Una interfaz cerebro-computadora devuelve el habla y los gestos a una misma conversación

Para una persona que no puede mover los músculos necesarios para hablar o hacer gestos, comunicarse no consiste únicamente en conseguir que las palabras aparezcan en una pantalla. Una frase transmite énfasis, ritmo, acuerdo, duda, ironía y emoción mediante el movimiento, además del sonido. Un asentimiento puede resolver una pregunta antes de que la respuesta termine. Una mano levantada puede interrumpir. Un encogimiento de hombros puede cambiar el sentido de una respuesta breve. Los sistemas convencionales de comunicación asistida pueden conservar el lenguaje literal y, al mismo tiempo, eliminar buena parte de esa expresión que lo acompaña.

Un nuevo estudio de investigadores de la Universidad de California en San Francisco, la UCSF, ofrece un avance relevante porque trata esas señales como una sola tarea comunicativa. El equipo empleó una matriz de electrocorticografía, o ECoG, implantada para registrar la actividad de la corteza motora en personas con parálisis grave. Unos decodificadores basados en aprendizaje automático tradujeron el habla intentada y los gestos intentados de la parte superior del cuerpo en órdenes para un avatar digital de cuerpo completo. Dos participantes pudieron controlar el habla y los gestos conjuntamente, en vez de tener que elegir un canal cada vez.

El resultado es una prueba de concepto, no un dispositivo médico listo para utilizarse. El sistema estaba conectado a equipos externos de procesamiento, requería cirugía cerebral y se probó en un entorno de investigación pequeño. Aun así, aborda un problema que importa en una conversación real: el cerebro no organiza la comunicación como una sucesión de características aisladas. Las palabras, los movimientos faciales, la postura y los gestos de las manos suelen aparecer como un acto coordinado.

Qué demostró realmente el estudio

El artículo, publicado en Nature Neuroscience el 14 de septiembre de 2026, se titula Simultaneous speech and gesture decoding for multimodal communication in paralysis. El equipo, financiado por los NIH, registró la actividad neuronal mientras los participantes intentaban pronunciar frases seleccionadas, realizar gestos conocidos como saludar o levantar el pulgar, y combinar ambas cosas. Los movimientos previstos no tenían que producir un movimiento visible. Las señales relevantes procedían de la corteza motora mientras los participantes intentaban hablar o moverse.

El sistema utilizó esas señales para controlar un avatar personalizado. El avatar podía expresar el habla decodificada y realizar acciones de la parte superior del cuerpo, de modo que los interlocutores recibían algo más que una cadena de texto o una voz sintética. El estudio describe el trabajo como la primera demostración de una interfaz cerebro-computadora, o BCI, capaz de permitir simultáneamente comunicación verbal y no verbal de la parte superior del cuerpo en personas con parálisis. La precisión de esa distinción es importante. Investigaciones anteriores habían mostrado que el habla podía decodificarse, y otros trabajos habían demostrado que las señales neuronales podían controlar un cursor, una extremidad robótica o un gesto concreto. Combinar esos canales es un desafío distinto.

Los investigadores observaron que la expresión simultánea no era simplemente sumar datos del habla a datos de los gestos. Los patrones neuronales registrados durante los intentos combinados diferían de los patrones producidos cuando el habla y los gestos se intentaban por separado. Por eso, un decodificador entrenado únicamente con ejemplos aislados no bastaba. El enfoque más eficaz incorporó datos de entrenamiento en los que los participantes intentaban realizar directamente la conducta combinada.

La consecuencia práctica es clara. Si un sistema pretende ayudar en una conversación, debe aprender cómo se comunica el usuario en la forma que el sistema tendrá que reproducir. Un modelo que aprende por separado la firma neuronal de una palabra y la firma neuronal de un saludo puede fallar cuando la persona intenta decir esa palabra mientras saluda. El acto combinado tiene una estructura propia.

El estudio introduce así una corrección modesta, pero significativa, a una suposición habitual de la ingeniería: la comunicación multimodal no siempre es un conjunto de canales de salida independientes que pueden conectarse al final. La interacción entre los canales puede tener que medirse, modelarse y evaluarse de forma directa.

Por qué los gestos no son un adorno

Es fácil describir el gesto de un avatar como un elemento meramente cosmético. Para muchas personas que dependen de la comunicación aumentativa y alternativa, se acerca más a una parte del mensaje. La conversación humana utiliza señales superpuestas. Mientras forman las palabras, los hablantes modifican el volumen, el ritmo, la expresión facial y el movimiento de las manos. Los oyentes usan esas pistas para inferir si una afirmación es seria, tentativa, amistosa, urgente o si ya ha terminado.

