Qué son los deepfakes de audio y por qué son tan peligrosos
Los deepfakes de audio son grabaciones de voz sintetizadas con inteligencia artificial que imitan la voz de una persona real con una fidelidad que puede engañar incluso a quienes conocen bien al hablante. Con menos de tres minutos de audio original, los sistemas actuales de clonación de voz pueden generar una imitación que pasa la mayoría de los test de verificación auditiva humana.
Las aplicaciones para el fraude son directas: suplantar la voz de un ejecutivo para autorizar transferencias, imitar la voz de un familiar en una llamada de emergencia, fabricar declaraciones de figuras públicas que nunca pronunciaron.
El mercado negro de servicios de clonación de voz para fraude ya existe y tiene precios accesibles. Por menos de 100 euros, cualquier persona con intenciones fraudulentas puede obtener una imitación convincente de la voz de cualquier persona que haya hablado en público.
Pindrop: la empresa que detecta deepfakes de audio en tiempo real
Pindrop es la empresa de referencia en detección de deepfakes de audio para entornos empresariales y centros de atención telefónica. Su sistema analiza más de 1.300 características acústicas de cada llamada en tiempo real, buscando señales de síntesis artificial que el oído humano no puede detectar pero que dejan huellas estadísticas consistentes.
El sistema de Pindrop detecta los deepfakes de audio con una precisión superior al 99% en condiciones controladas. En entornos reales, esa cifra baja, pero sigue siendo significativamente superior a cualquier sistema de verificación humana.
En 2025, Pindrop reportó un aumento del 350% en los intentos de fraude con voz sintética respecto al año anterior, lo que da idea de la velocidad a la que este problema está escalando.
Para más contexto sobre la tecnología de síntesis de voz que está detrás de estos sistemas, en ExplicaIA tienes un artículo sobre síntesis de voz donde encontrarás los fundamentos técnicos de esta revolución.
La watermark de audio: marcar la voz desde que se genera
Microsoft, Adobe y ElevenLabs han implementado sistemas de marca de agua digital en el audio generado por sus herramientas de síntesis de voz. La marca de agua es una señal matemática indetectable al oído pero verificable con las herramientas adecuadas, que identifica el contenido como generado artificialmente y, en algunos casos, qué plataforma lo generó.
La Coalition for Content Provenance and Authenticity, de la que forman parte Adobe, Microsoft, Google y otros, trabaja en un estándar abierto de trazabilidad del contenido generado por IA que incluye el audio, similar al que ya existe para imágenes.
El problema es el mismo que con las marcas de agua de texto: un deepfake de audio que ha sido editado, comprimido o retransmitido por distintos canales puede perder la marca de agua original, reduciendo la fiabilidad del sistema en los escenarios de mayor riesgo.
España y la regulación de los deepfakes de audio
El Reglamento Europeo de IA incluye obligaciones específicas de transparencia para los sistemas que generan contenido de audio sintético: los proveedores deben garantizar que el contenido generado esté marcado de forma que sea detectable como artificial. El incumplimiento puede acarrear multas de hasta 15 millones de euros o el 3% de la facturación global.
La Agencia Española de Protección de Datos ha publicado guías específicas sobre el uso de voces sintéticas en el contexto del RGPD, señalando que usar la voz de una persona real sin su consentimiento para generar deepfakes de audio puede constituir una vulneración grave de sus derechos de imagen y privacidad, con independencia de las sanciones específicas del Reglamento de IA.
En ExplicaIA seguimos de cerca este campo, porque los deepfakes de audio son la amenaza de ciberseguridad que más ha crecido en los últimos dos años y para la que menos preparada está la mayoría de la gente.