Cuando se pidió a 172 personas que separaran voces reales de voces generadas por IA, acertaron solo el 53,95% de las veces, apenas por encima de lanzar una moneda al aire, mientras que los mismos participantes clasificaron correctamente los rostros el 65,48% de las veces (Ivory et al., Scientific Reports 2026, en prensa). Los clones de personas reales engañan a los oyentes incluso en la identidad: la precisión al emparejar cayó del 86,98% para voces naturales al 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024). Entre 1.212 participantes y tres conjuntos de datos de deepfakes ampliamente usados, la precisión humana promedió el 73% (Warren et al., ACM CCS 2024), y aun así el clásico valle inquietante, la caída de comodidad cuando algo es casi, pero no del todo, humano, apenas aparece en el habla sintética por sí sola. Reunimos datos de PLOS One, Scientific Reports, Communications Biology, eNeuro, el ISCA Archive, Frontiers, ACM CCS, i-Perception y dos encuestas del sector de 2026. Para los parámetros de las pruebas de escucha que respaldan la síntesis de voz moderna, consulta nuestras estadísticas de naturalidad y MOS del habla sintética y, para los errores de entonación y acento que aún delatan a las voces sintéticas, nuestras estadísticas de errores de prosodia en TTS neuronal.
TL;DR
- Los oyentes clasificaron correctamente voces reales frente a sintéticas el 53,95% de las veces, frente al 65,48% en el caso de los rostros (Ivory et al., Scientific Reports 2026).
- La confianza no acompañó a la precisión en las voces: AUROC 0,48, donde 0,5 significa ninguna percepción (Ivory et al., Scientific Reports 2026).
- Los clones de voz se etiquetaron como humanos en 0,70, las grabaciones reales en 0,72 y las voces de IA genéricas en 0,39 (Lavan et al., PLOS One 2025).
- La precisión humana media en tres conjuntos de datos de deepfakes fue del 73% con 1.212 participantes (Warren et al., ACM CCS 2024).
- El emparejamiento de identidades cayó del 86,98% para voces naturales al 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024).
- Cuanto más humana era una voz TTS, más agradable se valoró: r(203) = 0,48; p < 0,001 (Ross, Corley y Lai, Speech Prosody 2024).
- Las combinaciones desajustadas de rostro y voz se valoraron como más inquietantes que las coincidentes, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011).
- Una voz humana elevó la simpatía de un personaje virtual a 3,75 frente a 2,99 con una voz robótica (Choi et al., IEEE ISMAR-Adjunct 2023).
- Tras enterarse de que la locución que oyeron era de IA, el 25% de los oyentes de radio se sintió más favorable y el 20% menos favorable (Crowd React Media 2026).
- La familiarización basada en ejemplos elevó la detección de deepfakes apenas un 3,84% de media (Mai et al., PLOS ONE 2023).
- El 67% de los adultos de EE. UU., el Reino Unido y la región DACH teme que clonen su voz (Malwarebytes 2026, encuesta de proveedor).
1. Detección: Con Qué Frecuencia los Oyentes Distinguen las Voces de IA de las Humanas
El titular no es que la gente falle, sino que el fallo es específico del oído. Los mismos participantes que superaron con holgura el azar con los rostros obtuvieron un 53,95% con las voces (IC del 95% = [52,64; 55,27]) en un estudio preregistrado de la Lancaster University que puso a prueba ambos sentidos lado a lado (Ivory et al., Scientific Reports, en prensa). Ser bueno detectando rostros falsos no decía nada sobre ser bueno detectando voces falsas: los autores no encontraron una capacidad general de detección que sirviera para ambos sentidos.
