A comparação entre os sistema fonadores infantil e adulto revela várias diferenças importantes, decorrentes da anatomia do tracto vocal. Por exemplo, na criança a pequena dimensão da laringe condiciona directamente a tessitura e o volume vocais. A capacidade vital dos pulmões é também menor nas crianças o que implica uma incapacidade em sustentar frases longas cantadas.
Muito embora esta capacidade leve tempo a estabilizar, qualquer criança com desenvolvimento normal consegue cantar (Welch, 2006). O seu tracto vocal, no início da escolarização, está ainda relativamente restringido, com grandes diferenças individuais em termos de capacidade. No entanto, apesar da voz da criança continuar a mudar ao longo da infância e adolescência (cf. Welch, 1998), parece ser possível identificar diferenças nas vocalizações de bebés em resposta à música e à linguagem (Reigado, 2009).
O estudo da voz cantada, sobretudo em idade infantil, não pode pois ser guiado pelos mesmos critérios empregues na análise da voz adulta. Tal não invalida que se utilize, da análise acústica da voz adulta, alguns procedimentos de quantificação da qualidade vocal, no que respeita a parâmetros do sinal sonoro, nomeadamente, periocidade, amplitude, duração e composição espectral (Guimarães, 2007). Sugere-se porém que, na análise da voz cantada infantil, se combinem esses procedimentos com outras características evidenciadas nos estudos comparativos entre música e linguagem, anteriormente analisadas.
Por outro lado, é comum que, entre os pais ou entre os adultos que orientam sessões de música com bebés, surjam interrogações em torno das vocalizações produzidas por estes. Tais vocalizações serão imitações do material musical escutado? Estará o bebé a cantar ou, simplesmente, a interagir vocalmente num contexto comunicativo mais lato? Serão as vocalizações produto da percepção imaginativa dos adultos? Estamos, pois, perante um dos problemas mais delicados da metodologia de observação, isto é, a fiabilidade, tanto do observador como das observações. Inovações importantes no âmbito da análise e registo acústicos da voz têm neutralizado este problema.
Neste sentido, vários autores interessados no estudo acústico do sinal da fala têm recorrido a programas informáticos desenvolvidos por equipas de linguistas. O programa Praat (Boersma & Weenink, 2006) tem sido utilizado com sucesso nos últimos anos, permitindo analisar parâmetros como a frequência e comprimendo de onda, intensidade e duração do sinal, tanto na voz falada (por exemplo, Frota, Vigário e Martins, 2002), como na voz cantada (por exemplo, Stegemöller et al., 2008).
Os estudos acústicos apoiados na análise feita com este tipo de recurso informático, permitem, em primeiro lugar, um grau de aprofundamento e detalhe que dificilmente se alcançaria pela análise, exclusivamente, perceptiva. Uma investigação profunda dos contornos melódicos, das alturas tonais ou da duração dos elementos vocalizados não seria possível recorrendo apenas aos nossos ouvidos. Por outro lado, em grande parte da literatura científica analisada, constata-se que nas análises feitas por musicologistas, pouco é dado a conhecer acerca da forma como as transcrições são produzidas, havendo uma margem
considerável de dúvida acerca da possível interferência de subjectividade do investigador nesse mesmo processo (veja-se, nomeadamente, o caso de Tafuri & Villa, 2002). Quando esta transcrição é produzida por um programa de computador, podemos, pelo menos, conhecer o modo como é feito, uma vez que o código de programação é público.
Tal como referido anteriormente, a linha de F0 da voz falada é bastante sinuosa, constrastando com a trajectória de F0 na voz cantada (Patel, 2008). No entanto, recentemente têm sido desenvolvidos sistemas de análise da entoação, nos quais os contornos de F0 são delineados através de sequências de tons separados. Um desses sistemas baseia-se na abordagem autossegmental métrica (AM) de Pierrehumbert (1980; citada por Patel, 2008) para a descrição da entoação. Nesta abordagem, três entidades tonais distintas formam o contorno entoacional de cada elemento vocalizado, a saber: acento tonal, acento da frase e tons de fronteira (op. cit., tradução do autor). Os contornos de F0 da voz falada são entendidos como o resultado da deslocação entre alguns pontos muito precisos, quer no tempo, quer em termos tonais (op. cit., p. 207).
Para Mertens (2004a) a percepção auditiva de variações de altura dos sons depende de muitos outros factores para além da variação da frequência fundamental (F0). Nesse sentido, o autor propõe um modelo alternativo ao de Pierrehumbert, desenvolvendo a aplicação Prosogram (Mertens, 2004b). Produzido como aplicativo anexo ao programa Praat, o Prosogram tem como objectivo fornecer uma representação da entoação. Esta aplicação produz uma representação que visa capturar os padrões de altura de melodia de voz percebidos (ou seja, uma estilização com base em princípios perceptivos). A vocalização analisada pela aplicação é sujeita a quatro transformações perceptivas, especificamente: segmentação silábica e em núcleos vocálicos; um limiar para a detecção de movimento dentro de uma sílaba ou o limite de glissando; um limiar para a detecção de um mudança na inclinação de um movimento melódico numa sílaba; integração temporal de F0 dentro de uma sílaba (Patel, 2008).
De acordo com Patel, Iversen e Rosenberg (2006) e Patel (2006), o Prosogram é uma ferramenta adequada para o estudo comparativo da música e da linguagem, uma vez que produz linhas estáveis e curvas representativas da altura do som. Em termos práticos, esta aplicação permite comparar a entoação da fala com a melodia musical, possibilitando a aplicação de medidas estatísticas relativas à altura tonal ou a padrões de intervalos entre os sons presentes na vocalização.
Em suma, o conjunto de estudos analisados parece mostrar que os bebés estão muito longe de serem sujeitos passivos relativamente ao mundo em que vivem. Pelo contrário, sabemos hoje que, desde o nascimento, o cérebro humano possui aptidões excepcionais de adaptação à realidade. Entre as inúmeras capacidades em aquisição, a competência auditiva é evidente em recém nascidos que, de forma precoce, demonstram capacidades de localização, memória e percepção de elementos sonoros e também uma preferência inequívoca por determinados timbres, frequências sonoras e, em particular, géneros musicais específicos (como as canções de embalar).
Nesse contexto, os pais e os adultos cuidadores de crianças, são tidos como professores competentes da língua materna, mediante intervenções educativas não- conscientes e intuitivas, repletas de musicalidade. Ao mesmo tempo, considera-se que o potencial para a aprendizagem musical é máximo por altura do nascimento, pelo que os primeiros anos de vida são cruciais para estabelecer as bases de um desenvolvimento permanente.
Por outro lado, os sons vocais podem ver as suas características alteradas nos mesmos parâmetros acústicos (altura, timbre, ritmo, melodia, etc.), tanto para fins comunicativos, como musicais. A fala e a música vocal representam categorias diferentes, mas a inter-relação profunda entre ambas, torna a sua separação difícil.