6 (5 % o 0,05 acum): 0,38 acum a 250 Hz, 1,00 a 1 kHz, 1,78 a 2,5 kHz, 2,82 a 4 kHz.

![Ponderación de agudeza g(z) de DIN 45692 frente a la tasa de banda crítica en eje logarítmico, comparando las curvas DIN, von Bismarck y Aures con los codos de 15,8 y 15 Bark marcados](https://docs.jmrp.io/phonometry/media/sharpness_weighting_es.svg)

*Las tres ponderaciones $g(z)$ de la fórmula anterior en un mismo eje: la DIN
con su codo en 15,8 Bark, la de von Bismarck con su codo en 15 Bark y la curva
de Aures, dependiente de la sonoridad. Por eso la elección de ponderación
cambia un valor de agudeza solo para sonidos con energía por encima del codo
(de 15 a 15,8 Bark, unos 2,5 a 3 kHz) y deja intacto todo lo que queda por
debajo.*

**Para qué sirven estos tres números.** Cada unidad está anclada en un sonido de
referencia (1 tu$_\mathrm{HMS}$ para un tono de 1 kHz a 40 dB, 1 asper para un
tono modulado al 100 % a 70 Hz, 1 acum para el ruido de banda estrecha de
920–1080 Hz a 60 dB) precisamente porque ninguna norma enuncia un criterio
absoluto para ninguno de ellos. No existe una aspereza ni una tonalidad que «no
cumpla». Se ganan el sueldo como *diferencias* entre variantes de diseño de un
mismo producto, medidas igual y con el mismo modelo. Órdenes de magnitud para
leer un resultado: un ventilador o un motor con un silbido audible suele caer en
unas pocas décimas de tu$_\mathrm{HMS}$, que se declaran con su frecuencia tonal
$f_{\mathrm{ton}}$ al lado, y un sonido de banda ancha sin componente periódica
queda cerca de cero; una aspereza de unas pocas décimas de asper ya es un
batido o un zumbido molesto, porque 1 asper es un tono modulado *al 100 %* en la
peor tasa de modulación; una agudeza próxima o inferior a 1 acum no llama la
atención, y los valores por encima de unos 2 acum se leen como chillones.
Diferencias del orden del 10 % en cualquiera de los tres andan cerca de lo
mínimo que un oyente distingue de forma fiable, así que citar más precisión que
esa invita a sobreinterpretar.

Consulta la [guía de métricas de calidad sonora](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/sound-quality/) para su uso.

## Prominencia tonal: TNR y PR (ECMA-418-1)

Ambos métodos operan sobre un espectro de potencia con ventana de Hann
promediado en RMS (apartados 11.1 / 12.1) y usan el modelo de bandas críticas
del apartado 10. El ancho de banda crítico centrado en un tono a $f$ es
(Fórmula 2):

$$
\Delta f_\mathrm{c} = 25{,}0 + 75{,}0 \left(1{,}0 + 1{,}4 \left(\tfrac{f}{1000}\right)^2\right)^{0{,}69} \ \text{Hz}
$$

Los bordes de banda se colocan **aritméticamente** para $f \le 500$ Hz (Fórmulas 4–5): $f_{1,2} = f \mp \Delta f_\mathrm{c} / 2$, y **geométricamente** por encima (Fórmulas 7–8): $f_1 = -\Delta f_\mathrm{c}/2 + \sqrt{\Delta f_\mathrm{c}^2 + 4 f^2}/2$, $f_2 = f_1 + \Delta f_\mathrm{c}$.

**TNR** (apartado 11). La banda del tono abarca los mínimos espectrales a ambos lados del pico dentro del 15 % de $\Delta f_\mathrm{c}$ (apartado 11.2). A la potencia del tono se le resta la recta que conecta los bins de los bordes de banda (Fórmula 9): sobre los $N$ bins de la banda del tono, $P_t = \sum_k P_k - (P_{\text{lo}} + P_{\text{hi}})\ N/2$. La potencia del ruido enmascarante es la potencia restante de la banda crítica reescalada al ancho de banda crítico completo (Fórmula 10): $P_n = (P_{\text{band}} - P_t) \cdot \Delta f_\mathrm{c} / \Delta f_{\text{band}}$, y $\mathrm{TNR} = 10\log_{10}(P_t/P_n)$ (Fórmula 11). El criterio de prominencia (Fórmulas 12–13) es

$$
\mathrm{TNR}_{\text{crit}} = \begin{cases} 8{,}0 + 8{,}33 \log_{10}(1000/f_\mathrm{t}) \ \text{dB} & f_\mathrm{t} < 1\ \text{kHz} \\ 8{,}0 \ \text{dB} & f_\mathrm{t} \ge 1\ \text{kHz} \end{cases}
$$

![Dos paneles sobre el espectro promediado de un tono de 1 kHz en ruido. A la izquierda, la banda crítica del tono, de 162,2 Hz de ancho entre 922,2 Hz y 1084,4 Hz, sombreada bajo el espectro como nivel total, con la ventana del 15 % de ese ancho marcada en torno al pico. A la derecha, esa ventana línea a línea, de 988 Hz a 1012 Hz: la banda del tono son las siete líneas entre los mínimos de cada lado del pico, una recta discontinua une sus dos líneas extremas l1 y l2, y el área entre esa recta y el espectro está sombreada como tono. El encabezado da un nivel del tono de menos 28,0 dB, un nivel del ruido enmascarante de menos 40,0 dB y una relación tono-ruido de 12,0 dB](https://docs.jmrp.io/phonometry/media/tone_to_noise_partition_es.svg)

