ElevenLabs comenzó 2026 con una valoración de $11 mil millones y, cinco meses después, estaba en negociaciones para una tender offer que la valoraría en $22 mil millones (Bloomberg, 2026). Esa duplicación es el emblema de un período de seis meses en el que el capital, el producto y la regulación se movieron todos a la vez. Deepgram recaudó $130M a una valoración de $1.3 mil millones en enero (Deepgram, 2026); OpenAI lanzó cinco nuevos modelos de voz en tiempo real entre mayo y julio (OpenAI, 2026); y la FTC de EE. UU. reportó que las estafas de suplantación de identidad les costaron $3.5 mil millones a los estadounidenses en 2025 (FTC, 2026). Este análisis consolida datos de TechCrunch, Bloomberg, la FTC, Pindrop, OpenAI, Gartner, la European Commission y otras 20 fuentes primarias en un registro fechado de lo que realmente ocurrió en la IA de voz durante el primer semestre de 2026.
Para contexto permanente sobre la tecnología, consulte nuestra referencia de estadísticas de clonación de voz 2026. Este texto es el registro de eventos de mitad de año.
TL;DR
- ElevenLabs recaudó una Serie D de $500M a una valoración de $11B en febrero, y luego entró en negociaciones para una tender offer de $22B para el 2 de julio (Bloomberg, 2026).
- Los ingresos recurrentes anuales de ElevenLabs pasaron de $330M a finales de 2025 a $500M para abril de 2026 (TechCrunch / Sacra, 2026).
- Deepgram recaudó $130M a una valoración de $1.3B el 13 de enero y ya transcribió más de 1 billón de palabras (Deepgram, 2026).
- OpenAI lanzó GPT-Realtime-2, GPT-Realtime-Translate y GPT-Realtime-Whisper el 7 de mayo, y luego los modelos full-duplex GPT-Live-1 el 8 de julio (OpenAI, 2026; TechCrunch, 2026).
- Vapi recaudó $50M y superó los 1,000 millones de llamadas; Bland recaudó $50M después de ser rechazada por 180 inversores (Vapi, 2026; Fortune, 2026).
- Las reglas de transparencia del Artículo 50 del EU AI Act para audio sintético se aplican desde el 2 de agosto de 2026, con multas de hasta EUR 15M o el 3% de la facturación global (European Commission, 2026).
- La FTC registró $3.5B en pérdidas por estafas de suplantación de identidad en 2025, de un total de aproximadamente $16B en fraude reportado, un aumento de cerca del 25% interanual (FTC, 2026).
- Pindrop midió un aumento del 1,300% en fraude por deepfake en contact centers en 1.2 mil millones de llamadas analizadas (Pindrop, informe de 2025).
- En un benchmark de mayo de 2026 con ocho detectores, el mejor sistema obtuvo un 98.1% mientras que los humanos en un estudio paralelo alcanzaron solo un 68.7% (Resemble AI / Podonos, 2026; arXiv, 2026).
- El mercado global de reconocimiento de habla y voz alcanzó un estimado de $23.70B en 2026 (Fortune Business Insights, 2026).
1. El Auge de Financiación del Primer Semestre de 2026
El dinero llegó más rápido que el producto. El patrón que definió el semestre fue la revalorización: ElevenLabs recaudó a $11 mil millones en febrero y ya recibía interés de tender offer a $22 mil millones para julio, una valoración que se duplicaría en aproximadamente cinco meses sin una nueva ronda primaria (Bloomberg, 2026). ElevenLabs también superó los $500M en ingresos recurrentes anuales para abril de 2026, un aumento respecto a los $330M de finales de 2025 (TechCrunch / Sacra, 2026) - un crecimiento que le dio a los inversores posteriores una base de ingresos para respaldar la revalorización. La capa de infraestructura subió de precio en paralelo: Deepgram, que vende APIs de habla en lugar de voces para consumidores, alcanzó una valoración de $1.3 mil millones en enero.
El patrón no se limitó a las megarrondas. Vapi y Bland cerraron rondas de $50M cada una para agentes de voz empresariales, y la startup de dictado Wispr entró en negociaciones por unos $260M a una valoración de aproximadamente $2 mil millones. La financiación de capital de riesgo para IA de voz ya había subido de unos $315M en 2022 a $2.1 mil millones en 2024 (AssemblyAI, 2026), y el primer semestre de 2026 mantuvo esa curva pronunciada.