Los sistemas de texto a voz pueden recuperar el contenido literal de una frase, pero a menudo obligan al usuario a construirlo mediante una interfaz más lenta. El seguimiento ocular, por ejemplo, permite seleccionar letras, palabras o frases preparadas sin mover las manos. Es una opción importante, pero puede resultar lenta y agotadora, y por lo general ofrece un margen expresivo más estrecho que la conversación ordinaria. Los NIH describen la comunicación mediante seguimiento ocular como un enfoque estándar actual para algunas personas con parálisis grave, aunque también señalan esas limitaciones.

Una interfaz neuronal que decodifique el habla intentada puede reducir la necesidad de deletrear con un teclado controlado por la mirada. Añadir gestos aporta un beneficio diferente. Puede permitir que el usuario indique el cambio de turno, refuerce una afirmación, responda con un movimiento o comunique una actitud que, de otro modo, tendría que explicar palabra por palabra. La ventaja no es que un avatar parezca futurista. Es que la comunicación puede depender menos de describir verbalmente cada detalle no verbal.

Eso no significa que todas las personas quieran un avatar animado de cuerpo completo. Algunas pueden preferir texto, una voz, una pantalla facial, un cursor o un brazo robótico. La tecnología de comunicación no debería dar por sentado que una forma visible de expresión es deseable para todo el mundo. El logro pertinente es poder decodificar y coordinar más de una señal intencional, dejando que el usuario y los profesionales clínicos decidan qué salidas resultan útiles.

El problema de ingeniería es más difícil que leer una palabra

Decodificar el habla ya es complicado porque hablar es un acto motor rápido. El cerebro envía órdenes coordinadas a los músculos de la lengua, los labios, la mandíbula, la laringe y el sistema respiratorio. En una situación de parálisis, los músculos pueden dejar de ejecutar esas órdenes, pero parte de la actividad neuronal relacionada puede seguir siendo medible. Una matriz ECoG colocada sobre la superficie cortical registra señales eléctricas de una región que participa en esos actos intentados. Después, un decodificador calcula qué pretendía hacer la persona.

La decodificación de gestos añade otra capa de dificultad. El sistema debe distinguir entre movimientos, identificar cuándo comienza y termina un gesto y conectarlo con el momento adecuado del habla. Un gesto conversacional no es solo una categoría como saludar o levantar el pulgar. También importa el momento. Un movimiento de la mano antes de una frase puede señalar énfasis; después de la frase puede indicar que esta ha terminado. Un gesto realizado mientras se habla puede formar parte de una única unidad comunicativa.

El estudio también muestra por qué los datos de entrenamiento no pueden tratarse como un detalle técnico neutral. Durante las sesiones de registro, los participantes realizaron frases concretas y gestos comunes. El decodificador aprendió patrones a partir de ese conjunto restringido de conductas. Un sistema destinado al uso cotidiano tendría que manejar un vocabulario de habla mucho mayor, muchos más gestos, niveles cambiantes de fatiga, estados emocionales distintos y la variación normal entre una sesión y otra. También tendría que reconocer cuándo el usuario no está intentando comunicarse.

Las propias señales cerebrales no son perfectamente estables. Los registros neuronales pueden cambiar por la posición de los electrodos, la respuesta del tejido, el estado de alerta, la medicación, el cansancio y la estrategia que adopta el usuario. Incluso un decodificador sólido puede necesitar calibración o corrección. Un sistema que produzca con seguridad un gesto incorrecto podría resultar más perturbador que uno que simplemente espere una aclaración. Por eso, una evaluación útil debe incluir recuperación de errores, control por parte del usuario y capacidad de cancelar una salida, no solo una cifra destacada de precisión.

Cómo encaja con otros avances recientes

El nuevo estudio aparece después de varios avances que están llevando las interfaces cerebro-computadora más allá de las demostraciones de laboratorio. En julio de 2026, un estudio publicado en Nature Medicine informó de casi dos años de uso independiente y prácticamente diario de una BCI intracortical por parte de un hombre con parálisis y disartria grave causada por esclerosis lateral amiotrófica. El participante utilizó el sistema en casa durante más de 3.800 horas, se comunicó mediante 183.060 frases y alcanzó una media de 56 palabras por minuto en su uso personal. El sistema también permitía controlar un cursor y operar un ordenador.