*El reparto del apartado 11 sobre un tono de 1 kHz, con la separación entre
líneas de 1 Hz que la biblioteca usa por defecto. A la izquierda, la banda
crítica, de 162,2 Hz de ancho, y la ventana del 15 % de ese ancho en torno al
pico. A la derecha, la ventana línea a línea: la banda del tono va entre los
mínimos de cada lado del pico, siete líneas aquí, y la Fórmula 9 conserva como
tono solo lo que queda por encima de la recta que une sus dos líneas extremas.
Un mínimo que cae en el borde de la ventana manda la búsqueda al mínimo local
más próximo que haya más allá (apartado 11.2), como dibuja la figura siguiente.
Lo que queda de la banda crítica es el ruido enmascarante, que la Fórmula 10
escala al ancho de banda completo.*

Cuando el espectro sigue bajando donde acaba la ventana, la línea más baja
dentro de ella es la propia línea del borde, y el apartado 11.2 sigue entonces
buscando hasta el mínimo local más próximo que haya más allá:

![El espectro promediado, línea a línea, de una joroba estrecha de ruido en 1 kHz. La ventana del 15 % del ancho de banda crítico va de 988 Hz a 1012 Hz, y a ambos lados su línea más baja es la propia línea del borde, marcada con un cuadrado. La banda del tono sigue hasta los mínimos locales más próximos fuera de la ventana, en 980 Hz y 1015 Hz, con 36 Hz de ancho; una recta discontinua une esas dos líneas extremas l1 y l2, y el área entre ella y el espectro está sombreada como tono. El encabezado da un nivel del tono de menos 24,9 dB, un nivel del ruido enmascarante de menos 33,4 dB y una relación tono-ruido de 8,5 dB](https://docs.jmrp.io/phonometry/media/tone_band_window_edge_es.svg)

*El mismo reparto sobre un pico cuya falda sigue bajando en los dos bordes de
la ventana: ruido blanco a través de una resonancia de 3 Hz de ancho en 1 kHz,
en lugar del «tono de frecuencia variable en el tiempo u otro fenómeno» que,
según el apartado 11.2, indica una banda del tono más ancha que la ventana.
Dentro de la ventana, la línea más baja de cada lado es la del borde, así que
la búsqueda sigue hasta el mínimo local más próximo que haya más allá, en
980 Hz y 1015 Hz, y la banda del tono tiene 36 líneas donde la ventana tiene
25. Los bordes, la recta y los 8,5 dB son los que devuelve
`tone_to_noise_ratio` para la misma señal.*

**PR** (apartado 12) compara el nivel de la banda crítica centrada en el tono, $L_\mathrm{M}$, con la potencia media de las dos bandas críticas **contiguas** $L_\mathrm{L}$, $L_\mathrm{U}$ (bordes según las Fórmulas ajustadas 21–22 con las Tablas 2–3): $\mathrm{PR} = 10\log_{10} P_\mathrm{M} - 10\log_{10}\left[(P_\mathrm{L} + P_\mathrm{U})/2\right]$ (Fórmula 23). Para $f_\mathrm{t} \le 171{,}4$ Hz la banda inferior se trunca en 20 Hz y su potencia se reescala a un **ancho de banda de 100 Hz** (Fórmula 24). El criterio (Fórmulas 25–26) es 9,0 dB para $f_\mathrm{t} \ge 1$ kHz, y crece como $9{,}0 + 10{,}0\log_{10}(1000/f_\mathrm{t})$ por debajo. Los tonos se evalúan dentro del rango de interés de 89,1 Hz – 11,2 kHz (apartados 11.5 / 12.6).

![Dos paneles, cada uno un espectro promediado cortado en tres bandas sombreadas con el nivel de cada una escrito dentro. A la izquierda, un tono de 1 kHz: banda inferior de 782,5 Hz a 922,2 Hz con menos 40,5 dB, banda central de 922,2 Hz a 1084,4 Hz con menos 27,8 dB y el tono dentro, banda superior de 1084,4 Hz a 1261,5 Hz con menos 39,5 dB, y una relación de prominencia de 12,2 dB por la Fórmula 23. A la derecha, un tono de 120 Hz: la banda inferior está cortada en 20 Hz y llega a 69,5 Hz, con 49 Hz de ancho y menos 45,0 dB, la banda central va de 69,5 Hz a 170,5 Hz con menos 32,9 dB, la banda superior de 170,5 Hz a 274,8 Hz con menos 42,0 dB, y la relación de prominencia es de 9,0 dB por la Fórmula 24, que escala la banda inferior por 100 Hz entre su ancho](https://docs.jmrp.io/phonometry/media/prominence_ratio_partition_es.svg)

*Las tres bandas del apartado 12, cada una con su nivel. A la izquierda, un
tono de 1 kHz: la banda crítica del tono entre una banda inferior que empieza
en 782,5 Hz y una superior que acaba en 1261,5 Hz, los dos bordes que ajustan
las Fórmulas 21 y 22; la relación es el nivel de la banda central menos el de
la potencia media de las otras dos. A la derecha, un tono de 120 Hz: su banda
inferior empezaría por debajo de 20 Hz, así que se corta ahí (apartado 12.3), y
los 49 Hz que quedan se escalan a los 100 Hz de una banda crítica entera antes
de hacer la media (Fórmula 24).*

![Relación tono-ruido de un tono de ventilador de 250 Hz representada frente al criterio de prominencia de ECMA-418-1: el criterio cae desde unos 17 dB a 89 Hz hasta 8 dB constantes por encima de 1 kHz, y el tono evaluado se sitúa en 15,1 dB, 2,1 dB por encima del criterio de 13,0 dB a 250 Hz, así que es prominente](https://docs.jmrp.io/phonometry/media/tone_prominence_assessment_es.svg)

