Deepfakes y voces clonadas: cómo proteger tu identidad cuando ver ya no es creer

Introducción: de la voz confiable a la identidad sintética

La voz se ha tratado durante décadas como una señal relativamente estable para reconocer a una persona. La clonación generativa altera esa premisa al producir habla sintética a partir de muestras breves y con barreras técnicas cada vez menores (Chen et al., 2025; Wang et al., 2025). El problema no se limita a distinguir grabaciones auténticas de falsificadas: afecta al acceso a servicios, a la reputación y al control sobre una característica vinculada con la identidad. Los estudios recientes muestran que tanto los oyentes como los sistemas automáticos pueden aceptar voces clonadas, incluso cuando la muestra procede de escenarios realistas (AlAli & Theodorakopoulos, 2025; Wang et al., 2025). Por ello, la protección no puede descansar en que una voz o un rostro parezcan convincentes. Requiere separar identificación, autenticación, procedencia y consentimiento, y distribuir la seguridad entre varias capas.

La voz como biometría vulnerable: suplantación, intimidad y pérdida de control identitario

De rasgo biométrico distintivo a material reutilizable para la clonación

La voz biométrica combina rasgos acústicos, hábitos articulatorios y estilos de habla que permiten asociar una señal con una persona. Esa asociación deja de ser fiable cuando modelos de síntesis pueden aprender la identidad vocal a partir de pocos segundos o de material publicado, sin que la persona haya participado en el entrenamiento (Hong et al., 2026; Kodulkar et al., 2026). El cambio técnico convierte una característica que antes se observaba en un recurso que puede copiarse, transformarse y redistribuirse. La exposición pública de entrevistas, vídeos y mensajes de voz amplía así la superficie de extracción de atributos vocales (Chen et al., 2025).

La voz tampoco es únicamente un identificador técnico. La literatura filosófica y psicológica la vincula con dimensiones sociales, personales y expresivas de la identidad (Leuenberger, 2025; McGettigan et al., 2025). Esa pluralidad genera una tensión jurídica: la voz puede tratarse como una propiedad asociada al yo o como un activo explotable, pero ambas categorías no ofrecen la misma protección (Berkowitz & Sweeney, 2025). La dificultad aumenta cuando una autorización para usar una grabación se interpreta como permiso para generar nuevas frases, contextos o intenciones.

Fraude, chantaje y daños psicológicos asociados a las identidades vocales sintéticas

La falsificación vocal permite imitar a familiares, empleados, clientes o responsables institucionales en llamadas y mensajes. La evidencia experimental indica que técnicas de clonación de última generación lograron engañar tanto a sistemas de autenticación como a oyentes humanos, y que la edad y el género de la persona imitada tuvieron efectos sutiles sobre el ataque (Wang et al., 2025). El fraude puede combinarse con ingeniería social, porque una voz familiar reduce la sospecha inicial y acelera decisiones que normalmente exigirían confirmación.

El daño tampoco termina cuando se descubre el engaño. La clonación puede utilizarse para chantaje, difamación o producción de mensajes que atribuyen conductas inexistentes a una persona (Leuenberger, 2025). La investigación psicológica sobre la percepción de la propia voz y de voces familiares sugiere que la reproducción sintética de una identidad vocal puede afectar la experiencia de autonomía y reconocimiento personal (McGettigan et al., 2025). Además, un experimento con 951 participantes mostró que descubrir un deepfake redujo la credibilidad atribuida a los medios y alteró la percepción de capacidad para distinguir contenidos auténticos, incluso entre quienes habían visto material real (Weikmann et al., 2024). La pérdida de control sobre la voz, por tanto, tiene efectos económicos, reputacionales y psicológicos que exceden el momento de la suplantación.

La autenticación biométrica frente a los ataques de voz clonada y los deepfakes multimodales

Vulnerabilidades de la autenticación por voz en banca, dispositivos y sistemas empresariales

La autenticación por voz transforma una semejanza acústica en una decisión de acceso. Esa decisión resulta vulnerable porque los sistemas de verificación pueden aceptar síntesis construidas con muestras pequeñas, mientras los detectores de suplantación fallan al cambiar el método generativo (Hong et al., 2026). Una evaluación a gran escala sobre sistemas abiertos y comerciales encontró amenazas severas para la autenticación vocal y para el juicio de oyentes humanos, junto con fallos de métodos avanzados de detección (Wang et al., 2025). Otro estudio sistemático informó que modelos de clonación entrenados con pocas muestras podían superar verificadores comerciales y que el rendimiento de los detectores descendía fuera del método de síntesis conocido (Hong et al., 2026).