Ese resultado respondió a una pregunta con la que el campo lleva tiempo lidiando: ¿puede un sistema implantado seguir ofreciendo comunicación útil fuera de una sesión de investigación? El estudio de la UCSF plantea otra: ¿puede la comunicación incluir expresión verbal y no verbal simultánea? Considerados en conjunto, ambos tipos de trabajo sugieren que el progreso no se mide mediante una única carrera hacia un dispositivo perfecto que convierta pensamientos en habla. Existen barreras distintas relacionadas con la velocidad, la estabilidad, el uso en casa, el margen expresivo, la calibración, la seguridad y la autonomía del usuario.

Investigaciones anteriores también han mostrado una decodificación rápida del habla y síntesis directa de audio para personas que no pueden hablar debido a una parálisis. Un resumen de los NIH publicado en 2025 sobre un trabajo de la UCSF describió un sistema que traducía el habla intentada en palabras audibles en menos de un cuarto de segundo para un participante con parálisis de larga duración después de un ictus. Otros trabajos han explorado características expresivas como el volumen y el modo de hablar. El estudio más reciente sobre gestos prolonga esa trayectoria: pasa del sonido del habla hacia la organización motora más amplia de la comunicación.

La comparación ayuda también a mantener el último anuncio en su justa proporción. Un sistema puede resultar extraordinario en un experimento controlado y estar todavía a años de la disponibilidad clínica habitual. El estudio de uso doméstico contó con un participante y un sistema implantado concreto. El estudio sobre habla y gestos simultáneos incluyó a un número pequeño de participantes y un conjunto seleccionado de frases y movimientos. Ninguno de los dos resultados demuestra que una BCI de propósito general esté lista para recetarse de forma amplia.

La limitación más importante es la escala

El resultado central del estudio se obtuvo con tres participantes, dos de los cuales lograron controlar un avatar de cuerpo completo. Es suficiente para demostrar viabilidad, pero no para establecer el rendimiento en la población diversa que podría beneficiarse de esta tecnología. La parálisis puede deberse a ELA, un ictus del tronco encefálico, una lesión de la médula espinal y otras afecciones. La ubicación y extensión del daño, la actividad restante de la corteza motora, la capacidad cognitiva, la fatiga y las preferencias comunicativas variarán de una persona a otra.

Un decodificador entrenado para una persona suele personalizarse porque las señales neuronales cambian mucho entre individuos. La personalización puede mejorar el rendimiento, pero también complica la fabricación, la calibración y el soporte del sistema. Para llevarlo a la práctica clínica haría falta un proceso fiable que cubriera la implantación, el entrenamiento, el uso diario, el mantenimiento y la eventual sustitución o revisión. Ese proceso debería funcionar para usuarios que no cuenten con un gran equipo de investigación cerca.

La salida es además un avatar, no un movimiento biológico restaurado. No es una crítica, sino una descripción precisa de lo que la tecnología hace en la actualidad. La BCI convierte la actividad neuronal en órdenes digitales. No repara las vías de la médula espinal, no restaura la laringe ni devuelve el control voluntario de las extremidades. Un cuerpo digital puede ser valioso, pero plantea decisiones sobre su aspecto, su voz, su ritmo y la manera en que representa al usuario. Esas decisiones deberían estar bajo el control de la persona, no imponerse silenciosamente desde un equipo de software.

El dispositivo actual estaba conectado a unidades externas de procesamiento. Los cables son manejables en un experimento, pero resultan incómodos y potencialmente restrictivos en la vida diaria. Los investigadores afirmaron que planean probar una versión inalámbrica totalmente implantable. Esa prueba futura será importante porque un sistema inalámbrico introduce sus propios requisitos de energía, temperatura, fiabilidad, ciberseguridad, transmisión de datos y mantenimiento seguro. Debe entenderse como la siguiente etapa de ingeniería, no como una prueba de que los problemas ya estén resueltos.

La precisión es solo una parte de la calidad comunicativa

Los investigadores suelen informar de tasas de error de palabras, precisión de clasificación o velocidad de comunicación porque son medidas reproducibles. Son útiles, pero no capturan toda la experiencia de utilizar una prótesis de comunicación. Un dispositivo podría decodificar correctamente muchas palabras y seguir siendo frustrante si interrumpe al usuario, falla cuando está cansado, no puede expresar incertidumbre o dificulta las correcciones. A la inversa, un dispositivo más lento podría ser preferible si ofrece mayor control y produce menos salidas no deseadas.

