Quienes crecimos durante los años noventa probablemente recordemos la película Dr. Dolittle, protagonizada por Eddie Murphy. El argumento era tan simple como fascinante: un médico descubría que podía entender a los animales y mantener conversaciones con ellos como si fueran personas.
Perros con problemas sentimentales, cobayos sarcásticos (Amo los cobayos, tengo 18), tigres angustiados y palomas con bastante carácter. Para muchos, fue una de esas películas que marcaron la infancia porque convertía una fantasía universal en algo aparentemente posible: saber qué piensa nuestra mascota cuando nos mira, entender por qué un animal está asustado o descubrir qué se dicen entre ellos cuando nosotros no estamos cerca.
Durante mucho tiempo, esa idea perteneció exclusivamente al terreno de la ficción. Sin embargo, la inteligencia artificial está empezando a acercarnos a una versión mucho más seria, compleja y científicamente interesante del Doctor Dolittle.
Todavía no podemos mantener una conversación con un perro ni preguntarle a una ballena cómo fue su día. Estamos lejos de eso. Aun así, los avances de los últimos años muestran algo extraordinario: muchas especies utilizan sistemas de comunicación bastante más sofisticados de lo que creíamos y la IA está permitiendo detectar estructuras que el oído humano, por sí solo, difícilmente podría reconocer.
El problema nunca fue solamente escuchar
Los animales llevan millones de años comunicándose delante nuestro. El verdadero problema es que nosotros no sabemos qué buscar.
Un sonido puede variar en frecuencia, duración, ritmo, intensidad, repetición y contexto. Además, una vocalización aislada puede no significar nada por sí sola; su interpretación podría depender de quién la produce, a quién se dirige, qué ocurrió antes, qué está haciendo el grupo o incluso de la posición corporal del animal.
Es parecido a tratar de descifrar un idioma humano escuchando miles de horas de conversaciones sin diccionario, sin traducciones y sin poder preguntar qué significa cada palabra.
La inteligencia artificial cambia la escala del problema: puede procesar millones de sonidos, agrupar vocalizaciones similares, detectar patrones recurrentes y relacionarlos con comportamientos observables. Allí donde un investigador tendría que revisar grabaciones durante años, un sistema automático puede señalar regularidades en cuestión de horas.
Sin embargo, reconocer patrones acústicos no equivale a comprender significados. Una IA puede descubrir que determinado sonido aparece habitualmente antes de que un animal se alimente; demostrar que ese sonido significa “hay comida aquí” requiere experimentos adicionales.
Esa diferencia es fundamental para entender en qué punto estamos.
Las ballenas tienen algo parecido a un alfabeto fonético
Uno de los proyectos más ambiciosos es Project CETI, la Iniciativa de Traducción de Cetáceos. Su objetivo es estudiar la comunicación de los cachalotes mediante hidrófonos, sensores, robótica y modelos de aprendizaje automático.
Los cachalotes no cantan como otras ballenas: se comunican mediante secuencias de clics llamadas codas. Durante décadas, estas secuencias parecían relativamente simples. Cuando los investigadores comenzaron a analizarlas con herramientas computacionales, apareció una estructura mucho más rica.
En 2024, un estudio publicado en Nature Communications identificó cuatro componentes que los cachalotes combinan y modifican: ritmo, tempo, rubato y ornamentación. Según los investigadores, estas variaciones forman un sistema combinatorio comparable, con todas las precauciones necesarias, a una especie de alfabeto fonético.
La analogía más sencilla sería pensar en unas pocas piezas de LEGO capaces de combinarse de muchas maneras. Cada pieza aislada tiene posibilidades limitadas; al modificar el orden, la velocidad y la forma de unirlas, el número de construcciones posibles aumenta enormemente.
Esto no significa que ya sepamos qué dicen las ballenas. Los científicos identificaron la arquitectura del sistema, pero todavía deben relacionar cada combinación con situaciones concretas: alimentación, cuidado de las crías, reconocimiento individual, coordinación del grupo, peligro o interacción social.
Durante 2024, también se presentó un sistema automático capaz de detectar y anotar codas en grabaciones con ruido, distinguirlas de los clics utilizados para ecolocalización y separar vocalizaciones producidas simultáneamente por diferentes ballenas. Esta automatización resulta clave porque uno de los mayores obstáculos del campo no es conseguir audio, sino clasificar cantidades gigantescas de información acústica.
El siguiente paso ya comenzó. En 2025, investigadores de CETI presentaron WhAM, un modelo generativo entrenado con aproximadamente 10.000 codas, capaz de producir nuevas secuencias sintéticas de cachalotes conservando características acústicas de las grabaciones originales.
Acá aparece una posibilidad tan fascinante como delicada: pasar de escuchar a los animales a emitir sonidos generados artificialmente y observar cómo responden.
Durante 2026, el proyecto también reportó que los cachalotes modifican algunos patrones de sus codas cuando hay embarcaciones cercanas. Cambian ritmos y proporciones de ciertos sonidos parecidos a vocales, posiblemente como respuesta al ruido submarino. Todavía no sabemos si están “hablando más fuerte”, simplificando su comunicación o transmitiendo otro tipo de información; sí sabemos que el contexto ambiental altera la forma en que se comunican.