El riesgo afecta a servicios bancarios, dispositivos inteligentes y sistemas empresariales porque la voz puede utilizarse como factor de acceso o como confirmación durante una llamada (Fazeeha, 2025). Una tasa elevada de acierto en condiciones ordinarias no equivale a resistencia frente a ataques de presentación. Los modelos neuronales también pueden sufrir ejemplos adversarios y envenenamiento de datos, con consecuencias para usuarios individuales y para la seguridad del sistema (Li et al., 2025). La revisión sobre cumplimiento de ISO/IEC 15408 señala, además, una adopción limitada de métricas alineadas con estándares y una integración insuficiente entre evaluación de seguridad y detección de ataques (Pradnyana et al., 2025).

Ataques parciales, presentación adversaria y dificultades de generalización ante amenazas inéditas

Los ataques de habla parcialmente falsa sustituyen solo segmentos de una señal o insertan contenido sintético dentro de una locución auténtica. Esa composición reduce la utilidad de buscar una artificialidad uniforme: el contexto, el timbre y parte de la prosodia pueden proceder de la persona real. Los resultados experimentales muestran que tanto los oyentes como los reconocedores de hablante y los detectores existentes pueden ser engañados por este tipo de ataque (AlAli & Theodorakopoulos, 2025). La defensa debe localizar alteraciones dentro del mensaje, no limitarse a clasificar el archivo completo.

La generalización constituye un problema distinto de la precisión dentro del conjunto de entrenamiento. Los detectores pueden aprender artefactos propios de una familia de modelos, de un idioma, de un micrófono o de una calidad de compresión, y perder rendimiento ante una síntesis nueva (Chauhan et al., 2025; Hong et al., 2026). En sistemas multimodales, la modalidad dominante puede ocultar fallos de otra señal, mientras sensores como profundidad o infrarrojo sufren cambios de dominio (Lin et al., 2025). La investigación sobre identidades no observadas intenta combinar información visual, auditiva y lingüística, pero sus resultados en escenarios de identidad cero y de pocos ejemplos siguen siendo modestos (Yoon et al., 2024). La defensa debe asumir que el atacante puede modificar solo una modalidad, una región temporal o el canal de presentación.

Detección, trazabilidad y autenticación del contenido sintético

Detectores de audio y vídeo: señales acústicas, aprendizaje profundo e interacción multimodal

La detección de contenido sintético se apoya en señales acústicas, espectrogramas, tono, pausas, inconsistencias de frecuencia y ruido introducido por el generador (Fazeeha, 2025). Las revisiones describen una evolución desde rasgos espectrales y prosódicos diseñados manualmente hacia redes profundas y métodos autosupervisados, con modelos híbridos que combinan espectrogramas, tono y mecanismos de atención (Chauhan et al., 2025). Estos indicadores pueden funcionar en condiciones controladas, pero su estabilidad disminuye con compresión, ruido, lenguas con pocos recursos y ataques adaptativos (Chauhan et al., 2025).

La señal visual añade información sobre sincronía labial, temporalidad y coherencia entre rostro y habla. Un sistema de dos fases que combinó MFCC, Mel-espectrogramas y clasificación convolucional con análisis de vídeo obtuvo mayor fiabilidad que el análisis de audio aislado en vídeos con voz clonada (Kodulkar et al., 2026). La explicación no es que el vídeo sea auténtico, sino que una falsificación debe mantener coherencia entre canales que pueden haberse generado o editado por separado. Los modelos de interacción multimodal incorporan rasgos visuales, auditivos y lingüísticos para detectar identidades no presentes durante el entrenamiento (Yoon et al., 2024). Sin embargo, las mejoras comunicadas en escenarios de identidad cero y de un solo ejemplo no eliminan la incertidumbre, porque dependen de conjuntos de datos limitados y de condiciones de evaluación específicas.

Marcas de agua tímbricas, marcas semifrágiles y límites de los clasificadores actuales

Las marcas de agua desplazan parte de la defensa desde la inferencia posterior hacia la autenticación de origen. Timbre Watermarking inserta información en el dominio frecuencial de la voz y repite la inserción para resistir preprocesamientos comunes, con una capa de distorsión destinada a representar diversos ataques de clonación (Liu et al., 2024). Su finalidad no es demostrar que toda voz sin marca sea falsa, sino dificultar que una voz protegida se utilice como fuente de imitación. La propuesta comunica resistencia frente a eliminación reconstructiva, sobrescritura y varios servicios de clonación, aunque la eficacia depende de que la señal original haya sido marcada antes de su difusión (Liu et al., 2024).