En un sistema multimodal hacen falta preguntas adicionales. ¿Puede el usuario decidir si se envía un gesto? ¿Puede suprimir un movimiento sin suprimir el habla? ¿Puede corregir una frase y reproducirla después con el énfasis previsto? ¿El avatar realiza el gesto en el momento correcto? ¿Los interlocutores pueden saber cuándo el sistema no está seguro? ¿Qué ocurre cuando el usuario intenta un movimiento que no pertenece al vocabulario del decodificador?

Estas preguntas no son simples detalles de acabado de una interfaz. Afectan a la seguridad, el consentimiento y la independencia. Un sistema neuronal no debería convertir una intención adivinada en una acción irreversible. En la comunicación, el riesgo puede ser social y no físico: un gesto incorrecto puede atribuir al usuario una actitud o un significado que no pretendía expresar. En algunos casos, el diseño más seguro podría consistir en mostrar una orden pendiente y permitir que la persona la confirme. Eso añadiría un retraso, pero también podría proteger la autoría del mensaje.

La privacidad exige una atención parecida. Una BCI de comunicación no lee todos los pensamientos, y el estudio no demuestra una lectura mental sin restricciones. Registra actividad neuronal mientras el participante intenta producir frases y gestos definidos. Aun así, los datos son íntimos, y la frontera entre la salida intencional y la actividad neuronal de fondo debe gestionarse con cuidado. Los usuarios necesitan un control claro sobre cuándo comienza la grabación, qué datos se conservan, quién puede acceder a ellos y si pueden utilizarse para entrenar modelos futuros.

Por qué la buena noticia es práctica, no mágica

La parte más alentadora del resultado no es una afirmación de que la tecnología haya superado la parálisis. Es la evidencia de que los investigadores están midiendo un rasgo real de la comunicación que los sistemas más simples suelen descartar. En lugar de tratar las palabras como el mensaje completo y los gestos como una decoración opcional, el equipo comprobó qué ocurre cuando ambas cosas se intentan al mismo tiempo. El hallazgo de que la expresión combinada posee su propia firma neuronal ofrece un objetivo concreto para los futuros diseñadores.

Este tipo de avance puede acumularse. Comprender mejor las señales neuronales combinadas puede orientar el entrenamiento de los decodificadores. Decodificadores mejores pueden sostener interfaces más naturales. Interfaces más naturales pueden revelar qué formas de respuesta valoran realmente los usuarios. Los estudios prolongados en casa pueden sacar a la luz problemas invisibles durante una sesión breve de laboratorio. Con el tiempo, esas lecciones pueden guiar ensayos clínicos más seguros y equipos más duraderos.

Los beneficiarios probables son personas que conservan la intención de comunicarse, pero han perdido el control fiable del habla, las manos u otros movimientos visibles. La tecnología podría ayudar algún día a algunas personas con ELA, ictus del tronco encefálico y afecciones relacionadas, pero la elegibilidad no puede deducirse de un comunicado de prensa. La implantación es invasiva, y el equilibrio entre el riesgo quirúrgico, el beneficio potencial, la carga de entrenamiento y las alternativas disponibles será distinto en cada caso.

Por ahora, la conclusión responsable es más limitada. Un equipo dirigido por la UCSF ha demostrado que una BCI implantada puede decodificar el habla intentada y los gestos de la parte superior del cuerpo como una comunicación simultánea y coordinada en un grupo pequeño de personas con parálisis. El trabajo acerca el campo a una expresión más rica y aporta pruebas de que la decodificación multimodal debe entrenarse como una conducta multimodal. Todavía no ofrece un sustituto listo para usar del habla, una cura para la parálisis ni un método de comunicación universal.

Esa combinación de promesa y cautela explica por qué el resultado merece atención en las noticias tecnológicas. La mejora puede medirse: en una misma interacción es posible representar algo más que palabras. La incertidumbre restante también está a la vista: estudios pequeños, hardware invasivo, cables, personalización, calibración y un largo camino hasta el uso clínico independiente. El progreso resulta más útil cuando ambas partes de esa afirmación se mantienen intactas.

Fuentes

La información principal procede del comunicado de los National Institutes of Health sobre una neuroprótesis capaz de habilitar simultáneamente el habla y el lenguaje corporal y del artículo de Nature Neuroscience, “Simultaneous speech and gesture decoding for multimodal communication in paralysis”, publicado el 14 de septiembre de 2026.

Como contexto se consultaron el registro de PubMed del estudio “Long-term independent use of an intracortical brain-computer interface for speech and cursor control”, el resumen de los NIH sobre la restauración del habla natural después de una parálisis mediante una interfaz cerebro-computadora y la revisión “The speech neuroprosthesis” publicada en Nature Reviews Neuroscience y disponible a través de PubMed Central.