La inteligencia artificial ya puede generar voces y vídeos casi indistinguibles de humanos, y los delincuentes las utilizan para engañar a personas, haciéndose pasar por empresas o instituciones y tratando de obtener dinero.
Detectar estas voces sintéticas requiere más que notar un ‘sonido robótico’: la clave está en identificar las huellas algorítmicas que delatan un deepfake.
Señales prácticas para detectar voces sintéticas
El profesor Josep Curto, de los Estudios de Informática, Multimedia y Telecomunicación de la Universitat Oberta de Catalunya (UOC), explica cómo reconocer un audio generado por IA en tiempo real, tanto en llamadas como en videollamadas.
Según Curto, los errores más frecuentes no están en el timbre de la voz, sino en la prosodia: entonación, acento, ritmo, intensidad, pausas y latencias que resultan poco naturales.
Para un test rápido, recomienda romper la inercia del modelo: pedir repetir frases inesperadas, introducir ruido de contexto o intercalar interrupciones cortas.
Si persisten entonación antinatural o latencias uniformes, conviene aplicar un callback a un número verificado y comprobar una safe word, una palabra clave acordada previamente.
Cinco señales fiables de voz sintética
- Prosodia no natural: pausas uniformes o mal situadas, tonos monótonos, saltos bruscos. La mala conexión produce cortes, pero la voz sigue teniendo entonación humana.
- Artefactos espectrales: siseos, brillo anómalo, audio demasiado limpio. El ruido de red fluctúa, los artefactos de IA son consistentes.
- Desajuste labios-voz: retrasos constantes o microanomalías en videollamadas. La mala red genera desfases irregulares, pero los movimientos faciales siguen siendo naturales.
- Microgestos extraños: parpadeo escaso, mirada fija, sombras e iluminación planas, cabello/orejas con píxeles raros. Las congelaciones por mala red se ven distintas.
- Latencia sospechosa: demoras regulares o cambios bruscos sin motivo. La red deficiente produce latencias irregulares, no tan uniformes como los deepfakes.
Detectores y marcas de agua: herramientas útiles pero no infalibles
- Detección forense: analiza rasgos acústicos para reconocer patrones de entrenamiento de IA. Herramientas como VerificAudio o los detectores de ElevenLabs ofrecen precisión, pero varían según idioma y modelo de IA.
- Marcas de agua (watermarking): etiquetan el audio generado, como AudioSeal (Meta) o SynthID (Google). Son útiles para identificar contenido manipulado, pero dependen de su adopción y pueden alterarse con compresión o edición.
Cuatro buenas prácticas para proteger la voz
- Consentimiento y privacidad: no compartir grabaciones sin propósito claro; revisar asistentes virtuales y desactivar almacenamiento continuo.
- Autenticación multifactor (MFA): establecer códigos o frases anti-deepfake rotativas y contextuales.
- Gestionar la huella vocal pública: limitar audios largos en abierto; usar bitrate bajo o música de fondo.
- Tecnologías de anulación/ruido blanco: dispositivos o software que interfieren con micrófonos, con alcance y costo limitados.
ABC práctico para empresas y administraciones
- A. Confirma quién habla: usa una safe word y verificación humana o supervisada.
- B. Rompe el guion: realiza un callback a un número verificado, nunca al número entrante. Si todo coincide, la autenticidad es probable.
- C. Deja rastro y escala: registra hora, señales sospechosas y eleva el caso a ciberseguridad o legal.
“La mejor defensa es el escepticismo humano, complementado con verificación por un segundo canal y menor exposición de tu voz en público”, concluye Curto.
