La voz clonada por teléfono: cómo no la detectará

Un viernes por la tarde de julio, sonó el teléfono en el domicilio de una mujer de 80 años en Kühlungsborn, en la costa báltica de Alemania. La persona que llamaba afirmaba ser médico: su nieta había provocado un grave accidente, había habido una víctima mortal y se necesitaban 30 000 euros de fianza; de lo contrario, iría a prisión. A continuación, una mujer tomó el relevo de la llamada, presentándose como la hija de la víctima. La policía de Rostock escribió en su comunicado del 27 de julio, traducido del alemán: «Su voz se parecía tanto a la de su verdadera hija que la anciana, de 80 años, creyó inicialmente la historia». La jubilada fue a buscar el dinero. De camino a Rostock se encontró con su verdadero nieto, le contó lo sucedido y él llamó a la policía. El asunto nunca pasó de ser un intento.

Nadie sabe si se utilizó una voz clonada. La policía no lo afirma y nadie lo comprobó. Ahí es precisamente donde comienza el problema del que trata este artículo.

Porque lo que todas las columnas de consejos llevan años prometiendo es una respuesta a la pregunta «¿cómo podría haberlo sabido?». Para ello circulan seis señales. Suenan plausibles, están por todas partes y la mayoría de ellas ya no son ciertas.

Las seis señales, analizadas una por una

La fuente de la lista es la página sobre deepfakes publicada por la BSI, la Oficina Federal Alemana de Seguridad de la Información. Es el texto del que todo el mundo ha estado copiando desde entonces.

La página delata su propia antigüedad. En la sección dedicada a las contramedidas, sigue haciendo referencia al «proyecto de reglamento sobre sistemas de IA» de la Comisión Europea, que exigiría el etiquetado. Ese proyecto se convirtió en ley hace mucho tiempo. La Ley de IA entró en vigor el 1 de agosto de 2024, y sus obligaciones en materia de transparencia se aplican desde el 2 de agosto de 2026.

Hay dos aspectos que destacan. En primer lugar, dos de los indicios citados con mayor frecuencia no aparecen en absoluto en la página de la BSI. Ni «ausencia de ruido de fondo» ni «ausencia de sonidos respiratorios» figuran allí. Surgieron a raíz de su repetición, sin que ninguna autoridad ni estudio los haya contrastado jamás.

En segundo lugar, de las cuatro que quedan, el sonido metálico es el más conocido y el más débil.

Por qué desapareció el retraso

La BSI incluye el «retraso perceptible» como un indicio y lo explica técnicamente: un sistema tiene que recibir parte del contenido antes de poder convertirlo. Eso solía ser cierto. Ya no lo es.

Para comprender el motivo, hay que distinguir entre dos diseños, a los que en el lenguaje coloquial se denomina «voz de IA».

Con la conversión de texto a voz (TTS), alguien escribe un texto y el sistema lo lee en voz alta. Con la conversión de voz (VC), una persona habla y el sistema solo cambia el timbre. La entonación, la emoción, la respiración y la capacidad de responder a una pregunta provienen todas de una persona real.

Para una llamada en la que la víctima formula preguntas y llora, solo es viable el segundo diseño. Y funciona en tiempo real. Una medición realizada por la empresa Koe AI en un ordenador de sobremesa convencional sin tarjeta gráfica sitúa la latencia del método LLVC en 19,7 milisegundos, la de QuickVC en 97,6 y la de RVC en 189,8. Una conexión móvil convencional se sitúa entre 100 y 200 milisegundos. Una capa de conversión de 20 milisegundos se desvanece en la línea antes de que nadie pueda oírla.

Esto nos lleva a la cuestión del material de origen. «Tres segundos son suficientes» es la frase que se asocia a esto en todas partes. Proviene de dos fuentes que se confunden entre sí. La más seria es VALL-E, un sistema de Microsoft Research de enero de 2023 que sintetiza a partir de una muestra de tres segundos, aunque medido en grabaciones limpias de audiolibros y de estudio. La más popular es una cifra procedente de un estudio de mayo de 2023 realizado por el proveedor de software de seguridad McAfee, cuya metodología nunca se publicó.

Lo que miden las investigaciones actuales sobre el habla espontánea cotidiana parece más sensato. Un estudio de 2026 realizado por el Centro de Supercomputación de Barcelona indica que se pierde aproximadamente un 31 % de la similitud con el hablante con el sistema F5-TTS cuando el material de referencia se reduce de 7,7 a 5,5 segundos. Con StyleTTS2, además, la salida se vuelve parcialmente ininteligible.

Por lo tanto, la distinción objetiva es la siguiente. Unos pocos segundos bastan para que la voz resulte «reconociblemente similar». Para que «se mantenga durante toda una llamada telefónica» se necesita más; según los datos actuales, entre diez y sesenta segundos de habla continua y nítida. El estudio londinense, cuyos clones realmente no se podían distinguir de las voces reales, utilizó alrededor de cuatro minutos de material de referencia por voz.