El formato de la tarea mueve las cifras más que la habilidad del oyente. Cuando investigadores de la UCL reprodujeron un fragmento cada vez, 529 oyentes acertaron el 70,35% de las veces, pero cuando se escucharon juntos un fragmento genuino y un deepfake, el falso se reconoció en el 85,59% de los ensayos (Mai et al., PLOS ONE 2023). La vida real rara vez ofrece el fragmento de comparación. La antigüedad del conjunto de datos también importa: en el estudio de la University of Florida con 1.212 participantes, la precisión osciló entre el 65% en el conjunto Wavefake y el 81% en FakeAVCeleb.
| Métrica | Valor | Fuente |
|---|---|---|
| Voces reales frente a sintéticas clasificadas correctamente (172 participantes, 40 voces reales y 40 sintéticas) | 53,95% (IC del 95% = [52,64; 55,27]) | Ivory et al., Scientific Reports 2026 (en prensa) |
| Rostros reales frente a generados por IA clasificados correctamente por los mismos participantes | 65,48% (IC del 95% = [63,75; 67,21]) | Ivory et al., Scientific Reports 2026 (en prensa) |
| Clasificaciones correctas al juzgar un fragmento cada vez (n = 529, inglés y mandarín) | 70,35% | Mai et al., PLOS ONE 2023 |
| Deepfake reconocido al escucharlo junto a un fragmento genuino (tarea de dos fragmentos) | 85,59% de los ensayos | Mai et al., PLOS ONE 2023 |
| Precisión humana media en tres conjuntos de datos de deepfakes (1.212 participantes) | 73% | Warren et al., ACM CCS 2024 |
| Precisión media en el conjunto más difícil (Wavefake) frente al más fácil (FakeAVCeleb) | 65% frente a 81% | Warren et al., ACM CCS 2024 |
| Clones de voz de IA identificados correctamente como IA (muestra de Prolific con 604 participantes en dos estudios) | cerca del 60% | Barrington, Cooper y Farid, Scientific Reports 2025 |
| Sensibilidad del oyente (d prima) al separar voces de IA genéricas de voces humanas frente a clones de voz de voces humanas (n = 50) | 2,93 frente a 0,13 | Lavan et al., PLOS One 2025 |
Nota de contexto: d prima (d’) es una puntuación de sensibilidad de la teoría de detección de señales en la que 0 significa que el oyente no puede separar las dos categorías en absoluto. Los deepfakes de Mai et al. procedían de algoritmos relativamente antiguos, como señalan los propios autores; datos más recientes disponibles para la comparación de un fragmento frente a dos: Mai et al., PLOS ONE 2023.
2. Clones de Voz: Cuando la Copia Pasa por la Persona
Una voz de IA genérica todavía suena a producto. Un clon de una persona concreta, no, y ahí es donde el oído humano se rinde. Investigadores de la Queen Mary University of London construyeron sus clones con unos 4 minutos de grabaciones por hablante usando una herramienta comercial de clonación, y los oyentes etiquetaron esos clones como humanos a una tasa de 0,70, frente a 0,72 de las grabaciones reales (Lavan et al., PLOS One 2025). El veredicto de los autores es preciso: los clones suenan reales, pero todavía no «hiperreales», como sí pueden parecerlo los rostros de IA, que a veces parecen más reales que los reales. Cuán poco audio necesita hoy un clon se sigue en nuestras estadísticas de audio de referencia para la clonación de voz zero-shot.
