Entiendo con subtítulos pero no en videollamadas: los 40 minutos en los que solo asentí

Éramos cuatro en la llamada. Liam desde Dublín con su cadencia rápida y cerrada, Priya conectada desde Bangalore con un ritmo veloz y notas muy altas, y un responsable de producto en Austin que hablaba casi pegado al micrófono de su portátil, lo que convertía cada consonante en un golpe sordo de aire. En la pantalla, sus vídeos parpadeaban con un leve desfase respecto a la voz. Yo sostenía la taza de café con las dos manos, miraba fijamente la pequeña luz verde de la cámara y calculaba que estaba pillando alrededor del 60% de lo que decían. Captaba el asunto general, pero perdía el verbo principal de cada dos frases. En el minuto 24, el compañero de Austin soltó una ráfaga que sonó exactamente como una sola palabra de seis sílabas —algo vagamente parecido a we’llcirclebackontheforecast— y me miró esperando una reacción. Asentí con una sonrisa breve. Cuando la reunión terminó, escribí en el chat «sounds good, thanks everyone» y me quedé mirando la pantalla en silencio, con una sensación física de cansancio y una duda concreta: no tenía la menor idea de qué acababa de validar.

Los cuarenta minutos en los que solo asentí

Al día siguiente, la plataforma generó la transcripción automática de la sesión. Abrí el archivo de texto casi con miedo, esperando encontrarme con giros idiomáticos oscuros, jerga financiera incomprensible o construcciones sintácticas que superaban mi nivel. Leí el documento de arriba abajo en 4 minutos. Entendí el 100%. No había una sola palabra que no conociera; la frase de Austin era sencillamente we will circle back on the forecast tomorrow morning. La leí sin detenerme, sin mirar el diccionario, sin dudar ni un segundo sobre el significado de cada término. Ninguna de las palabras era nueva.

Por qué la videollamada es el peor sitio para escuchar

Cuando vemos una serie por la noche, solemos pensar que nuestro nivel es más que suficiente. La realidad es que entiendo con subtítulos pero no sin ellos porque el ojo hace casi todo el trabajo sucio mientras el oído solo acompaña. En una serie, la pista de audio ha pasado por un proceso de masterización en un estudio profesional: las voces están limpias de ecos, ecualizadas para separar las frecuencias medias de los ruidos de fondo y articuladas por actores entrenados para proyectar. Si algo se escapa, basta con pausar, rebobinar 5 segundos o apoyarse en una línea de texto impecable que neutraliza cualquier acento regional.

Una reunión de trabajo en remoto es exactamente lo contrario. El códec de compresión de la plataforma recorta las frecuencias agudas —justo donde viven los sonidos que nos permiten distinguir una s de una f, o una t de una p— y la latencia de medio segundo elimina las pequeñas señales de sincronización a las que estamos acostumbrados en persona. A eso se suma la imagen comprimida: la boca de la otra persona a menudo se congela un milisegundo o va ligeramente desfasada, lo que anula la lectura labial inconsciente con la que compensamos el ruido en el mundo físico. Nadie habla de forma aislada, nadie pronuncia palabra por palabra, y los acentos se mezclan en turnos de palabra desordenados. La videollamada es el entorno más hostil posible para la percepción auditiva, un canal degradado que no perdona ni la más mínima vacilación en el reconocimiento de un sonido.

Las palabras que sé leer pero no sé oír

El obstáculo de fondo no era la falta de términos en mi memoria, sino el formato en el que los tenía archivados. Durante años aprendí consumiendo texto: correos, documentación técnica, artículos, mensajes en canales de equipo. Palabras corrientes de oficina como schedule, deadline o approach estaban fijadas en mi cabeza como una imagen visual de letras sobre un fondo blanco. Cuando los ojos pasaban por encima, el significado se activaba en milésimas de segundo. Pero cuando alguien en Texas decía schedule dentro de una frase rápida, el sonido real no se parecía en nada a la imagen mental de esas ocho letras ordenadas; sonaba como un chasquido suave pegado a la vocal siguiente.