En imágenes y vídeo, FaceSigns emplea una marca semifrágil que debe sobrevivir a compresión, escalado y ajustes benignos, pero dejar de ser recuperable después de una manipulación maliciosa (Neekhara et al., 2024). En el conjunto de manipulaciones estudiado, el método alcanzó un AUC de 0,996, dato que describe ese protocolo y no una garantía universal frente a generadores desconocidos (Neekhara et al., 2024). Las marcas ofrecen una prueba positiva de procedencia cuando se conservan, mientras los clasificadores intentan inferir autenticidad a partir de rastros que pueden desaparecer. Ninguna de las dos estrategias resuelve por sí sola la captura inicial, la redistribución sin marca o la edición híbrida. Por ello, detección, procedencia y verificación independiente deben tratarse como funciones diferentes.

Consentimiento, percepción pública y gobernanza de la identidad vocal

Consentimiento verificable y derecho a controlar la propia voz

El consentimiento verificable debe especificar quién puede clonar una voz, con qué finalidad, durante cuánto tiempo y en qué contextos. Los modelos actuales de autorización genérica no resuelven si una persona aceptó generar frases nuevas, simular emociones o distribuir el resultado a terceros (Berkowitz & Sweeney, 2025). La propuesta Deepfake Me integra una confirmación de consentimiento y firmas digitales inspiradas en cadenas de bloques dentro del flujo de clonación (Brintha et al., 2025). Ese mecanismo vincula la autorización con una operación concreta, aunque su valor jurídico dependerá de la identidad del autorizante, la revocación y la auditoría del uso posterior.

La gobernanza debe reconocer que la voz contiene atributos personales reutilizables y que la extracción puede producir daños aunque no se copie una grabación completa (Chen et al., 2025). Las discusiones jurídicas estadounidenses analizadas por Berkowitz y Sweeney muestran que los litigios oscilan entre apropiación de identidad y explotación de un producto, sin resolver la tensión entre ambas concepciones (Berkowitz & Sweeney, 2025). La regulación debería proteger el control sobre usos derivados, no solo sobre archivos originales.

La brecha entre la percepción pública del riesgo y la comprensión experta

La confianza pública no coincide con la evaluación técnica del riesgo. Un estudio mixto con profesionales y participantes no expertos encontró mayor dependencia de biometría por conveniencia, mientras los expertos expresaban preocupación por la suplantación de modalidades estáticas como rostro y voz (He et al., 2025). También identificó diferencias demográficas y sectoriales en conciencia y confianza, con mayor escepticismo entre profesionales financieros (He et al., 2025). La educación debe explicar procedimientos de verificación y límites de la evidencia, no prometer que una persona puede reconocer siempre una falsificación por el oído. Tras ser engañados, los usuarios pueden desconfiar tanto del contenido falso como del auténtico (Weikmann et al., 2024), lo que convierte la comunicación de incidentes en una medida de seguridad institucional.

Síntesis: una estrategia de protección basada en capas y no en la confianza visual o auditiva

Separar la identificación personal de la autenticación basada únicamente en voz o rostro

La identificación responde a quién parece producir una señal; la autenticación decide si esa señal basta para conceder acceso. Confundir ambas funciones induce a tratar una semejanza estadística como prueba de voluntad, presencia o autorización. La evidencia sobre clonación muestra que la voz puede imitarse y presentarse a sistemas diseñados para reconocer hablantes (Hong et al., 2026; Wang et al., 2025). Por consiguiente, voz y rostro deben considerarse señales auxiliares, no credenciales únicas para operaciones de alto impacto.

Una arquitectura más resistente separa el reconocimiento biométrico de factores que el atacante no puede obtener de una grabación. Estos factores pueden incluir una confirmación independiente, un dispositivo vinculado, una credencial criptográfica o una acción dinámica cuyo contexto sea verificable. La revisión de sistemas biométricos recomienda defensas frente a ataques de presentación y una transición hacia autenticación multifactor (Hong et al., 2026). La propuesta de combinar señales dinámicas, gobernanza de datos y educación también responde a la diferencia entre riesgo experto y percepción pública (He et al., 2025).