*El criterio de TNR dibujado en lugar de evaluado, sobre el rango de interés de
89,1 Hz – 11,2 kHz, con un tono evaluado encima. Como el criterio vale
$8{,}0 + 8{,}33\log_{10}(1000/f_\mathrm{t})$ por debajo de 1 kHz y es constante por
encima, una misma relación tono-ruido se juzga contra un umbral distinto en
cada frecuencia: el tono del ejemplo supera en 2,1 dB su umbral de 13,0 dB a
250 Hz, mientras que un tono de 10 dB sería prominente en cualquier punto por
encima de 1 kHz y no lo sería aquí.*

Consulta la [guía de tonos discretos prominentes](https://docs.jmrp.io/phonometry/es/perception/psychoacoustics/tone-prominence/) para su uso.

## Transferencia de modulación y STI (IEC 60268-16)

La inteligibilidad del habla viaja en las modulaciones lentas de intensidad de la envolvente del habla. Los números de tabla que siguen son los de IEC 60268-16 Ed. 5 (2020); los apartados de la cadena de cálculo se citan con su numeración de la Ed. 4 (2011), como los cita la biblioteca, porque la Ed. 5 reordenó el Anexo A (su A.5 es la generación de la señal de ensayo). La **función de transferencia de modulación (MTF)** $m(F)$ de un canal de transmisión es la razón entre la profundidad de modulación recibida y la emitida de la envolvente de intensidad por banda de octava a la frecuencia de modulación $F$; el STI completo la evalúa en las 14 frecuencias de modulación en tercios de octava de 0,63 a 12,5 Hz en las siete bandas de octava de 125 Hz a 8 kHz (A.2.2 de la Ed. 4; A.1.4 en la Ed. 5). Desde una respuesta al impulso medida, la **forma cerrada de Schroeder** la da directamente (método indirecto):

$$
m_k(f_m) = \frac{\left| \int_0^{\infty} h_k^2(t)\ \mathrm{e}^{-j 2 \pi f_m t}\ dt \right|}{\int_0^{\infty} h_k^2(t)\ dt}
$$

El ruido de fondo estacionario multiplica el $m$ de cada banda por la razón de intensidades (el término de ruido):

$$
m'_k = m_k \cdot \frac{I_k}{I_k + I_{\mathrm{n},k}} = \frac{m_k}{1 + 10^{-\mathrm{SNR}_k/10}}
$$

y cuando se conocen los niveles absolutos por banda, la corrección completa $m'_k = m_k I_k / (I_k + I_{\mathrm{am},k} + I_{\mathrm{rt},k} + I_{\mathrm{n},k})$ añade la intensidad de enmascaramiento auditivo $I_{\mathrm{am},k}$ (desde la banda de octava inmediatamente inferior, Tabla A.2) y el umbral absoluto de recepción $I_{\mathrm{rt},k}$ (Tabla A.3). Esos dos son términos de *nivel absoluto*, así que solo significan algo cuando la cadena está calibrada en dB SPL en la posición de escucha y la fuente se excita a un nivel de habla definido. Eso parte la medida en dos: una respuesta al impulso sin calibrar da $m$, y con un espectro de fondo medido aparte da además el término de ruido, pero los términos de enmascaramiento y de umbral de recepción se dejan fuera en lugar de adivinarlos; una medida calibrada con la fuente radiando el espectro de habla normalizado a la altura de la boca da la corrección completa. Es también la razón por la que una lectura STIPA directa de un sonómetro de mano y un STI indirecto obtenido de una respuesta al impulso de la misma sala pueden discrepar cuando nunca se fijó el nivel de la fuente. Cada $m$ corregido se transforma en una **SNR efectiva**, recortada al rango de ±15 dB donde la inteligibilidad varía realmente, y después en un índice de transmisión (A.5.4/A.5.5):

$$
\mathrm{SNR}_{\mathrm{eff}} = 10 \log_{10} \frac{m}{1 - m}\ \text{dB}, \qquad \mathrm{TI} = \frac{\mathrm{SNR}_{\mathrm{eff}} + 15}{30}
$$

El MTI de banda es la media de los TI sobre las frecuencias de modulación, y el STI pondera las bandas con los factores masculinos $\alpha_k$, $\beta_k$ de la Tabla A.1 (A.5.6):

$$
\mathrm{STI} = \sum_{k=1}^{7} \alpha_k\ \mathrm{MTI}_k - \sum_{k=1}^{6} \beta_k \sqrt{\mathrm{MTI}_k\ \mathrm{MTI}_{k+1}}
$$

truncado a 1,0.

El clip de la [guía de transmisión del habla](https://docs.jmrp.io/phonometry/es/perception/speech/speech-transmission/) pone las dos degradaciones sobre una misma envolvente: una sonda de 4 Hz con modulación plena, recibida a través de la banda de octava de 1 kHz y dibujada con la media recibida constante. Primero el tiempo de reverberación barre de 0,30 a 2,50 s sin ruido: actúa sobre la propia $m$, a través de la integral de arriba, y la profundidad a 4 Hz cae de 0,90 a 0,26 y el STI de 0,84 a 0,40. Después, con 1,00 s fijo, la relación señal-ruido baja de 25 a 0 dB: actúa a través del factor $1/(1 + 10^{-\mathrm{SNR}/10})$, que vale un medio a 0 dB, y la profundidad termina en 0,28 y el STI en 0,36.