Por cierto, el propio BSI lo probó, y ese detalle es más notable que cualquier cifra. Para un vídeo de demostración, la agencia clonó la voz de su propio presidente en aquel momento, Arne Schönbohm. Utilizó unos diez minutos de audio extraídos de vídeos de acceso público que, según sus propias palabras, eran «solo de calidad media». La frase pronunciada por la voz falsa reza así: «No soy real y, por ahora, puede reconocer ese hecho. Sin embargo, a medida que la tecnología madure, le resultará muy, muy difícil». La segunda mitad de esa frase es de lo que trata el resto de este artículo.

La cuestión se plantea de otra manera

En mayo de 2026, Nicolas M. Müller y Wei Herng Choong, del Instituto Fraunhofer de Seguridad Aplicada e Integrada, publicaron el mayor estudio de escucha realizado hasta la fecha sobre este tema. 1.768 participantes, 35.532 valoraciones individuales, 138 sistemas de síntesis de voz, directamente comparables con un estudio de referencia de 2021.

El resultado esperado sería que las personas se hubieran vuelto menos capaces de detectar las falsificaciones. Ese no es el resultado.

En cuanto a las falsificaciones, la precisión se mantiene prácticamente sin cambios, en un 71,2 % frente al 72,9 %. Lo que se ha desplomado es el otro lado. En las grabaciones reales, la precisión cayó del 72,7 % al 64,1 %. Las personas no han empeorado a la hora de detectar la síntesis. Han empeorado a la hora de creer en las voces reales. Los autores lo denominan un «cambio de escepticismo».

En el caso de una llamada telefónica a las once y media de la noche, eso implica algo incómodo. Cualquiera que se proponga escuchar con más atención la próxima vez, en su mayoría, acabará desplazando el umbral a partir del cual desconfía de su propia hija. El consejo de prestar atención al sonido empeora las cosas de forma cuantificable, en lugar de mejorarlas.

Un segundo hallazgo del mismo estudio pone punto y final a las listas de verificación. Los más difíciles de detectar no fueron los exóticos sistemas de investigación, sino los servicios comerciales y los sistemas basados en modelos lingüísticos, con porcentajes que oscilaron entre el 61,3 % y el 65,9 %. Los más fáciles de detectar fueron los métodos más antiguos y técnicamente más sencillos, con un porcentaje que osciló entre el 75,4 % y el 76,8 %. Lo que cualquiera puede reservar con una tarjeta de crédito suena lo más real.

Un artículo de la Universidad Queen Mary de Londres, publicado en PLOS ONE en septiembre de 2025, llega a la misma conclusión. En ese estudio, los clones de voz se consideraron humanos en el 58 % de los casos, mientras que las voces reales, en la misma configuración, lo fueron en el 62 %. Los investigadores subrayan explícitamente que los clones no superan a las voces reales. Su artículo se titula «Los clones de voz suenan realistas, pero no (todavía) hiperrealistas». No suenan más reales que las voces reales. Suenan exactamente igual de reales, y eso es más que suficiente.

Un detector automatizado del estudio del Fraunhofer se mantuvo por encima del 94,5 % en todas las condiciones. Las máquinas siguen percibiendo la diferencia. Las personas, no.

Lo que revelan las cifras alemanas, y lo que no

El 6 de agosto, la Oficina Federal de Policía Criminal de Alemania publicó las cifras de las estadísticas policiales sobre delincuencia de 2025 a petición de la agencia de noticias dpa. Los resultados apuntan en dos direcciones. En el caso de las estafas a los abuelos y las llamadas de pánico, el número de casos descendió de 6.658 a 4.798, aunque las pérdidas siguieron aumentando. En el caso de los falsos agentes de policía, ambas cifras aumentaron, con un incremento de las pérdidas de dos tercios. Esto apunta a un menor número de delitos, pero más selectivos, con importes individuales más elevados.

Y ahora la frase que importa: las estadísticas sobre delincuencia no recogen si la IA estuvo implicada. En el caso de Alemania, no existe ni una sola cifra fiable sobre el número de llamadas intimidatorias realizadas con una voz clonada. Quien haya citado alguna, no la ha medido.

Eso no impide que circulen tales cifras. La cifra más citada, unas pérdidas totales de 10 600 millones de euros, procede de una encuesta realizada a 2 000 consumidores por la Alianza Global contra el Fraude en junio de 2025 y abarca todas las formas de fraude, no el fraude mediante IA. Con el tiempo, se convirtió en una estimación de la Oficina Federal de Policía Criminal y de Europol, que ninguna de las dos agencias facilitó jamás. Lo mismo ocurre con el supuesto medio millón de llamadas fraudulentas que, según se afirma, registró la Agencia Federal de Redes en enero de 2026. Esa cifra procede de una aplicación de identificación de llamadas y recoge las denuncias de su propia base de usuarios.

