Cómo la IA de texto a voz se volvió lo bastante buena para engañar al oído

Tres segundos. Eso es, aproximadamente, lo que necesita hoy un modelo moderno de clonación de voz para producir una copia convincente de la voz de alguien: suficiente para extraerla de un simple Reel de Instagram, un mensaje de contestador o una videollamada de trabajo grabada sin pensarlo dos veces. Hace dos años, la misma hazaña requería minutos de audio de estudio impecable y aun así sonaba levemente artificial en los bordes: una cadencia demasiado plana aquí, una respiración mal colocada allá. En 2026, las costuras casi han desaparecido. La tecnología mejoró casi al mismo ritmo en que la gente dejó de poder notar la diferencia, y ambas mitades de esa frase alimentan ahora dos historias distintas en curso de colisión: una industria de contenidos legítima que avanza hacia voces sintéticas más expresivas y útiles, y una crisis de seguridad que nadie había planeado del todo.

Eleven v3 y el giro emocional

ElevenLabs construyó su reputación sobre la fidelidad del clonado, pero el lanzamiento más consecuente de este ciclo no trata de cuán fielmente una voz reproduce una muestra, sino de qué puede hacer esa voz una vez clonada. Eleven v3, al que la empresa llama su modelo de texto a voz más expresivo hasta la fecha, introdujo etiquetas de audio insertadas en el propio texto: instrucciones entre corchetes como [whispers], [sighs], [laughs] o [excited] que un guionista puede colocar directamente dentro del guion para dirigir la entonación a mitad de frase, del mismo modo que una acotación teatral dirige a un actor. Una sola voz puede pasar de un aparte susurrado a un grito de sobresalto y volver, sin sonar como dos personas distintas empalmadas —un problema que arrastraban las generaciones anteriores de TTS, que tendían a fijar un único registro emocional por clip y quedarse ahí—. La propia presentación de ElevenLabs para v3 no oculta la ambición: voces que “suspiran, susurran, ríen y reaccionan”, pensadas para la narración de audiolibros, los diálogos de videojuegos y el doblaje de cine, ámbitos donde una lectura plana y sin inflexión siempre ha sido la señal delatora de que algo era obra de una máquina. El modelo cubre ahora más de 70 idiomas, y el crecimiento de la empresa ha seguido ese salto: ElevenLabs superó los 500 millones de dólares de ingresos anualizados en mayo de 2026, meses después de una ronda serie D de 500 millones de dólares que la llevó de lleno al territorio de los unicornios.

Un terreno que ElevenLabs ya no tiene en solitario

La historia más interesante de 2026 es cuánto se ha llenado la cima de la clasificación. La contribución de OpenAI ni siquiera vino de un modelo de TTS independiente: en mayo de 2026 la empresa lanzó GPT-Realtime-2 junto con dos modelos complementarios, GPT-Realtime-Translate y GPT-Realtime-Whisper, fusionando lo que antes era un proceso de tres pasos (transcribir, traducir, resintetizar) en un único sistema de voz a voz con un razonamiento de nivel GPT-5. El efecto práctico es un agente de voz capaz de seguir una instrucción complicada, invocar una herramienta a mitad de la conversación y responder con habla natural y expresiva sin pasar nunca por texto intermedio; y GPT-Realtime-Translate ya puede traducir habla en vivo desde más de 70 idiomas de origen a 13 idiomas de destino, al ritmo del hablante, un caso de uso genuinamente distinto del TTS de narración.

En el terreno de los modelos de pesos abiertos se dio el movimiento más sonoro hasta ahora: Fish Audio liberó su modelo S2 como código abierto en marzo de 2026, un sistema de 4.400 millones de parámetros entrenado con más de 10 millones de horas de audio en más de 80 idiomas, y hoy encabeza la clasificación de escucha a ciegas de TTS-Arena, es decir, un modelo descargable gratuitamente supera, según esa medida, a competidores de pago, incluido el propio ElevenLabs. Inworld AI se ha hecho con la corona equivalente en la clasificación de Artificial Analysis con su modelo Realtime TTS 1.5 Max, y el modelo Sonic de Cartesia ha reducido la latencia de streaming a unos 100 milisegundos, lo bastante rápido como para que la respuesta de un agente de voz parezca llegar en el mismo aliento que la pregunta, sin pausa de procesamiento perceptible. Nada de esto destrona a ElevenLabs, que sigue siendo la referencia en matices emocionales y en la profundidad de su biblioteca de voces, pero “la mejor voz sintética” dejó, en el último año, de ser una afirmación de un solo proveedor. Ahora es una disputa a tres bandas entre expresividad, latencia y apertura, y según el eje que un producto realmente necesite, los desarrolladores eligen ganadores distintos.