**Vídeo:** [La reverberación y el ruido desmontando una envolvente al ritmo del habla](https://docs.jmrp.io/phonometry/media/anim_modulation_transfer_es.webm): Una envolvente de intensidad de cuatro hercios con modulación plena se recibe a través de la banda de octava de un kilohercio de una sala. Mientras el tiempo de reverberación barre de 0,30 a 2,50 segundos los picos bajan y los valles se rellenan hacia una línea media que no se mueve, y la profundidad de modulación medida cae de 0,90 a 0,26; la curva de transferencia de modulación de al lado baja en cada una de las catorce frecuencias de modulación, los siete índices de transferencia de modulación por banda caen con ella y el índice de transmisión del habla recorre desde 0,84 hasta 0,40. Después, con un tiempo de reverberación fijo de un segundo, la relación señal-ruido de habla barre de 25 a 0 decibelios: en su lugar sube un suelo de ruido sombreado bajo la traza, la media sigue sin moverse y la profundidad vuelve a caer, hasta 0,28, para un índice de transmisión del habla de 0,36.

Dos mecanismos, una sola magnitud. La reverberación esparce energía por los huecos, así que la envolvente se encoge en torno a su media; el ruido estacionario rellena los huecos desde abajo, así que sube un suelo por debajo. Ninguno de los dos cambia el nivel medio, y los dos destruyen el contraste con el que quien escucha segmenta las sílabas.

![Índice de transmisión de modulación por banda de octava de 125 Hz a 8 kHz para una sala con 0,9 s de tiempo de reverberación y una relación habla-ruido de 15 dB: las siete barras quedan próximas entre sí, entre unos 0,54 y 0,60, y dan STI = 0,58 con la valoración E del Anexo F](https://docs.jmrp.io/phonometry/media/sti_band_mti_es.svg)

*Los siete $\mathrm{MTI}_k$ que consume la suma ponderada anterior, para una
sala con $T = 0{,}9$ s y una relación habla-ruido de 15 dB. Cada barra es ya la
media de 14 índices de transmisión, así que esto queda dos etapas de promediado
por debajo del $m(F)$ en bruto; las barras caen dentro de 0,06 unas de otras, que
es el caso en el que los términos de redundancia $\beta_k$ apenas restan nada y
el STI se acerca a la media simple ponderada por $\alpha$.*

![STI frente al tiempo de reverberación con las bandas de valoración del Anexo F de IEC 60268-16 sombreadas](https://docs.jmrp.io/phonometry/media/sti_vs_t60_es.svg)

*El final de la cadena en lugar de su parte central: lo que la forma cerrada de
Schroeder le hace al STI a medida que crece la reverberación, frente a las
bandas de valoración del Anexo F. La curva cae abruptamente en el rango en el
que una sala todavía es utilizable y se aplana una vez que la modulación ya
está destruida, que es la razón por la que reducir a la mitad un tiempo de
reverberación largo compra menos inteligibilidad que reducir a la mitad uno
corto.*

STIPA (Anexo B) muestrea la misma física con solo dos frecuencias de
modulación por banda (Tabla B.1) sobre una señal de prueba con índice de
modulación de fuente 0,55; las profundidades recibidas se miden por
correlación seno/coseno de las envolventes de intensidad $I_k(t)$ filtradas
paso bajo a ~100 Hz sobre un número entero de periodos de modulación:

$$
m_{dr} = \frac{2 \sqrt{\left( \sum_t I_k(t) \sin 2 \pi f_m t \right)^2 + \left( \sum_t I_k(t) \cos 2 \pi f_m t \right)^2}}{\sum_t I_k(t)}, \qquad m = \frac{m_{dr}}{0{,}55}
$$

**Cómo se lee el índice.** El STI se escala de 0 a 1 sobre el rango en el que la
inteligibilidad varía de verdad, y las bandas de valoración informativas del
Anexo F cortan ese rango en letras de 0,04 de ancho con bordes en 0,36, 0,40 …
0,76, desde la U por debajo de 0,36 hasta la A+ en 0,76 y por encima;
`STIResult.rating` devuelve la letra, y la Tabla G.1 del Anexo G da un uso de
ejemplo para cada banda: la banda G (0,48-0,52) figura como el valor objetivo de
los sistemas de megafonía de emergencia, que es de donde sale el conocido
requisito de «STI ≥ 0,5», y la H (0,44-0,48) como el límite inferior habitual de
esos sistemas. La letra viene con dos advertencias. Los Anexos F y G son
informativos, y el propio objeto y campo de aplicación de la Edición 5 dice que
el documento no proporciona criterios para certificar un canal de transmisión,
así que un requisito de proyecto va en el contrato como un STI numérico y la
letra se usa para declararlo. Y la anchura de 0,04 de cada banda la fija la
propia incertidumbre típica de una medida directa, que para STIPA anda entre
0,02 y 0,03, más ancha que la semianchura de 0,02 de una banda, así que un valor a
menos de unos 0,02 de un borde puede calificarse legítimamente a un lado o al
otro; el STI se cita junto a la letra y se promedia sobre varias posiciones en
lugar de fiarlo a una sola.

Consulta la [guía del índice de transmisión del habla](https://docs.jmrp.io/phonometry/es/perception/speech/speech-transmission/) para su uso, la tabla de usos típicos del Anexo G y la regla de promediado entre posiciones.

## Índice de inteligibilidad del habla (ANSI S3.5)

Mientras el STI caracteriza un canal de transmisión, el SII (ANSI S3.5-1997; los números de apartado que siguen son los de esa edición) predice la inteligibilidad a partir de lo que el oyente puede oír realmente: 18 bandas de tercio de octava de 160 Hz a 8 kHz, cada una con su importancia de banda $I_i$ (Tabla 3, $\sum I_i = 1$, con máximo cerca de 2 kHz).