La identidad es la segunda prueba, y los clones la superan la mayor parte del tiempo. En un estudio de la UC Berkeley, los participantes juzgaron que una voz de IA tenía la misma identidad que su contraparte real aproximadamente el 80% de las veces (Barrington, Cooper y Farid, arXiv v2, publicado en Scientific Reports 2025). En un estudio de neuroimagen de la University of Zurich que usó frases alemanas de dos palabras (el estímulo del estudio incluía ‘Er fällt’, que en alemán significa ‘Él cae’), el emparejamiento de identidades cayó del 86,98% para voces naturales al 68,94% para deepfakes (Roswandowitz et al., Communications Biology 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Proporción de voces etiquetadas como ‘humanas’: clones de voz frente a grabaciones humanas reales frente a voces de IA genéricas (Experimento 2, n = 50 adultos del Reino Unido) | 0,70 frente a 0,72 frente a 0,39 | Lavan et al., PLOS One 2025 |
| Puntuación media de realismo: voces de IA genéricas frente a clones de voz frente a grabaciones humanas reales | 47,4 frente a 63,0 frente a 63,8 | Lavan et al., PLOS One 2025 |
| Clon de IA juzgado como de la misma identidad que el hablante real | aproximadamente el 80% de las veces | Barrington, Cooper y Farid, Scientific Reports 2025 |
| Correlación entre la duración del fragmento y la precisión de los juicios de naturalidad | ρ de Spearman = 0,245 | Barrington, Cooper y Farid, Scientific Reports 2025 |
| Precisión en el emparejamiento de identidades: pares de voces naturales frente a un deepfake emparejado con una voz natural (n = 25) | 86,98% frente a 68,94% | Roswandowitz et al., Communications Biology 2024 |
| Ensayos con deepfake: omisiones frente a falsas alarmas | 28,64% frente a 29,86% | Roswandowitz et al., Communications Biology 2024 |
Nota de contexto: el equipo de Queen Mary realizó tres experimentos con 50 participantes del Reino Unido cada uno, de entre 18 y 65 años y reclutados en Prolific. En el estudio de Zúrich, una omisión significa que un deepfake fue aceptado como el hablante real, y una falsa alarma significa que se rechazó una identidad correcta; las tasas casi iguales muestran que los oyentes adivinaban en ambas direcciones en lugar de inclinarse hacia un solo lado.
3. ¿Existe un Valle Inquietante para las Voces?
El valle inquietante visual predice que la comodidad cae justo antes de que un rostro artificial se vuelva plenamente humano. Para el habla sintética, la mayoría de los datos apuntan en sentido contrario: cuanto más cerca de lo humano, mejor. En un estudio de Frontiers in Neurorobotics, 95 adultos valoraron dos voces sintéticas (IBM Watson y el robot Sophia) y una voz humana, y una mayor semejanza humana predijo una menor inquietud en ambas voces sintéticas. Un equipo de Edimburgo halló que la semejanza humana y la agradabilidad estaban correlacionadas positivamente, r(203) = 0,48; p < 0,001, pero ninguna voz TTS alcanzó el 50% de semejanza humana, de modo que la parte alta de la curva, donde estaría un valle, nunca se puso a prueba (Ross, Corley y Lai, Speech Prosody 2024).
Cuando un valle sí aparece, proviene de la desviación y no de la artificialidad. Diel y Lewis hallaron un valle inquietante vocal provocado por voces distorsionadas y patológicas, y concluyeron que «las voces sintéticas escapan de él con éxito» (Computers in Human Behavior Reports 2024). Para quien elige una voz con un generador de voz con IA, eso es una regla práctica: una entrega inusual, forzada o con fallos es más arriesgada que una claramente sintética.
| Métrica | Valor | Fuente |
|---|---|---|
| Valoración de semejanza humana: voz TTS más humana (rango de tono exagerado) frente a grabación humana (205 oyentes) | 46,1 frente a 71,5 | Ross, Corley y Lai, Speech Prosody 2024 |
| Valoración de inquietud: la misma voz TTS frente a grabación humana | 40,4 frente a 28,9 | Ross, Corley y Lai, Speech Prosody 2024 |
| Correlación entre semejanza humana y agradabilidad | r(203) = 0,48; p < 0,001 | Ross, Corley y Lai, Speech Prosody 2024 |
| La semejanza humana como predictor de la inquietud en dos voces sintéticas (95 adultos) | β = −0,64 y β = −0,66, p < 0,001 | Kühne, Fischer y Zhou, Frontiers in Neurorobotics 2020 |
| Voces en un estudio de simpatía frente a semejanza humana (25 oyentes): voces masculinas en alemán de 5 enfoques de síntesis más un control humano | 13 | Baird et al., Interspeech 2018 |
| Participantes en dos experimentos que ubicaron un valle inquietante vocal en voces desviadas | n = 50 y n = 35 | Diel y Lewis, Computers in Human Behavior Reports 2024 |
| Participantes en un estudio con asistente de voz en el que la apariencia humana aumentó la inquietud | 34 | Zhao, Chen y Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Exposiciones hasta que aumentó el agrado por una voz humana desconocida (frases habladas, 238 estudiantes universitarios) | 8 | Mavromati, Erdinch y Paterson, preprint en PsyArXiv 2025 |
Nota de contexto: Baird et al. hallaron que la simpatía aumentaba con la semejanza humana, lo opuesto al valle inquietante visual (Interspeech 2018); datos más recientes disponibles para esa comparación entre generaciones de síntesis, y el estudio de Kühne et al. es de 2020. En el estudio con asistente de voz, la inquietud provenía de la apariencia humana, no de la voz. El preprint de Mavromati y colegas puso a prueba voces humanas reales: las oídas 2 o 5 veces gustaron menos que las nunca oídas, una ‘U’ invertida que los autores llaman valle inquietante de las voces ‘familiarmente desconocidas’.