En ese instante ocurría un desfase incómodo. Mi cerebro recibía la señal acústica, no encontraba una coincidencia inmediata en su catálogo de sonidos y tenía que detenerse a reconstruir mentalmente qué letras correspondían a lo que acababa de vibrar en el tímpano. Para cuando lograba identificar que ese sonido correspondía a approach, habían pasado 3 segundos enteros. En una conversación en directo, 3 segundos de retraso equivalen a perderse la mitad de la frase siguiente. No era falta de palabras en general; me faltaba el acceso directo desde el oído a esas mismas palabras que sabía escribir en un informe sin pestañear.

Escuchar más no era el problema (y aquí el escéptico tiene algo de razón)

Cualquier persona pragmática podría argumentar que esto se resuelve con pura inmersión: que basta con ponerse podcasts durante 2 horas al día o mudarse 6 meses a Londres para que el cerebro termine calibrando el oído por simple saturación. Y hay que concederle parte de razón. La exposición masiva funciona. Si tienes 20 años, tiempo libre ilimitado o vives inmerso en un entorno donde todo el mundo te habla en ese idioma las 24 horas del día, el sistema se ajusta solo por mera fuerza de repetición estadística. El problema aparece cuando eres un profesional con un horario cerrado, responsabilidades familiares y 6 reuniones diarias donde necesitas rendir hoy, no dentro de 2 años. Escuchar podcasts de fondo mientras cocinas o respondes correos genera una ilusión de familiaridad, pero no obliga al oído a aislar el contorno acústico de las palabras difíciles. Es un ruido de fondo agradable que rara vez se traduce en entender mejor en una llamada con el micrófono roto.

En este sentido, siempre me ha llamado la atención una particularidad que roza lo injusto: en llamadas con otros profesionales no nativos —un compañero alemán, una diseñadora francesa— mi comprensión suele rozar el 90%, aunque su dominio gramatical sea técnicamente inferior. Hablan a un tempo más constante, separan las sílabas con mayor nitidez y no recurren a las uniones fonéticas extremas que surgen de manera natural en un hablante nativo. No prueba gran cosa, pero sigue pareciéndome un detalle curioso y ligeramente exasperante.

Empezar por las palabras de tus propias reuniones

Para afinar el oído en las reuniones no sirve de mucho acumular listas de 200 términos abstractos ni memorizar modismos literarios. El cambio real empezó cuando limité el foco a las 50 o 60 expresiones que de verdad circulaban por las llamadas de mi propio equipo. Lo que empecé a hacer es muy simple: durante la videollamada mantengo una libreta abierta y anoto de manera fonética las 2 o 3 frases que he tenido que adivinar por el contexto. En cuanto termina la sesión o al día siguiente, busco ese fragmento en la transcripción automática para confirmar qué palabras exactas eran. 9 de cada 10 veces son giros que ya conocía sobre el papel, pero cuya forma hablada no tenía registrada.

Para entrenar el oído con ese material, uso LingoTim. Tengo creado un conjunto pequeño y cerrado con las expresiones exactas que más se repiten en nuestras reuniones internas, desde fórmulas de transición como to circle back o down the line hasta términos técnicos de nuestros proyectos. 5 minutos antes de entrar a una llamada, abro la aplicación y hago un par de rondas cortas centradas exclusivamente en los ejercicios de escucha y reconocimiento, tapando el texto y forzando a la memoria a conectar el audio directamente con el sentido, sin pasar por la lectura intermedia. Mi sugerencia para quien sienta este mismo bloqueo es modesta: no intentes abarcar todo el idioma esta tarde; toma las 10 frases que oíste a medias a lo largo de esta semana, aísla su pronunciación real y practica su sonido hasta que no necesites imaginarlas escritas para saber qué significan.

Ayer por la tarde volví a tener una videollamada con Liam, Priya y el compañero de Austin. Volvió a haber cortes de conexión, Liam volvió a hablar a una velocidad endiablada y el micrófono de Texas siguió sonando hueco. Reconocí sin esfuerzo 3 expresiones que antes se me escapaban entre los dientes, pero hacia el final de la sesión tuve que abrir el micrófono e interrumpir para pedir que repitieran una cifra que no había logrado cazar. Sigo perdiendo trozos de conversación cuando alguien carraspea o se aleja de la mesa. La única diferencia respecto a hace unos meses es que ahora no me quedo asintiendo en falso ante la pantalla: distingo con precisión qué sonido no he logrado registrar, abro la libreta y apunto la palabra para escucharla en cuanto se corte la llamada.