![La función de importancia de banda de los cuatro procedimientos por bandas de ANSI S3.5-1997 superpuestos sobre un mismo eje logarítmico de frecuencia: las 21 bandas críticas, las 17 bandas críticas de contribución equitativa, las 18 bandas de tercio de octava y las 6 bandas de octava, cada una dibujada como un escalón entre sus propios límites de banda. Las cuatro trazan la misma subida hasta un máximo en torno a 2 kHz, y cuanto más anchas son las bandas más alto queda el escalón: la función de octava llega a 0,265 frente a 0,090 de la de tercio de octava](https://docs.jmrp.io/phonometry/media/sii_band_procedures_es.svg)

*La función de importancia dice dónde están las claves del habla, y los cuatro
procedimientos por bandas de más abajo coinciden en ello: la misma subida hasta
un máximo cerca de 2 kHz y el mismo total de 1,0 redistribuido sobre bandas más
anchas o más estrechas, que es la razón por la que los escalones de octava están
en 0,265 donde los de tercio de octava están en 0,090. Una banda perdida a 2 kHz
cuesta varias veces lo que cuesta esa misma banda a 160 Hz.*

Todas las entradas son **niveles espectrales equivalentes** (apartados
3.11/3.55), es decir, magnitudes por hercio: un nivel de banda de tercio de
octava medido no se convierte en $E'_i$ ni en $N'_i$ hasta que se le resta
$10\log_{10}$ del ancho de banda en hercios de esa banda, unos 23,6 dB en la
banda de 1 kHz y más de 30 dB en lo alto del rango, que es la razón por la que
los espectros de habla normalizados quedan cerca de 25 dB a 1 kHz para una voz
normal. Cada una de las tres entradas sale de una medida definida: la entrada de
habla es o bien uno de los cuatro esfuerzos vocales incorporados, definidos a
1 m delante del hablante, o bien un espectro de habla medido y referido a la
posición del oyente; la entrada de ruido se mide en esa misma posición de
oyente, con el hablante callado y sobre el mismo tiempo de integración; y la
entrada de umbral es el audiograma del oyente en dB HL a esas mismas
frecuencias, cero para audición normal. La comprobación que caza el error
clásico es el valor de referencia de más abajo: un espectro de esfuerzo normal
en silencio y con audición normal tiene que puntuar en torno a 0,996, así que un
índice que se pega a 1,0 en una escena claramente ruidosa significa que se
pasaron niveles de banda donde se esperaban niveles espectrales.

El habla se enmascara a sí misma hacia arriba: el espectro de enmascaramiento de cada banda $Z_i$ (apartado 5.4) acumula las bandas inferiores con pendientes $C_i = -80 + 0{,}6\,(B_i + 10 \log_{10} f_i - 6{,}353)$ dB, y la perturbación es el **mayor** entre el enmascaramiento y el suelo auditivo, $D_i = \max(Z_i, X'_i)$ (apartado 5.6), con $X'_i = X_i + T'_i$ el espectro de ruido interno de referencia más el desplazamiento del umbral de audición del oyente (apartados 5.5/5.6). La audibilidad de banda recorta el margen habla-perturbación al intervalo $[0, 1]$ (apartado 5.8), un factor de distorsión de nivel descuenta la presentación excesivamente alta (apartado 5.7), y el índice suma (apartado 6):

$$
A_i = \operatorname{clip}\Big( \frac{E'_i - D_i + 15}{30},\ 0,\ 1 \Big), \qquad
L_i = \operatorname{clip}\Big( 1 - \frac{E'_i - U_i - 10}{160},\ 0,\ 1 \Big), \qquad
\mathrm{SII} = \sum_{i=1}^{18} I_i\ L_i\ A_i .
$$

La misma cadena recorre las otras tres tablas de bandas de la norma, seleccionadas con `method=`: las 21 bandas críticas de la Tabla 1, las 17 bandas críticas de contribución equitativa de la Tabla 2 y las 6 bandas de octava de la Tabla 4. Esas tres expresan la pendiente de enmascaramiento mediante el ancho de banda tabulado, $C_i = -80 + 0{,}6\,(B_i + 10 \log_{10} W_i)$, que es la misma fórmula que el $10 \log_{10} f_i - 6{,}353$ de arriba abrevia para una banda de tercio de octava; el procedimiento por bandas de octava prescinde por completo de la propagación del enmascaramiento, ya que una banda de octava ya es más ancha que la propagación que se modela. Los espectros normalizados de habla de la Tabla 3 para los esfuerzos vocales normal, elevado, fuerte y grito están incorporados (25,01 / 33,86 / 42,16 / 51,31 dB a 1 kHz); el $U_i$ del factor de distorsión de nivel es siempre el espectro de esfuerzo normal.

![Los cuatro espectros de habla normalizados de ANSI S3.5-1997 (normal, elevado, fuerte y grito) como una sola familia rotulada: el nivel del espectro de habla normalizado en dB SPL de 160 Hz a 8000 Hz, con cada esfuerzo mayor levantando el espectro entero](https://docs.jmrp.io/phonometry/media/standard_speech_spectrum_es.svg)

*Los cuatro esfuerzos vocales, en nivel espectral y no en nivel de banda, que es
la razón por la que la curva de esfuerzo normal pasa por 25,01 dB a 1 kHz y no
por los sesenta y pico dB que un hablante mide como nivel de banda a un metro.
Subir el esfuerzo no levanta la familia de forma uniforme: gritar añade 27,6 dB
a 2,5 kHz, 26,3 dB a 1 kHz y **−1,6 dB** a 160 Hz, así que el espectro se
inclina además de subir, y el esfuerzo extra se gasta donde la función de
importancia de arriba es mayor.*

Valores de referencia: el espectro de esfuerzo normal en silencio con audición
normal puntúa SII = 0,996; los valores de referencia de enmascaramiento de la
Tabla 3 se reproducen dentro de $10^{-4}$ dB de nivel espectral; y los cuatro
espectros por esfuerzo vocal están verificados banda a banda contra dos
implementaciones públicas independientes, el `speech_intelligibility_index` de
Google y el paquete `SII` de R (los dos en las referencias, usados solo para
verificación).