Combinar detección, procedencia, verificación independiente y respuesta ante incidentes

La defensa por capas debe comenzar antes de la generación, mediante minimización de datos vocales, anonimización cuando sea compatible con el servicio y consentimiento registrado (Brintha et al., 2025; Chen et al., 2025). Durante la recepción, los sistemas pueden aplicar detectores acústicos, análisis audiovisual y comprobación de marcas, sin convertir una puntuación automática en una decisión incuestionable (Chauhan et al., 2025; Liu et al., 2024). Después, una operación sensible debe activar verificación por un canal independiente y registrar la procedencia del contenido.

El flujo resultante puede representarse así:

La respuesta debe contemplar bloqueo, preservación de evidencias, notificación y recuperación de cuentas. Las marcas de agua pueden facilitar atribución de origen, pero no sustituyen la detección de ataques ni la revisión humana (Liu et al., 2024; Neekhara et al., 2024). Los detectores, a su vez, requieren actualización frente a métodos inéditos y evaluación fuera de distribución (Hong et al., 2026). Esta combinación reduce la dependencia de una sola señal y prepara el paso hacia estándares que midan seguridad en condiciones reales.

Brechas de la evidencia: límites de la detección y necesidades de investigación aplicada

Falta de estándares consolidados para escenarios reales, ataques desconocidos y contenidos híbridos

La evidencia disponible todavía se concentra en conjuntos de datos, modelos y condiciones de evaluación que no representan toda la variabilidad de llamadas, idiomas, dispositivos y canales. Las revisiones señalan problemas de generalización, restricciones de privacidad, coste computacional e interpretabilidad (Chauhan et al., 2025). Los detectores de audio presentan una brecha entre el rendimiento dentro del dominio conocido y la robustez ante nuevas técnicas de síntesis (Hong et al., 2026). Los ataques parciales y los contenidos híbridos exigen protocolos que evalúen segmentos, sincronía y decisiones operativas, no solo clasificación binaria del archivo completo (AlAli & Theodorakopoulos, 2025).

La normalización debe conectar métricas técnicas con criterios de seguridad y con estándares como ISO/IEC 15408, cuya adopción aparece todavía limitada (Pradnyana et al., 2025). También faltan evaluaciones comparables sobre marcas de agua, anonimización, detectores y autenticación multifactor en una misma cadena de ataque.

Protección jurídica y social insuficiente frente al uso no consentido de voces clonadas

La investigación jurídica aún no ofrece una categoría estable para la voz como identidad, dato y objeto comercial (Berkowitz & Sweeney, 2025). Las consecuencias psicológicas, reputacionales y económicas pueden producirse antes de que exista una resolución sobre titularidad o infracción (Leuenberger, 2025). Se necesitan procedimientos de retirada, reparación y atribución que funcionen con rapidez, además de reglas claras sobre consentimiento, revocación y usos derivados. Sin estas garantías, la mejora técnica puede coexistir con una distribución persistente del daño.

Conclusión: reconstruir la confianza sin volver a depender de una sola señal

La clonación de voz demuestra que la apariencia de autenticidad no prueba identidad ni autorización. Los sistemas actuales pueden ser engañados por síntesis completa, ataques parciales y combinaciones audiovisuales (AlAli & Theodorakopoulos, 2025; Wang et al., 2025). La respuesta más defendible separa identificación y autenticación, protege los datos vocales, exige consentimiento verificable, incorpora procedencia y combina detección con factores independientes. Las marcas y los clasificadores aportan evidencias distintas, ambas limitadas ante amenazas inéditas (Chauhan et al., 2025; Neekhara et al., 2024). Reconstruir la confianza exige aceptar esa incertidumbre, comunicarla a los usuarios y diseñar procesos que sigan siendo seguros cuando ver u oír ya no baste.

