Escuchar una voz implica mucho más que identificar las palabras que pronuncia. El cerebro procesa su tono, ritmo, timbre y distintas variaciones del sonido para reconocer que estamos escuchando a alguien hablar. También utiliza esa información para distinguir entre personas y comprender la intención de un mensaje.
Las voces generadas mediante inteligencia artificial pueden reproducir muchas de esas características. Algunas conservan la semejanza con una persona determinada; otras han sido creadas para sonar naturales sin imitar a alguien en particular. Cuando una voz artificial reúne suficientes rasgos del habla humana, podemos percibirla como auténtica.
El cerebro interpreta las características acústicas que recibe, pero esa interpretación no siempre permite determinar de dónde procede realmente la grabación.
Del oído a las regiones cerebrales que procesan las voces
El sonido comienza como una vibración que viaja por el aire. Al llegar al oído interno, la cóclea transforma esas vibraciones en señales nerviosas que se transmiten hacia el cerebro. La información pasa por distintas estaciones del sistema auditivo hasta alcanzar la corteza cerebral, donde se analizan características como las frecuencias, los cambios temporales y los patrones que forman el habla.
En el lóbulo temporal existen regiones particularmente importantes para procesar voces humanas. Estudios de resonancia magnética funcional han identificado áreas sensibles a los sonidos vocales en el giro temporal superior y el surco temporal superior, estructuras situadas en ambos hemisferios cerebrales.
Estas regiones responden de manera diferente ante las voces y otros sonidos del entorno. Participan en una red distribuida que permite analizar características vocales y reconocer identidades, junto con otras áreas relacionadas con la percepción y el conocimiento de las personas.
Este procesamiento es extraordinariamente complejo. El cerebro debe encontrar cierta estabilidad en una voz que nunca suena exactamente igual: una persona cambia de volumen, velocidad, emoción e incluso de manera de hablar dependiendo de la situación.
Las características que hacen reconocible una voz
La voz humana contiene información producida por la vibración de las cuerdas vocales y la resonancia del tracto vocal. De esa combinación surgen diferencias que podemos percibir entre hablantes.
Una de ellas es la frecuencia fundamental, relacionada con nuestra percepción de una voz más grave o aguda. También interviene el timbre, que permite distinguir voces con alturas semejantes, así como los patrones de entonación, duración y ritmo del habla.
Nuestro sistema auditivo analiza estas características de manera conjunta. Identificar a quien habla requiere reconocer una combinación relativamente estable de rasgos, incluso cuando cambian las palabras o las condiciones de grabación. Los modelos actuales de generación de voz pueden reproducir algunas de esas regularidades acústicas. Una voz artificial puede mantener un timbre consistente, generar entonaciones naturales e incorporar variaciones en la pronunciación y el ritmo.
Por tal motivo, una grabación sintética puede contener señales que nuestro sistema perceptivo asocia habitualmente con el habla humana. Reconocer esas características no equivale a comprobar que las produjo una persona.
Los experimentos muestran hasta dónde llega nuestra percepción
En marzo de 2025, investigadores de la Universidad de California en Berkeley y otras instituciones publicaron en Scientific Reports una serie de estudios sobre el realismo de las voces clonadas.
Cuando los participantes compararon grabaciones reales con versiones sintéticas, juzgaron que ambas pertenecían a la misma identidad aproximadamente el 80% de las veces. En otra tarea, identificaron correctamente las voces generadas mediante IA alrededor del 60% de las ocasiones.
Los resultados muestran dos cuestiones distintas. Una voz clonada puede parecerse lo suficiente a la original para que reconozcamos la misma identidad y, al mismo tiempo, resultar difícil determinar si la grabación fue generada artificialmente.
Otra investigación, publicada en PLOS ONE en septiembre de 2025, comparó voces humanas, voces artificiales genéricas y clones de personas reales. En uno de sus experimentos, los participantes clasificaron como humanas el 58% de las presentaciones de voces clonadas, frente al 62% de las grabaciones humanas. La diferencia no fue estadísticamente significativa bajo las condiciones de esa prueba.
Sin embargo, las voces artificiales genéricas resultaron más fáciles de distinguir. Los investigadores tampoco encontraron evidencia de que las voces sintéticas fueran percibidas sistemáticamente como más reales que las humanas. Los porcentajes corresponden a tareas, muestras y materiales específicos. No representan una tasa universal de detección: el desempeño puede cambiar según la calidad de la voz, el contenido y las condiciones de escucha.
Reconocer las características de una voz humana no significa conocer el origen de la grabación.
El cerebro reconoce señales, pero el origen es otra pregunta
Aquí aparece una distinción científica importante. Percibir que un sonido tiene características humanas, reconocer una identidad y establecer si una grabación es auténtica son tareas diferentes.
La primera depende del análisis de las propiedades acústicas. La segunda incorpora representaciones de las voces que hemos aprendido a distinguir. La tercera requiere información sobre el origen del audio que no siempre está presente en sus características sonoras.
Las investigaciones sobre reconocimiento vocal muestran que intervienen redes cerebrales distribuidas, con participación destacada de regiones temporales y conexiones con otras áreas. Los experimentos con voces sintéticas, por su parte, permiten medir qué tan bien las personas distinguen grabaciones humanas y artificiales.
Pero dichos experimentos de escucha no demuestran por sí mismos qué mecanismos neuronales específicos producen cada confusión. Para responder esa pregunta se necesitan investigaciones que relacionen directamente el comportamiento con la actividad cerebral. La percepción humana tampoco funciona como un detector diseñado para clasificar grabaciones según la tecnología con la que fueron producidas.
Nuestra capacidad auditiva se desarrolló para interpretar sonidos, reconocer hablantes y participar en la comunicación.
Una nueva pregunta para la ciencia de la voz
La generación de voces artificiales ofrece a los investigadores nuevas formas de estudiar la percepción humana. Permite comparar sonidos que conservan características vocales semejantes, modificar algunos de sus rasgos y observar cuáles influyen más en nuestros juicios.
Estos experimentos pueden ayudar a comprender tanto las capacidades del cerebro como sus límites frente a sonidos creados artificialmente. También abren preguntas sobre la relación entre naturalidad, identidad y origen: una voz puede parecernos humana, recordarnos a alguien específico y haber sido generada completamente por un sistema de IA.
La ciencia comienza a medir esas diferencias. Escuchar una voz sigue siendo una experiencia humana compleja, y determinar su procedencia requiere algo más que reconocer cómo suena.
▏
Desde la investigación
- NIH / NIDCD. Explica el recorrido del sonido desde el oído hasta el cerebro.
- Nature, 2000. Identifica regiones cerebrales sensibles a las voces humanas mediante resonancia magnética funcional.
- Scientific Reports, 2025. Investiga el reconocimiento de voces clonadas y su identificación como artificiales.
- PLOS ONE, 2025. Compara el realismo percibido de voces humanas y sintéticas en experimentos de escucha.
- PLOS ONE, 2023. Estudia la detección de voces artificiales con 529 participantes.