**Cómo se lee el índice.** El SII es una *fracción de audibilidad*, no una nota:
dice qué proporción de las claves del habla ponderadas por importancia llega al
oyente por encima del enmascaramiento y del umbral. ANSI S3.5 lo convierte en un
porcentaje de palabras o de frases acertadas solo a través de funciones de
transferencia propias del material de habla y de los oyentes, así que un mismo
0,5 sostiene puntuaciones altas de frases y otras mucho más bajas de sílabas sin
sentido, y un SII no debería citarse nunca como «X % de inteligibilidad» sin
nombrar el material. Como referencias prácticas: por encima de unos 0,75 está el
objetivo de diseño cuando hay que entender material desconocido, de 0,45 a 0,75
es viable para material familiar en un contexto conocido, y por debajo de unos
0,3 no se puede confiar en el habla conectada. Las diferencias de unas pocas
centésimas caen dentro de la incertidumbre de los espectros de entrada y no
significan nada. Cuál de las dos métricas del habla hay que tomar se deduce de
lo que se pregunta: el **SII** responde preguntas sobre un *oyente*, porque es
la única de las dos que toma como entrada un audiograma y un esfuerzo vocal; el
**STI** responde preguntas sobre una *sala o un sistema*, porque toma una
respuesta al impulso y un espectro de fondo y no dice nada sobre quién escucha.

Consulta la [guía de inteligibilidad del habla](https://docs.jmrp.io/phonometry/es/perception/speech/speech-intelligibility/) para su uso.

## Umbrales de audición y presbiacusia (ISO 389-7, ISO 7029)

ISO 389-7:2005 Tabla 1 fija el umbral de audición de referencia de adultos
jóvenes otológicamente normales: el SPL en campo libre y campo difuso que
corresponde a 0 dB HL en las 11 frecuencias audiométricas de 125 Hz a 8 kHz
(22,1 dB a 125 Hz en ambos campos, 2,4/0,8 dB libre/difuso a 1 kHz,
divergiendo en alta frecuencia hasta 12,6 frente a 6,8 dB a 8 kHz).

Las dos columnas se diferencian solo en cómo llega el sonido a la cabeza, y la
norma es exacta al respecto (apartado 1). Las dos se aplican a la escucha
**binaural** de personas otológicamente normales de 18 a 25 años, y las dos
están referidas al nivel de presión acústica medido **sin el oyente presente**,
en el punto donde estaría el centro de la cabeza. La columna de campo libre se
aplica a tonos puros en una onda plana progresiva libre, con el sujeto de frente
a la fuente (incidencia frontal); la columna de campo difuso se aplica a bandas
de tercio de octava de ruido blanco o rosa en un campo difuso, y hasta 8 kHz
también a cualquier banda de ruido más estrecha. Esa diferencia de geometría es
justo la razón por la que las columnas coinciden por debajo de 1 kHz y se
separan por encima: en alta frecuencia la ganancia de cabeza y pabellón a
incidencia frontal supera al promedio de todas las direcciones, así que hace
falta menos nivel de campo libre para el mismo umbral. Significa además que son
referencias de calibración de un montaje audiométrico en campo sonoro
(ISO 8253-2), no una curva contra la que comparar una medida de sala.

ISO
7029:2017 describe cómo se desplaza estadísticamente ese umbral con la edad:
la desviación mediana respecto a los 18 años es (apartado 4.2, Tabla 1)

$$
\Delta H_\mathrm{md} = a\ (Y - 18)^b \ \text{dB},
$$

y cualquier fractil sigue un modelo gaussiano bilateral (apartado 4.4), $\Delta H_Q = \Delta H_\mathrm{md} + z(Q)\ s$, usando la dispersión superior $s_\mathrm{u}$ para $z \ge 0$ (peor que la mediana) y la inferior $s_\mathrm{l}$ en caso contrario, cada una un polinomio de grado 5 en $Y - 18$ por sexo y frecuencia (apartado 4.3, Tablas 2–5). A los 18 años toda desviación es cero por construcción. Las fórmulas están establecidas hasta los 80 años a 2 kHz y por debajo, y hasta los 70 años por encima; más allá la evaluación es una extrapolación. Valores de referencia: a los 60 años las medianas evalúan a 7,85 dB (hombre, 1 kHz), 20,21 dB (hombre, 4 kHz) y 15,32 dB (mujer, 4 kHz), reproduciendo la fórmula de la Tabla 1 a $10^{-3}$.

Consulta la [guía de umbral de audición](https://docs.jmrp.io/phonometry/es/perception/hearing/hearing-threshold/) para su uso.