4. Desajuste entre Rostro y Voz: Dónde Aparece Realmente el Valle
Si las voces por sí solas rara vez caen en el valle, las combinaciones sí. La prueba fundacional combinó una figura robótica o humana con una voz coincidente o desajustada, y las dos combinaciones desajustadas se valoraron como más inquietantes que las dos coincidentes, t(47) = 6,042; p < 0,001 (Mitchell et al., i-Perception 2011). La figura humana con voz sintética fue la más inquietante de las cuatro condiciones. La lección de diseño que extrajeron los autores sigue vigente: haz coincidir el realismo humano del rostro con el de la voz.
Trabajos más recientes muestran que la voz suele dominar la impresión. En un estudio de realidad virtual, una voz humana aumentó la simpatía y la seguridad percibida de un personaje, mientras que la apariencia en sí no tuvo un efecto significativo sobre la simpatía (Choi et al., IEEE ISMAR-Adjunct 2023). Con la cabeza robótica Furhat, el ajuste de rostro y voz cambió la calidez de la primera impresión, pero el efecto dejó de ser significativo después de que los participantes interactuaran con el robot (Huang y Moore, Frontiers in Robotics and AI 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Valoración de inquietud: figura humana con voz sintética frente a figura humana con voz humana (48 participantes nacidos en EE. UU.) | M = 0,19 frente a M = −1,10 | Mitchell et al., i-Perception 2011 |
| Valoración de inquietud: figura robótica con voz humana frente a figura robótica con voz sintética | M = −0,10 frente a M = −0,60 | Mitchell et al., i-Perception 2011 |
| Combinaciones desajustadas frente a coincidentes de rostro y voz (prueba t pareada) | t(47) = 6,042; p < 0,001 | Mitchell et al., i-Perception 2011 |
| Simpatía de un personaje virtual: voz humana frente a voz robótica (21 participantes) | 3,75 frente a 2,99 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Semejanza humana percibida (antropomorfismo) de un personaje virtual: voz humana frente a voz robótica | 3,18 frente a 2,58 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Calidez de la primera impresión: ajustes de rostro y voz infantil frente a adulto frente a robótico (52 participantes, 156 muestras) | 3,37 frente a 2,60 frente a 2,06 | Huang y Moore, Frontiers in Robotics and AI 2024 |
| Efecto del ajuste de rostro y voz sobre la calidez antes de la interacción | F(2,147) = 16,75; p < 0,001 | Huang y Moore, Frontiers in Robotics and AI 2024 |
Nota de contexto: en el estudio con Furhat, algunos participantes describieron el ajuste infantil como desajustado (‘un sonido más infantil pero un aspecto menos infantil’). Un experimento 2x2 con agente virtual de Alimardani et al. (IVA 2024) halló que un desajuste entre voz y apariencia cambió el antropomorfismo percibido, pero no cambió la frecuencia con la que las personas seguían los consejos del agente. El estudio de Mitchell et al. es de 2011; datos más recientes disponibles para este diseño exacto de rostro y voz.