Elefantes y monos que se llaman por su nombre
Otro descubrimiento especialmente interesante surgió del estudio de los elefantes africanos.
En 2024, investigadores utilizaron aprendizaje automático para analizar llamadas de elefantes salvajes y encontraron patrones específicos asociados con el destinatario de cada vocalización. Luego reprodujeron esas llamadas en el entorno natural: los animales respondieron con mayor intensidad cuando escucharon una llamada originalmente dirigida hacia ellos.
La evidencia sugiere que los elefantes emplean etiquetas vocales individuales comparables a nombres. Lo más sorprendente es que no parecerían limitarse a imitar el sonido del receptor, como ocurre en otros casos conocidos, sino que utilizarían una señal particular para referirse a cada individuo.
Algo similar se observó en titíes o monos tití. Un trabajo publicado en Science mostró que estos pequeños primates usan llamadas específicas para dirigirse a otros miembros del grupo y que responden correctamente cuando escuchan su propia etiqueta vocal. Además, algunos miembros de una familia comparten características en la forma de utilizar esas etiquetas, algo parecido a un dialecto grupal.
Esto cambia bastante nuestra manera de pensar el lenguaje animal. Durante mucho tiempo, asumimos que nombrar individuos era una capacidad casi exclusivamente humana. Ahora encontramos sistemas funcionalmente parecidos en especies con estructuras sociales complejas.
No necesariamente poseen nombres como “Juan”, “Pedro” o “Marta”. La idea central es más profunda: pueden emitir una señal que representa a otro individuo incluso cuando ese individuo no está produciendo el sonido.
La inteligencia artificial ya está aprendiendo a escuchar miles de especies
La mayoría de los proyectos tradicionales se concentraban en una sola especie. Se estudiaban ballenas, murciélagos, aves o primates mediante modelos diseñados específicamente para cada caso.
Ese enfoque está cambiando con la aparición de los modelos fundacionales de bioacústica.
NatureLM-audio, desarrollado por Earth Species Project, fue presentado como un modelo de audio y lenguaje especializado en sonidos de la naturaleza. Puede detectar y clasificar vocalizaciones de miles de especies mediante instrucciones escritas en lenguaje natural, sin necesidad de entrenar desde cero un sistema diferente para cada animal.
Conceptualmente, funciona de una manera similar a los grandes modelos de lenguaje: aprende representaciones generales a partir de enormes cantidades de datos y después transfiere ese conocimiento a tareas más específicas.
La diferencia es que, en lugar de trabajar únicamente con palabras, aprende relaciones entre sonidos, especies, ambientes y descripciones.
Una revisión comparativa publicada en 2025 analizó distintos modelos fundacionales para bioacústica y comprobó que estas arquitecturas pueden adaptarse a tareas como identificación de especies, monitoreo pasivo y clasificación de vocalizaciones. Los resultados también muestran que todavía no existe un modelo universal que sea el mejor en todos los escenarios; algunos funcionan mejor con aves, otros con conjuntos bioacústicos más diversos.
Estamos entrando en una etapa parecida a la que vivió la inteligencia artificial con el lenguaje humano: primero construimos sistemas capaces de reconocer palabras, después aprendimos a modelar contextos y finalmente aparecieron modelos que podían producir respuestas coherentes. En animales, recién estamos avanzando entre las primeras dos etapas.
Murciélagos, aves y delfines: sistemas más complejos de lo esperado
Los murciélagos son otro caso fascinante. Algunos estudios demostraron que sus secuencias vocales contienen más información contextual que los sonidos aislados. Una vocalización puede variar según quién la emite, quién la recibe, el tipo de interacción y la situación social.
También se han utilizado redes neuronales para predecir el tipo de vocalización de murciélagos a partir de actividad cerebral, alcanzando niveles de precisión superiores al 85 % en determinados experimentos.
En aves, sistemas como TweetyBERT aplican aprendizaje autosupervisado para segmentar cantos y descubrir unidades acústicas sin depender completamente de etiquetas manuales. Esto permite estudiar secuencias y estructuras que antes requerían una enorme cantidad de trabajo humano.
Durante 2026, la investigadora Julie Elie recibió el premio Coller Dolittle por sus estudios con pinzones cebra. Su trabajo identificó 11 tipos centrales de llamadas y demostró, mediante experimentos de comportamiento, que las aves responden al significado funcional de determinadas llamadas y no solamente a su sonido superficial.
Con los delfines, la IA está acelerando principalmente la detección y clasificación de silbidos. Un estudio publicado en 2025 utilizó modelos visuales para identificar miles de contornos acústicos en grabaciones de delfines comunes, reduciendo drásticamente el trabajo de anotación manual y permitiendo estudiar cómo cambian sus vocalizaciones frente a redes de pesca y dispositivos acústicos.
Cada uno de estos casos aporta una pieza distinta: estructura, identidad, contexto, aprendizaje, intención o respuesta.