Cuando ya no se puede confiar en el oído

Todo ese progreso significa que la frase “reconocería esa voz en cualquier parte” ha dejado de ser cierta en silencio, y las consecuencias ya han superado con creces la preocupación puramente académica. El FBI atribuyó el año pasado unos 893 millones de dólares en pérdidas a estafas potenciadas por IA en general, y el fraude por clonación de voz —la llamada “soy la abuela, estoy en un aprieto, envía dinero”, ahora ejecutada por un modelo entrenado con apenas unos segundos de audio público en lugar de por una persona imitando un acento de forma tosca— representa una porción de ese total que crece con rapidez y causa un daño desproporcionado, y los informes sugieren que los adultos mayores de 60 años absorben la mayor parte de esas pérdidas. Investigadores de seguridad que encuestaron al público en 2026 hallaron que aproximadamente uno de cada cuatro estadounidenses afirma haber recibido una llamada con una voz clonada, y casi la mitad dice que ya no puede distinguir de forma fiable una voz sintética de una real por teléfono, exactamente la población que una llamada de estafa está diseñada para explotar.

La respuesta institucional ha sido igual de reveladora. La biometría de voz —“tu voz es tu contraseña”, el argumento de venta que bancos y centros de atención telefónica repitieron durante casi una década— está siendo activamente retirada en 2026 como capa de seguridad independiente, y las instituciones financieras avanzan hacia una verificación por capas que trata la coincidencia de voz como una señal más entre varias, no como prueba suficiente por sí sola. Los proveedores de detección se han apresurado a llenar ese vacío: herramientas como Resemble Detect y los productos de detección de deepfakes de Pindrop ya forman parte de los flujos de trabajo de los centros de atención telefónica, intentando marcar audio sintético en tiempo real, y pruebas independientes han mostrado que algunos detectores superan el 95% de precisión en condiciones controladas —alentador, pero una cifra que aún deja margen real para que un clon bien elaborado se cuele, especialmente fuera del laboratorio—. Para las personas, el consejo que repiten las agencias de seguridad es casi deliberadamente de baja tecnología: colgar y volver a llamar a un número que ya se conoce de antemano, y acordar con antelación una palabra clave familiar —una que nunca se haya publicado en línea y no pueda adivinarse a partir de un perfil público—, porque ninguna escucha por atenta que sea logrará distinguir lo que un modelo construido específicamente para ser indistinguible.

Dos curvas, una misma tecnología

Lo que hace extraño este momento no es que la IA de voz haya mejorado —toda tecnología generativa lo hace según su propio calendario—, sino que las mejoras que se entregan a narradores de audiolibros y estudios de videojuegos son exactamente las mismas mejoras que arman a quien llama haciéndose pasar por el nieto de alguien. El rango emocional de Eleven v3, la fluidez conversacional de GPT-Realtime-2, el alcance multilingüe de bajo costo de Fish Audio: cada uno es un avance de producto legítimo y bien documentado, y cada uno reduce a la vez el listón para una llamada fraudulenta que antes exigía verdadero talento actoral. No existe una versión de esta tecnología que conserve la calidad narrativa y pierda el riesgo de suplantación, porque se trata de la misma capacidad apuntada a guiones distintos. La respuesta a corto plazo de la industria no consistirá en empeorar las voces sintéticas —ese barco ya zarpó—, sino en asegurarse de que nadie tenga que confiar en una sola voz para saber quién está realmente al otro lado de la línea.

Fuentes: Eleven v3: Most Expressive AI TTS Model Launched, Introducing gpt-realtime and Realtime API updates for production voice agents, Advancing voice intelligence with new models in the API, Most Realistic AI Voices 2026 — Fish Audio, Americans lost nearly $900 million to AI-powered scams, FBI says, AI ‘voice cloning’ scams are on the rise — CNN