5. Rasgos Sociales y el Efecto de la Revelación
Los oyentes no solo juzgan si una voz es real; le leen el carácter, y las voces sintéticas se leen de otra manera. En los experimentos de rasgos de Queen Mary, las voces de IA genéricas se valoraron como más dominantes y ligeramente más fiables que las voces humanas. El equipo de Zúrich halló lo contrario para sus deepfakes, que los participantes valoraron como «significativamente menos naturales, agradables y fiables» que las voces naturales (Roswandowitz et al., Communications Biology 2024). La calidad del estímulo decide hacia qué lado caen los rasgos.
En una prueba ciega más cercana a los medios reales, la calidad dejó de ser el problema y la revelación tomó el relevo. Tras la revelación, el 48% de los oyentes que habían escuchado la locución humana se sintió más favorable, frente al 25% de quienes habían escuchado la voz de IA (Crowd React Media AI Voiceover Study 2026). Antes de que a nadie se le dijera nada, las dos voces puntuaron casi igual. La entrega monótona es el otro punto débil: aproximadamente el 68% de los usuarios en una condición sin emoción criticó el tono de voz de un agente conversacional (Cihodaru-Ștefanache y Podina, Frontiers in Psychology 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Valoración de dominancia: voces de IA genéricas frente a voces humanas (n = 50) | 58,1 frente a 40,4 (p < 0,001) | Lavan et al., PLOS One 2025 |
| Valoración de fiabilidad: voces de IA genéricas frente a voces humanas | 57,9 frente a 53,8 (p = 0,002) | Lavan et al., PLOS One 2025 |
| Atractivo general del primer fragmento: locución de IA frente a locución humana (1.326 oyentes de radio de EE. UU. de 18 a 45 años) | 61% frente a 60% | Crowd React Media AI Voiceover Study 2026 |
| Locución valorada como ‘graciosa’: voz humana frente a voz de IA (la única diferencia significativa) | 33% frente a 26% | Crowd React Media AI Voiceover Study 2026 |
| Tras la revelación, oyentes de la voz de IA: más favorables frente a menos favorables | 25% frente a 20% | Crowd React Media AI Voiceover Study 2026 |
| Tras la revelación, oyentes de la voz humana: más favorables frente a menos favorables | 48% frente a 4% | Crowd React Media AI Voiceover Study 2026 |
| Usuarios en una condición sin emoción que criticaron el tono de voz de un agente conversacional | aproximadamente el 68% | Cihodaru-Ștefanache y Podina, Frontiers in Psychology 2025 |
Nota de contexto: la revisión de Frontiers in Psychology llegó, tras un cribado, a 29 estudios sobre agentes conversacionales encarnados (personajes animados en pantalla que hablan con los usuarios) y calificó a la mayoría de ellos con una calidad metodológica débil o moderada. La prueba de radio la realizó una división de investigación de mercado de Harker Bos Group y comprobó la significancia con una prueba z de dos proporciones con un 95% de confianza; a los oyentes no se les dijo qué voz habían escuchado hasta después de valorarla.
6. Entrenamiento, Confianza y el Cerebro que Escucha
Un entrenamiento breve apenas ayuda, y los oyentes no saben cuándo se equivocan. Para las voces, la percepción metacognitiva medida como AUROC fue de 0,48, justo por debajo del 0,5 que significa que la confianza no aporta información sobre la precisión, frente a 0,59 para los rostros en el mismo estudio de Lancaster (véase la sección 1). La familiarización con ejemplos de deepfakes apenas mueve la precisión (véase la tabla). Cuando los oyentes dudaban, halló el equipo de la University of Florida, se inclinaban por creer que el audio era humano (Warren et al., ACM CCS 2024), que es exactamente el sesgo en el que se apoya el fraude con clonación de voz; consulta nuestras estadísticas de fraude familiar con clonación de voz.
