Cuando se habla de contenido falsificado con inteligencia artificial, la imaginación suele ir directo al video: un rostro que se mueve de forma extraña, una sincronización labial imperfecta. Pero la evidencia disponible muestra que el audio clonado es, en muchos sentidos, la amenaza más difícil de detectar, tanto para las personas como para las herramientas automatizadas.
Lo que dicen los estudios sobre la percepción humana
Un estudio de la University College London (UCL), publicado en la revista PLOS ONE, evaluó a 529 personas en su capacidad de distinguir habla real de habla generada sintéticamente, en inglés y en mandarín. El resultado: los participantes identificaron correctamente el audio artificial solo el 73% de las veces, y la propia autora del estudio, Kimberly Mai, advirtió que las muestras evaluadas eran relativamente antiguas para los estándares actuales, por lo que los clones de voz de hoy son, casi con certeza, aún más difíciles de detectar. Otras mediciones recientes ubican la precisión humana para detectar audio de alta calidad generado por IA por debajo del 30%, e incluso cerca del 24,5% en algunos estudios.
Por qué el oído es más fácil de engañar que el ojo
A diferencia del video, donde el cerebro humano cuenta con arquitectura neuronal especializada para procesar rostros —afinada durante millones de años de evolución—, no existe un mecanismo equivalente tan robusto para detectar anomalías en una voz. Además, la tecnología de clonación de voz necesita muy poca materia prima: basta con apenas tres a diez segundos de audio de una persona —una nota de voz, un fragmento de una entrevista, una intervención pública— para generar un clon convincente de su voz.
El problema se agrava con la compresión
Las pruebas técnicas muestran que la detección automática también se debilita en condiciones reales. Un audio falso que un detector identifica con facilidad en un archivo limpio se vuelve mucho más difícil de señalar después de pasar por una llamada de WhatsApp o una línea telefónica de baja calidad, donde la compresión elimina parte de las señales que delatan la manipulación. Herramientas comerciales como Resemble AI o Pindrop rinden bien en audio limpio, pero su precisión cae de forma notable en escenarios con ruido de fondo o compresión, que son, precisamente, las condiciones más comunes en la vida real.
La implicación práctica
Como la detección por oído y por herramientas automáticas tiene límites reales, la defensa más efectiva frente a una llamada o nota de voz sospechosa —sobre todo si pide dinero, urgencia o secreto— no es «escuchar con más atención», sino verificar por un canal distinto: llamar de vuelta al número conocido de la persona, o confirmar por otro medio antes de actuar.
Fuentes
– Adaptive Security, «AI Deepfake Trends 2025-2026: Threats, Detection & Defense» — https://www.adaptivesecurity.com/blog/ai-deepfake-trends-the-complete-2025-2026-guide-to-statistics-threats-detection-and-defense-stra
– Kunal Ganglani, «3 Deepfake Voice Detectors Tested: One Failed [2026]» — https://www.kunalganglani.com/blog/deepfake-voice-detection-tools-tested
– SQ Magazine, «AI Voice Cloning Fraud Statistics 2026» — https://sqmagazine.co.uk/ai-voice-cloning-fraud-statistics/
– SoftwareSeni, «How AI Voice Cloning and Deepfake Technology Actually Works» — https://www.softwareseni.com/how-ai-voice-cloning-and-deepfake-technology-actually-works/
– Fortune, «2026 will be the year you get fooled by a deepfake, researcher says» (Siwei Lyu, UB Media Forensic Lab) — https://fortune.com/2025/12/27/2026-deepfakes-outlook-forecast/