References

• AlAli, A., & Theodorakopoulos, G. (2025). Partial fake speech attacks in the real world using deepfake audio. Journal of Cybersecurity and Privacy, 5(1), 6. https://doi.org/10.3390/jcp5010006
• Berkowitz, A. E., & Sweeney, M. E. (2025). Look who’s talking: Voice cloning as tension point between identity and data. Philosophy & Technology, 38(4). https://doi.org/10.1007/s13347-025-00965-7
• Brintha, N. C., Chakravarthi, M. S. D. J., Reddy, N. P., Teja, E. V. S., & Jithendra, N. (2025). ‘Deepfake me’-ai based voice cloning with consent verification to prevent audio misuse. In International Conference on Automation, Computing and Renewable Systems (ICACRS) (pp. 903–910). https://doi.org/10.1109/icacrs67045.2025.11324420
• Chauhan, S., Sethi, K., & Anand, A. (2025). Audio deepfakes detection: A comprehensive literature review of voice cloning fraud detection techniques. In IEEE International Symposium on Sustainable Energy, Signal Processing and Cyber Security (iSSSC) (pp. 1–5). https://doi.org/10.1109/isssc66652.2025.11388760
• Chen, L., Lee, K. A., Ling, Z.-H., Wang, X., Das, R. K., Toda, T., & Li, H. (2025). Speaker privacy and security in the big data era: Protection and defense against deepfake [Preprint]. In arXiv (Cornell University). https://doi.org/10.48550/arxiv.2509.06361
• Fazeeha, M. (2025). Deep fake defender: AI-Based detection of deepfake voice attacks in real-time voice authentication systems. International Journal for Research in Applied Science and Engineering Technology, 13(8), 1061–1064. https://doi.org/10.22214/ijraset.2025.73592
• He, S., Lei, Y., Zhang, Z., Sun, Y., Li, S., Zhang, C., & Ye, J. (2025). Identity deepfake threats to biometric authentication systems: Public and expert perspectives [Preprint]. In arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.06825
• Hong, M., Jiang, D., Xie, Z., Zhao, W., Wang, G., & Zhang, C. (2026). Vulnerabilities of audio-based biometric authentication systems against deepfake speech synthesis [Preprint]. In arXiv (Cornell University). https://doi.org/10.48550/arxiv.2601.02914
• Kodulkar, Prof. Rajeshwari. J., Bhasme, S., Rajput, S., Shaikh, N., & Yarakadavar, R. (2026). AI-Based detection of cloned voices in deepfake videos. International Journal on Advanced Computer Theory and Engineering, 15(1), 175–180. https://doi.org/10.65521/ijacte.v15i1.2936
• Leuenberger, M. (2025). The role of the voice for identity and implications for voice cloning technology. Philosophy & Technology, 38(4). https://doi.org/10.1007/s13347-025-00969-3
• Li, K., Baird, C., & Lin, D. (2025). Can we trust your voice? exploring vulnerabilities in voice authentication (pp. 1–8). https://doi.org/10.1109/ccnc54725.2025.10975995
• Lin, X., Liu, A., Yu, Z., Cai, R., Wang, S., Yu, Y., Wan, J., Lei, Z., Cao, X., & Kot, A. C. (2025). Reliable and balanced transfer learning for generalized multimodal face anti-spoofing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(9), 7608–7625. https://doi.org/10.1109/tpami.2025.3573785
• Liu, C., Zhang, J., Zhang, T., Yang, X., Zhang, W., & Yu, N. (2024). Detecting voice cloning attacks via timbre watermarking. In Network and Distributed System Security Symposium. https://doi.org/10.14722/ndss.2024.24200
• McGettigan, C., Bloch, S., Bowles, C., Dinkar, T., Lavan, N., Reus, J. C., & Rosi, V. (2025). Voice conversion and cloning: psychological and ethical implications of intentionally synthesising familiar voice identities. Journal of the British Academy, 13, 0. https://doi.org/10.5871/jba/013.a31
• Neekhara, P., Hussain, S., Zhang, X., Huang, K., McAuley, J., & Koushanfar, F. (2024). FaceSigns: Semi-fragile watermarks for media authentication. ACM Transactions on Multimedia Computing Communications and Applications, 20(11), 1–21. https://doi.org/10.1145/3640466
• Pradnyana, I. W. W., Rania, K. A., Permadi, F., & Saputra, R. M. (2025). Biometric authentication systems in the deepfake era: A systematic review of ISO 15408 compliance and presentation attack mitigation. International Conference on ICT for Smart Society (ICISS), 1–6. https://doi.org/10.1109/iciss66954.2025.11389531
• Wang, K., Chen, M., Lü, L., Feng, J., Chen, Q., Ba, Z., Ren, K., & Chen, C. (2025). From one stolen utterance: Assessing the risks of voice cloning in the AIGC era. In Proceedings – IEEE Symposium on Security and Privacy/Proceedings of the … IEEE Symposium on Security and Privacy (pp. 4663–4681). https://doi.org/10.1109/sp61157.2025.00238
• Weikmann, T., Greber, H., & Nikolaou, A. (2024). After deception: How falling for a deepfake affects the way we see, hear, and experience media. The International Journal of Press/Politics, 30(1), 187–210. https://doi.org/10.1177/19401612241233539
• Yoon, J., Panizo-LLedot, Á., Camacho, D., & Choi, C. (2024). Triple-modality interaction for deepfake detection on zero-shot identity. Information Fusion, 109, 102424. https://doi.org/10.1016/j.inffus.2024.102424