El cerebro, sin embargo, registra más de lo que el oyente informa. Tras una sesión de entrenamiento de 12 minutos, 30 hablantes nativos de mandarín mostraron diferencias neuronales entre el habla humana y la de IA a unos 55, 210 y 455 milisegundos, pero su discriminación conductual no mejoró de forma significativa (Yang et al., eNeuro 2026). En el estudio de fMRI de Zúrich, la corteza auditiva siguió las diferencias acústicas entre voces deepfake y naturales, mientras que el núcleo accumbens, parte del sistema de recompensa, estuvo menos activo cuando se comparó un deepfake con una voz natural (Roswandowitz et al., Communications Biology 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Percepción metacognitiva (AUROC) para voces frente a rostros, donde 0,5 significa ninguna percepción | 0,48 frente a 0,59 | Ivory et al., Scientific Reports 2026 (en prensa) |
| Mejora de la detección por familiarización con ejemplos de deepfakes | 3,84% de media | Mai et al., PLOS ONE 2023 |
| Sensibilidad (d prima) para el habla humana antes frente a después de una sesión de entrenamiento de 12 minutos (30 participantes) | 0,383 frente a 0,536 | Yang et al., eNeuro 2026 |
| Sensibilidad (d prima) para clones de IA ajustados (fine-tuned) antes frente a después del mismo entrenamiento | 0,266 frente a 0,341 | Yang et al., eNeuro 2026 |
| Efecto principal de la sesión de entrenamiento sobre la sensibilidad | F(1,29) = 3,918; p = 0,057 | Yang et al., eNeuro 2026 |
| Latencias de la diferenciación neuronal entre el habla humana y la de IA tras el entrenamiento | unos 55 ms, 210 ms y 455 ms | Yang et al., eNeuro 2026 |
| Adultos preocupados por que clonen su voz (1.500 adultos en EE. UU., Reino Unido, Austria, Alemania y Suiza) | 67% | Malwarebytes AI Scams Report 2026 (encuesta de proveedor) |
| Adultos que recibieron una llamada con voz clonada de alguien que conocían en los últimos 12 meses | 16% | Malwarebytes AI Scams Report 2026 (encuesta de proveedor) |
Nota de contexto: AUROC (área bajo la curva característica operativa del receptor) mide aquí si la confianza de un oyente es mayor en las respuestas correctas que en las erróneas. Las frases de eNeuro procedían de una prueba de percepción del habla en mandarín, y las voces de IA se crearon con un modelo de clonación de código abierto. La encuesta de Malwarebytes se realizó en línea del 1 al 17 de marzo de 2026 por un consultor de investigación independiente; es una encuesta del propio proveedor de seguridad, así que trátala como contexto, no como una medición de percepción.
Resumen: Valle Inquietante en Voces Sintéticas en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Voces reales frente a sintéticas clasificadas correctamente | 53,95% | Ivory et al., Scientific Reports 2026 (en prensa) |
| Precisión humana media en tres conjuntos de datos de deepfakes (1.212 participantes) | 73% | Warren et al., ACM CCS 2024 |
| Precisión media en el conjunto de deepfakes más difícil frente al más fácil | 65% frente a 81% | Warren et al., ACM CCS 2024 |
| Detección de deepfakes: un fragmento cada vez frente a junto a un fragmento genuino | 70,35% frente a 85,59% | Mai et al., PLOS ONE 2023 |
| Clon de IA juzgado como de la misma identidad que el hablante real | aproximadamente el 80% | Barrington, Cooper y Farid, Scientific Reports 2025 |
| Proporción etiquetada como ‘humana’: clones de voz frente a grabaciones reales frente a voces de IA genéricas | 0,70 frente a 0,72 frente a 0,39 | Lavan et al., PLOS One 2025 |
| Emparejamiento de identidades: voces naturales frente a deepfakes | 86,98% frente a 68,94% | Roswandowitz et al., Communications Biology 2024 |
| Correlación entre semejanza humana y agradabilidad en voces TTS | r(203) = 0,48; p < 0,001 | Ross, Corley y Lai, Speech Prosody 2024 |
| Semejanza humana: voz TTS más humana frente a grabación humana | 46,1 frente a 71,5 | Ross, Corley y Lai, Speech Prosody 2024 |
| Inquietud: voz TTS más humana frente a grabación humana | 40,4 frente a 28,9 | Ross, Corley y Lai, Speech Prosody 2024 |
| La semejanza humana como predictor de la inquietud en dos voces sintéticas | β = −0,64 y β = −0,66 | Kühne, Fischer y Zhou, Frontiers in Neurorobotics 2020 |