| Métrica | Valor | Fuente |
|---|---|---|
| Serie D de ElevenLabs | $500M at $11B valuation (Feb 4, 2026) | TechCrunch, 2026 |
| ARR de ElevenLabs | $330M (end 2025) to $500M (April 2026) | TechCrunch / Sacra, 2026 |
| Negociaciones de tender offer de ElevenLabs | ~$22B valuation (July 2, 2026) | Bloomberg, 2026 |
| Serie C de Deepgram | $130M at $1.3B valuation (Jan 13, 2026) | Deepgram, 2026 |
| Serie B de Vapi | $50M, led by Peak XV (May 12, 2026) | Vapi / GlobeNewswire, 2026 |
| Serie C de Bland | $50M, after 180 investor rejections (June 16, 2026) | Fortune, 2026 |
| Negociaciones de financiación de Wispr | ~$260M at ~$2B valuation (May 2026) | Bloomberg, 2026 |
| VC de IA de voz (contexto) | ~$315M (2022) to $2.1B (2024) | AssemblyAI, 2026 |
Contexto: PolyAI cerró una Serie D de $86M a una valoración de $750M en diciembre de 2025, y la financiación total divulgada de Cartesia alcanzó $191M en octubre de 2025 - ambas justo antes de esta ventana - lo que muestra el pipeline que alimentó el primer semestre. Vea la cobertura de TechCrunch sobre la ronda de ElevenLabs y el comunicado de la Serie C de Deepgram.
2. Lanzamientos de Modelos: Qué Salió Entre Ene-Jun de 2026
El semestre se definió por un cambio de pipelines a audio full-duplex. Los asistentes de voz más antiguos encadenaban tres modelos - voz a texto, un modelo de lenguaje y luego texto a voz - lo que añadía latencia y cortaba las interrupciones naturales. OpenAI colapsó esa pila, lanzando GPT-Realtime-2, GPT-Realtime-Translate y GPT-Realtime-Whisper el 7 de mayo de 2026, y luego los modelos full-duplex GPT-Live-1 el 8 de julio, que escuchan y hablan al mismo tiempo (OpenAI, 2026; TechCrunch, 2026). Solo GPT-Realtime-Translate maneja más de 70 idiomas de entrada a 13 idiomas de salida, manteniendo el ritmo del hablante (OpenAI, 2026).
La presión de precios fue la otra historia. Gemini 3.1 Flash TTS de Google, lanzado el 15 de abril, subcotizó a los competidores premium en costo por carácter mientras quedaba por detrás en los benchmarks de calidad. ElevenLabs se mantuvo en la cima del ranking independiente Artificial Analysis de TTS, pero la brecha se redujo conforme Microsoft incorporó modelos Voice Live de baja latencia a Azure Speech en su conferencia Build 2026.
| Métrica | Valor | Fuente |
|---|---|---|
| Modelos de voz en tiempo real de OpenAI | GPT-Realtime-2 / Translate / Whisper (May 7, 2026) | OpenAI, 2026 |
| Idiomas de GPT-Realtime-Translate | 70+ input to 13 output | OpenAI, 2026 |
| Modelos full-duplex de OpenAI | GPT-Live-1 and GPT-Live-1 mini (July 8, 2026) | TechCrunch, 2026 |
| Google Gemini 3.1 Flash TTS | Launched April 15, 2026; 40+ languages | Google (via trade press), 2026 |
| Precio de Gemini 3.1 Flash TTS | ~$0.012 per 1K characters | Trade benchmark, 2026 |
| Ranking de TTS | ElevenLabs #1 (~1,280 Elo), Gemini #2 (1,211) | Artificial Analysis, 2026 |
| Microsoft Azure Speech | Voice Live + Azure-Realtime at Build 2026 | Microsoft, 2026 |
| ElevenLabs v3 | Generally available, expressive multi-speaker | ElevenLabs, 2026 |
Nota atípica: GPT-Live-1 se lanzó el 8 de julio, días después de la marca de mitad de año, pero pertenece al mismo ciclo de producto. Lea la publicación de lanzamiento de OpenAI.
3. La Regulación se Endureció en Tres Jurisdicciones
La normativa alcanzó al ciclo de producto. Las obligaciones de transparencia del Artículo 50 del EU AI Act - que exigen que el audio generado por IA sea legible por máquina y divulgado - se aplican desde el 2 de agosto de 2026, respaldadas por multas de hasta EUR 15 millones o el 3 por ciento de la facturación global (European Commission, 2026). La Comisión corrió para finalizar un Code of Practice sobre contenido generado por IA antes de junio de 2026 para dar a los proveedores una hoja de ruta de cumplimiento antes del plazo.
Estados Unidos avanzó en dos frentes. Los legisladores reintrodujeron una versión revisada de la NO FAKES Act en mayo de 2026 para crear un derecho federal contra réplicas no autorizadas de voz e imagen por IA, y las obligaciones de retirada de contenido de las plataformas bajo la TAKE IT DOWN Act alcanzaron su plazo de cumplimiento el 19 de mayo de 2026, exigiendo la eliminación de contenido marcado en un plazo de 48 horas. Dinamarca fue más lejos, avanzando un proyecto de ley que trata el rostro y la voz de una persona como un derecho de tipo derechos de autor, con una duración de 50 años tras la muerte.