Por qué todavía no existe un traductor de perros
Llegados a este punto, es lógico preguntarse cuándo podremos instalar una aplicación en el teléfono, acercarla a nuestro perro y escuchar: “Estoy enojado porque me dejaste solo” o “quiero salir a caminar”.
La respuesta honesta es que todavía estamos lejos.
Los científicos Yossi Yovel y Oded Rechavi denominaron a este problema “el desafío Doctor Dolittle” e identificaron tres grandes obstáculos: determinar el contexto de una señal, conseguir que el animal responda de manera natural y demostrar que existe una comprensión compartida entre ambas especies.
El primer obstáculo es el significado. Un ladrido puede expresar alerta, miedo, juego, frustración o excitación. Su interpretación depende del tono, la postura corporal, el entorno y la relación entre los individuos.
El segundo obstáculo es generar una respuesta válida. Una computadora podría reproducir un sonido parecido al de un perro, pero eso no garantiza que el animal lo reconozca como una señal legítima. Podría percibirlo como ruido, como una imitación defectuosa o incluso como una amenaza.
El tercer obstáculo es demostrar comprensión bidireccional. Para afirmar que existe comunicación, el animal debería interpretar correctamente una señal nueva y responder de una manera coherente, repetible y verificable.
Traducir animales no consiste en colocar subtítulos debajo de un ladrido. Primero necesitamos descubrir qué unidades utilizan, cómo las combinan, qué papel cumple el cuerpo y qué conceptos son capaces de representar.
El peligro de humanizar lo que todavía no entendemos
La inteligencia artificial tiene una capacidad extraordinaria para detectar patrones, pero también puede encontrar relaciones aparentes donde no existe un significado real.
Si alimentamos un modelo con videos de perros y descripciones escritas por humanos, probablemente aprenda nuestras interpretaciones sobre el comportamiento animal. Eso no significa que haya descubierto lo que siente el perro; podría haber aprendido solamente lo que nosotros creemos que siente.
Es el equivalente a entrenar un traductor de un idioma desconocido utilizando únicamente subtítulos inventados.
Por eso, los proyectos científicos más serios no se limitan al análisis algorítmico. Combinan IA con observación de campo, sensores corporales, posición geográfica, interacciones sociales y experimentos de reproducción de sonidos.
La clave no está en que el modelo produzca una explicación convincente, sino en que esa explicación pueda validarse mediante la reacción del animal.
Este punto también abre debates éticos importantes. Cuando podamos generar sonidos capaces de influir sobre otras especies, tendremos que decidir quién puede utilizarlos, con qué objetivos y bajo qué controles.
La misma tecnología que podría ayudar a alejar elefantes de zonas de caza furtiva también podría utilizarse para atraerlos. Un sistema pensado para reducir el estrés de animales en cautiverio podría convertirse en una herramienta de manipulación. Comprender una forma de comunicación implica adquirir poder sobre quienes la utilizan.
¿Cuánto falta para convertirnos en Doctor Dolittle?
No creo que estemos a meses de mantener una conversación filosófica con una ballena. Tampoco parece probable que perros, gatos o elefantes utilicen un lenguaje exactamente comparable al humano.
Pero la pregunta correcta quizás no sea cuánto falta para que hablen como nosotros, sino cuánto falta para que nosotros aprendamos a escuchar como ellos.
En algunos ámbitos, ese proceso ya empezó.
Podemos reconocer individuos por sus vocalizaciones, identificar llamadas asociadas a determinados contextos, descubrir estructuras combinatorias, detectar dialectos y analizar millones de horas de audio. Incluso comenzamos a generar señales artificiales para estudiar cómo responden los animales.
La primera versión real de Doctor Dolittle probablemente no será una persona que escucha una voz humana salir de la boca de un perro. Será un sistema multimodal que combine sonidos, movimientos, temperatura, posición, expresiones, contexto social y antecedentes del animal para estimar qué está ocurriendo.
Quizás el teléfono no diga “tu perro está triste” como una verdad absoluta. Podría advertir algo mucho más útil: “Detecté un patrón vocal y corporal asociado con dolor o ansiedad; esta conducta aumentó durante las últimas 24 horas”.
En ganadería, permitiría identificar enfermedades antes de que aparezcan síntomas visibles. En conservación, ayudaría a detectar poblaciones amenazadas y situaciones de estrés. En hogares, podría mejorar el bienestar de nuestras mascotas. En océanos, nos permitiría comprender cómo afecta el ruido humano a ballenas y delfines.
Lo que comenzó como una fantasía cinematográfica está empezando a transformarse en un campo científico legítimo: el procesamiento del lenguaje animal.
Tal vez nunca conversemos con un tigre como Eddie Murphy en Dr. Dolittle. Sin embargo, es bastante probable que durante los próximos años entendamos cosas que los animales llevan diciéndonos desde mucho antes de que existiera nuestra especie.
La gran revolución no será conseguir que ellos aprendan nuestro idioma.
Será descubrir que nunca estuvieron en silencio.