| Combinaciones desajustadas frente a coincidentes de rostro y voz | t(47) = 6,042; p < 0,001 | Mitchell et al., i-Perception 2011 |
| Inquietud: figura humana con voz sintética frente a figura humana con voz humana | M = 0,19 frente a M = −1,10 | Mitchell et al., i-Perception 2011 |
| Simpatía de un personaje virtual: voz humana frente a voz robótica | 3,75 frente a 2,99 | Choi et al., IEEE ISMAR-Adjunct 2023 |
| Calidez de la primera impresión: ajustes infantil frente a adulto frente a robótico | 3,37 frente a 2,60 frente a 2,06 | Huang y Moore, Frontiers in Robotics and AI 2024 |
| Atractivo general: locución de IA frente a locución humana | 61% frente a 60% | Crowd React Media AI Voiceover Study 2026 |
| Usuarios que criticaron el tono de voz de un agente conversacional sin emoción | aproximadamente el 68% | Cihodaru-Ștefanache y Podina, Frontiers in Psychology 2025 |
| Efecto de una sesión de entrenamiento de 12 minutos sobre la sensibilidad al habla de IA | F(1,29) = 3,918; p = 0,057 | Yang et al., eNeuro 2026 |
Metodología y Fuentes
- Ivory, McGettigan, Nuttall y Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, en prensa, repositorio de la Lancaster University
- Lavan et al., “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper y Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central y arXiv v2
- Mai, Bray, Davies y Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren et al., “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF de la University of Florida
- Roswandowitz et al., “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni y Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley y Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer y Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird et al., “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel y Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen y Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley vía DOI
- Mavromati, Erdinch y Paterson, “The uncanny valley of familiarly unfamiliar voices”, preprint en PsyArXiv 2025, OSF
- Mitchell et al., “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao y Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang y Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
- Alimardani, de Roode, Vaitonyte y Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM vía DOI
- Cihodaru-Ștefanache y Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
- Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, también cubierto por Radio Ink
- Malwarebytes, AI Scams Report 2026 (encuesta de proveedor a 1.500 adultos), Malwarebytes
- Nota sobre los datos: el estudio de Lancaster sobre rostro y voz se cita a partir de la versión aceptada en el repositorio de la universidad, por lo que las cifras podrían variar ligeramente en la versión final de la revista. El estudio de clones de la UC Berkeley imprime sus porcentajes principales como imágenes en la versión de la revista, así que las cifras de aproximadamente el 80% y cerca del 60% se tomaron del texto de arXiv v2, que coincide con el resumen publicado. La línea base de Queen Mary varió entre experimentos (los oyentes etiquetaron como ‘humanas’ el 81% de las voces humanas en el Experimento 1a, el 62% en el Experimento 1b y el 72% en el Experimento 2), por lo que los clones y las voces humanas deben compararse dentro de un mismo experimento, nunca entre experimentos. Las dos cifras del 73% de los estudios de la UCL (2023) y de la University of Florida (2024) miden tareas y conjuntos de datos distintos y no son una réplica una de la otra. La prueba ciega de radio no halló una diferencia estadísticamente significativa en la frecuencia con la que se identificaron las dos voces, y sus proporciones exactas de identificación aparecen solo en un gráfico. Ninguna prueba publicada aquí llegó a voces TTS valoradas como casi plenamente humanas, así que la parte alta de la curva del valle inquietante vocal sigue sin ponerse a prueba. Las puntuaciones de naturalidad de referencia (MOS y CMOS) se dejan deliberadamente para nuestro informe sobre MOS.
Última actualización: 8 de noviembre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publique en Scientific Reports la versión final del estudio de detección de rostro y voz de Lancaster.