![Dos paneles. Izquierda: la desviación mediana del umbral de audición de ISO 7029 para hombres a los 20, 40, 60 y 80 años en un eje de audiograma invertido, con la banda del 10 al 90 por ciento en torno a la curva de 70 años; la pérdida se acentúa hacia las altas frecuencias y con la edad. Derecha: el umbral de referencia de campo libre y campo difuso de ISO 389-7, que coinciden por debajo de 1 kHz y divergen por encima, con un mínimo cerca de 3 a 4 kHz](https://docs.jmrp.io/phonometry/media/hearing_threshold_es.svg)

*La desviación mediana con la edad de ISO 7029 con su banda de fractiles (izquierda) y los umbrales de referencia de campo libre y difuso de ISO 389-7 (derecha).*

## Pérdida auditiva inducida por ruido (ISO 1999)

ISO 1999:2013 predice el desplazamiento permanente del umbral que acumula una
población expuesta a ruido. El desplazamiento mediano inducido por ruido
(NIPTS) para 10–40 años de exposición es (apartado 6.3.1, Fórmula 2, Tabla 1):

$$
N_{50} = \big[ u + v \log_{10}(t/t_0) \big]\ (L_\mathrm{EX,8h} - L_0)^2, \qquad t_0 = 1\ \text{año},
$$

cuadrático en el exceso sobre el nivel de inicio dependiente de la frecuencia $L_0$ (75 dB a 4 kHz, la banda más sensible, hasta 93 dB a 500 Hz) y cero por debajo; para menos de 10 años escala como $\log_{10}(t+1)/\log_{10} 11$ (Fórmula 3). Los fractiles añaden la dispersión, $N_Q = N_{50} + z\ d_{u,l}$ con $d = (X + Y \log_{10} t)(L_\mathrm{EX,8h} - L_0)^2$ (apartado 6.3.2, Fórmulas 4–7, Tablas 2/3), acotada en cero. El `fractile` de la biblioteca cuenta la fracción de la población con el desplazamiento *menor*, así que `fractile=0.9` es el decil más susceptible (rango fiable 0,05–0,95); la $Q$ de la propia ISO 1999 corre al revés, contando el porcentaje con peor audición, así que ese mismo decil es allí $Q = 10\ \%$, igual que en los encabezados de columna del Anexo D. El nivel de umbral de audición asociado a edad y ruido (HTLAN) combina el NIPTS con la componente de edad de ISO 7029 al mismo fractil mediante la suma comprimida (apartado 6.1, Fórmula 1):

$$
H' = H + N - \frac{H\ N}{120}.
$$

Los ejemplos resueltos del Anexo D (Tablas D.1–D.4; p. ej. 100 dB / 40 años a 3 kHz: 29/38/60 dB en los fractiles 0,10/0,50/0,90) se reproducen exactamente con el redondeo a enteros de la norma, y el valor a mano de la Fórmula 2 a 4 kHz / 20 años / 90 dB es $N_{50} = 12{,}94$ dB.

![Desplazamiento permanente del umbral inducido por ruido según ISO 1999 tras 40 años a 95 dB(A) normalizados a 8 h, en un eje de audiograma invertido de 500 Hz a 6000 Hz: la mediana es casi nula a 500 Hz y se ahonda hasta unos 26 dB a 4000 Hz antes de recuperarse a 6000 Hz, y la banda de fractiles del 10 al 90 por ciento a su alrededor llega casi a 37 dB para el décimo más susceptible](https://docs.jmrp.io/phonometry/media/nipts_audiogram_es.svg)

*El modelo como audiograma: 40 años a 95 dB(A) normalizados a 8 h. La muesca a
4 kHz es lo que hace reconocible en consulta la pérdida inducida por ruido, y
está ahí solo porque $L_0$ es mínimo (75 dB) en esa banda. Atención a la
dirección del fractil que enuncia el párrafo anterior: el borde de la banda
sombreada que muestra el desplazamiento **mayor** es el `fractile=0.90` de la
biblioteca, el décimo más susceptible, al que ISO 1999 y los encabezados de
columna de su Anexo D llaman $Q = 10\ \%$. A 4 kHz este caso da 19,5 / 26,0 /
36,0 dB para `fractile` 0,10 / 0,50 / 0,90.*

Consulta la [guía de pérdida auditiva inducida por ruido](https://docs.jmrp.io/phonometry/es/perception/hearing/noise-induced-hearing-loss/) para su uso.