Lo que las autoridades afirman realmente es más prudente. La Oficina Federal de Policía Criminal declaró a la agencia dpa que simular una voz convincente de un nieto es, traducido del alemán, «posible incluso sin profundos conocimientos técnicos, utilizando sistemas de IA de acceso general». Se trata de una afirmación sobre la posibilidad, no de un informe de un caso concreto. En la página de prevención de delitos de la policía alemana dedicada a las llamadas de pánico, la inteligencia artificial y la clonación de voz no aparecen en absoluto hasta la fecha.

Un caso reciente muestra por qué se justifica la cautela. El 29 de abril de 2026, la policía del Alto Palatinado informó de tres estafas consumadas mediante llamadas de pánico en una sola tarde en Ratisbona y Amberg. Las tres conversaciones se mantuvieron en ruso, dirigidas deliberadamente a jubilados de habla rusa. Alguien que se expresa con soltura en ruso y reacciona con flexibilidad a las preguntas de una persona de 89 años es, sin duda, un ser humano al otro lado del teléfono.

Lo que realmente ayuda

Si escuchar no funciona, la única opción que queda es cambiar de estrategia. Todo lo que resulta eficaz se deriva de esa única idea.

Cuelgue y vuelva a llamar usted mismo. La policía alemana lo explica así en su página web de prevención, traducido del alemán: «Cuelgue inmediatamente. Eso no es una falta de educación, le da un respiro y le permite ordenar sus ideas». Y: «Póngase en contacto con la persona que le ha llamado, o con alguien de su confianza, a través de un número que ya conozca». La última parte es la que importa. No la tecla de rellamada, sino el número de su propia agenda, ya que los números que aparecen en pantalla pueden ser falsificados.

Una palabra clave o una pregunta que solo la persona real pueda responder. La policía recomienda acordar una «palabra clave para identificarse por teléfono», y la policía del Alto Palatinado añade que debe ser fácil de recordar y difícil de adivinar. En su página sobre la estafa a los mayores, la misma autoridad recomienda la variante más segura: «Pregunte a la persona que llama por cosas que solo el familiar o conocido real podría saber». Una palabra clave puede olvidarse en un momento de pánico. El apodo del perro de la familia de 1998 no puede olvidarse, y ningún modelo lingüístico puede adivinarlo, ya que esa información no existe en ningún sitio.

Cabe señalar aquí una salvedad. Quienes llaman responden a las preguntas con llantos, presión por el tiempo y el traspaso de la llamada a un supuesto abogado. No basta con limitarse a preguntar. La secuencia debe ser: colgar y volver a llamar.

Modifique su entrada en la guía telefónica. Este es el consejo más eficaz y menos conocido. En su página sobre la estafa a los abuelos, la policía alemana se muestra inusualmente directa; traducido del alemán: «Los estafadores utilizan las entradas de la guía telefónica para seleccionar a las víctimas de estafas telefónicas. Los nombres propios antiguos o los números de teléfono cortos les indican que detrás de la entrada hay una persona mayor». Cualquiera que desee seguir figurando en la guía debería abreviar su nombre de pila. En la misma página se encuentra un formulario ya preparado para el operador telefónico. Para las víctimas de estafas telefónicas, cambiar el número suele ser gratuito.

No entregue nada y llame al 110 en caso de duda. La recomendación de la policía es más concisa que cualquier explicación: «Nunca entregue dinero ni objetos de valor, como joyas, a desconocidos, ni siquiera a la policía». Denúncielo aunque solo se haya tratado de un intento. Esa es la única forma de detectar los patrones.

La nueva obligación de etiquetado no ayuda en este caso

Las obligaciones de transparencia de la Ley de IA se aplican desde el 2 de agosto de 2026. El 5 de agosto, la oficina de atención al consumidor de Baviera resumió lo que esto significa y mencionó este caso concreto, traducido del alemán: «Esto incluye expresamente las voces sintéticas. Cualquier persona que reciba una llamada o un mensaje de voz creado con una voz clonada debe ser informada de ello».

Formalmente, la obligación recae sobre quien realiza la llamada, y la exención para el uso puramente privado y no profesional no se aplica a una banda que opera con fines comerciales. En la práctica, esto no cambia nada para la víctima. Nadie cumple con una obligación de revelación que frustraría el objetivo del delito. Se aplica por vía administrativa, con multas de hasta 15 millones de euros, contra empresas con domicilio y volumen de negocio, no contra personas que llaman de forma anónima desde el extranjero. En el ámbito del Derecho penal, sigue constituyendo un delito de fraude según el artículo 263 del Código Penal alemán, exactamente igual que antes.

La propia Tatjana Halm, directora de asuntos jurídicos y digitales del centro de asesoramiento al consumidor de Baviera, lo afirma así, traducido del alemán: «Las nuevas normas aportan más transparencia. Pero los estafadores no respetan las normas, por lo que la ausencia de una etiqueta no es garantía de seguridad».

Esa es la frase que sustituye a toda la lista de comprobación. No hay que esperar ninguna etiqueta ni prestar atención a ningún sonido. Solo existe el segundo canal.