## Referencias

- **American National Standards Institute. (1997).** [*Methods for calculation of the speech intelligibility index*](https://webstore.ansi.org/standards/asa/ansiasas31997r2017) (ANSI S3.5-1997 (R2017)). Acoustical Society of America.
  La sección del SII: los niveles de espectro equivalentes de los apartados 3.11/3.55, la cadena de enmascaramiento y audibilidad de los apartados 5.4-5.8, la suma del apartado 6 y los procedimientos por bandas de las Tablas 1-4 con sus funciones de importancia.
- **Deutsches Institut für Normung. (2009).** [*Messtechnische Simulation der Hörempfindung Schärfe*](https://www.dinmedia.de/en/standard/din-45692/117635111) (DIN 45692:2009-08).
  La sección de agudeza: la Ecuación (1), la ventana de calibración del apartado 5.2 y los valores objetivo de la Tabla A.2, con las funciones de ponderación del Anexo B.
- **Ecma International. (2024).** [*Psychoacoustic metrics for ITT equipment — Part 1: Prominent discrete tones*](https://ecma-international.org/wp-content/uploads/ECMA-418-1_3rd_edition_december_2024.pdf) (ECMA-418-1:2024 (3.ª ed.)).
  El modelo de banda crítica y los procedimientos TNR y PR de la sección de prominencia tonal. El PDF enlazado es la descarga gratuita.
- **Ecma International. (2025).** [*Psychoacoustic metrics for ITT equipment — Part 2 (methods for describing human perception based on the Sottek Hearing Model)*](https://ecma-international.org/publications-and-standards/standards/ecma-418/) (ECMA-418-2:2025).
  El modelo de Sottek: el front-end auditivo del apartado 5, la tonalidad del apartado 6, las Fórmulas 113-117 de aspereza y la entrada de agudeza del apartado 7.1.10. La edición leída es la 4.ª, de junio de 2025, cuyo PDF ofrece gratis la página enlazada.
- **Fastl, H. y Zwicker, E. (2007).** *Psychoacoustics: Facts and models* (3.ª ed.). Springer. https://doi.org/10.1007/978-3-540-68888-4
  La psicoacústica de bandas críticas, enmascaramiento y sonoridad que subyace al modelo de Zwicker y a las sensaciones de agudeza y aspereza.
- **Fletcher, H. y Munson, W. A. (1933).** Loudness, its definition, measurement and calculation. *The Journal of the Acoustical Society of America*, *5*(2), 82-108. https://doi.org/10.1121/1.1915637
  Las mediciones originales de igual sonoridad que sustentan el concepto de línea isofónica de la primera sección.
- **French, N. R. y Steinberg, J. C. (1947).** Factors governing the intelligibility of speech sounds. *The Journal of the Acoustical Society of America*, *19*(1), 90-119. https://doi.org/10.1121/1.1916407
  Los experimentos por bandas de articulación que sustentan la función de importancia de banda del SII.
- **Google. (2019).** [*speech_intelligibility_index*](https://github.com/google/speech_intelligibility_index). GitHub.
  Una de las dos implementaciones públicas independientes contra las que se verificaron banda a banda los cuatro espectros de esfuerzo vocal. Solo se usa para verificación.
- **Houtgast, T. y Steeneken, H. J. M. (1985).** A review of the MTF concept in room acoustics and its use for estimating speech intelligibility in auditoria. *The Journal of the Acoustical Society of America*, *77*(3), 1069-1077. https://doi.org/10.1121/1.392224
  El marco de transferencia de modulación de la sección del STI.
- **International Electrotechnical Commission. (2020).** [*Sound system equipment — Part 16: Objective rating of speech intelligibility by speech transmission index*](https://webstore.iec.ch/en/publication/26771) (IEC 60268-16:2020 (Edición 5)).
  La sección del STI: las frecuencias de modulación (A.1.4; A.2.2 en la Ed. 4), la conversión a índice (A.5.4/A.5.5 en la numeración de la Ed. 4 que cita la página), los pesos de banda de la Tabla A.1, los datos de enmascaramiento y de umbral de recepción de las Tablas A.2/A.3, el método STIPA del Anexo B y las bandas de calificación del Anexo F.
- **International Organization for Standardization. (2005).** [*Acoustics — Reference zero for the calibration of audiometric equipment — Part 7: Reference threshold of hearing under free-field and diffuse-field listening conditions*](https://www.iso.org/standard/38976.html) (ISO 389-7:2005).
  Los umbrales de referencia de campo libre y campo difuso de la Tabla 1 de la sección de umbral de audición.
- **International Organization for Standardization. (2013).** [*Acoustics — Estimation of noise-induced hearing loss*](https://www.iso.org/standard/45103.html) (ISO 1999:2013).
  El modelo de NIPTS, sus fractiles y la suma comprimida HTLAN de la sección de pérdida auditiva.
- **International Organization for Standardization. (2017).** [*Acoustics — Methods for calculating loudness — Part 1: Zwicker method*](https://www.iso.org/standard/63077.html) (ISO 532-1:2017).
  La sección de sonoridad de Zwicker: el programa de referencia del Anexo A.4 del que la implementación es un port de sala limpia, sus Tablas A.1-A.7 y la cadena variable en el tiempo del apartado 6.3.
- **International Organization for Standardization. (2017).** [*Acoustics — Methods for calculating loudness — Part 2: Moore-Glasberg method*](https://www.iso.org/standard/63078.html) (ISO 532-2:2017).
  El modelo estacionario de Moore-Glasberg de la sección de sonoridad avanzada: los filtros auditivos roex, el patrón de excitación y la suma binaural.
- **International Organization for Standardization. (2017).** [*Acoustics — Statistical distribution of hearing thresholds related to age and gender*](https://www.iso.org/standard/42916.html) (ISO 7029:2017).
  El desplazamiento mediano dependiente de la edad y las dispersiones por fractiles del modelo de presbiacusia.
- **International Organization for Standardization. (2023).** [*Acoustics — Methods for calculating loudness — Part 3: Moore-Glasberg-Schlittenlacher method*](https://www.iso.org/standard/69856.html) (ISO 532-3:2023).
  La extensión variable en el tiempo de la Parte 2 (Fórmulas 2-5 y 7-9), con los suavizadores de sonoridad de corto y de largo plazo de esa misma sección.
- **International Organization for Standardization. (2023).** [*Acoustics — Normal equal-loudness-level contours*](https://www.iso.org/standard/83117.html) (ISO 226:2023).
  El modelo de líneas isofónicas de las Fórmulas (1)/(2) y los parámetros de la Tabla 1 de la sección de igual sonoridad.
- **Passchier-Vermeer, W. (1974).** Hearing loss due to continuous exposure to steady-state broad-band noise. *The Journal of the Acoustical Society of America*, *56*(5), 1585-1593. https://doi.org/10.1121/1.1903482
  Un estudio de campo de las relaciones exposición-respuesta codificadas después en la ISO 1999.
- **Warnes, G. R. (2018).** [*SII: Calculate ANSI S3.5-1997 Speech Intelligibility Index (version 1.0.3.1)*](https://cran.r-project.org/src/contrib/Archive/SII/). Archivo de CRAN.
  La segunda implementación independiente empleada en esa misma verificación cruzada banda a banda de los espectros de esfuerzo vocal. Archivada en CRAN en 2022; se usa su última versión.