Bajo estas reglas basadas en el consentimiento, las herramientas construidas en torno a clonar la propia voz con permiso - como el software de clonación de voz de VoxBooster - quedan del lado conforme de esa línea. Para el panorama de políticas más amplio, vea nuestro resumen de estadísticas de regulación de IA 2026.
| Métrica | Valor | Fuente |
|---|---|---|
| Etiquetado de audio del Artículo 50 del EU AI Act | Effective August 2, 2026 | European Commission, 2026 |
| Multas de transparencia del EU AI Act | Up to EUR 15M or 3% of global turnover | European Commission, 2026 |
| NO FAKES Act (revisada) | Reintroduced May 2026 | U.S. Senate, 2026 |
| Encuesta de preocupación por deepfakes | 92% of Americans concerned about deepfakes | U.S. Senate (NO FAKES release), 2026 |
| Retiradas de la TAKE IT DOWN Act | 48-hour removal; compliance deadline May 19, 2026 | TAKE IT DOWN Act, 2026 |
| Proyecto de ley de imagen de Dinamarca | Protection 50 years after death | European Parliament (EPRS), 2026 |
| Estados de EE. UU. sin ley de deepfake electoral | ~22 as of June 2026 | Recording Law tracker, 2026 |
| Decisión de la FCC sobre robollamadas con IA (contexto) | Up to $23K per illegal call | FCC, 2024 (most recent available) |
La Tennessee ELVIS Act (2024) sigue siendo el modelo que la mayoría de los proyectos de ley de 2026 siguen. Texto primario: EU AI Act Article 50.
4. El Fraude de Voz en Cifras
El lado de la amenaza escaló junto con el lado de la capacidad. La FTC reportó que las estafas de suplantación de identidad les costaron $3.5 mil millones a los estadounidenses en 2025, parte de aproximadamente $16 mil millones en fraude total reportado - la cifra más alta registrada y un aumento de cerca del 25 por ciento interanual (FTC, 2026). Los suplantadores de empresas representaron $1 mil millones de eso, y los suplantadores de gobierno, $920 millones. Esas cifras no son específicas de deepfakes, pero establecen la línea base que la voz sintética ahora está amplificando.
Los contact centers lo sintieron primero. Pindrop midió un aumento del 1,300 por ciento en intentos de fraude por deepfake en 1.2 mil millones de llamadas analizadas, con ataques de voz sintética que subieron un 475 por ciento en aseguradoras y un 149 por ciento en bancos (Pindrop, informe de 2025). A más largo plazo, Deloitte proyecta que las pérdidas por fraude con IA generativa en EE. UU. suban de $12.3 mil millones en 2023 a $40 mil millones para 2027 (Deloitte, 2023 - most recent available).
| Métrica | Valor | Fuente |
|---|---|---|
| Pérdidas por estafas de suplantación de la FTC (2025) | $3.5 billion | FTC, 2026 |
| Fraude total reportado por la FTC (2025) | ~$16 billion, +25% YoY | FTC, 2026 |
| Pérdidas por suplantación de empresas + gobierno | $1B + $920M | FTC, 2026 |
| Aumento de fraude por deepfake en contact centers | +1,300% across 1.2B calls | Pindrop, 2025 report |
| Ataques de voz sintética por sector | Insurance +475%, banking +149%, retail +107% | Pindrop, 2025 report |
| Pronóstico de fraude con IA generativa en EE. UU. | $12.3B (2023) to $40B (2027), 32% CAGR | Deloitte, 2023 |
| Organizaciones afectadas por un ataque de deepfake (últimos 12 meses) | 62% | Gartner, 2025 |
Esos totales no son específicos de deepfakes, pero establecen la línea base que la voz sintética ahora amplifica. Fuente primaria: Pindrop 2025 Voice Intelligence and Security Report.
5. Detección: ¿Todavía Podemos Distinguir?
La detección mejoró en el papel y tuvo dificultades en la práctica. En un benchmark de mayo de 2026 con ocho sistemas de detección de deepfakes de audio, el mejor detector obtuvo un 98.1 por ciento de precisión agregada, pero un estudio paralelo de 2026 encontró que humanos sin entrenamiento identificaron voces sintéticas solo el 68.7 por ciento de las veces (Resemble AI / Podonos, 2026; arXiv, 2026). La brecha entre máquina y humano es ahora de aproximadamente 26 puntos, y se amplía conforme las voces sintéticas mejoran.
El problema es la generalización. Los investigadores encontraron que los detectores entrenados en la distribución de ASVspoof de la era 2019 no capturan de forma confiable los ataques de 2026, y la mayoría de las herramientas todavía cubre solo el inglés - dejando la clonación de voz en otros idiomas como una superficie de ataque abierta (arXiv, 2026).
| Métrica | Valor | Fuente |
|---|---|---|
| Mejor detector (benchmark de Podonos) | Resemble AI, 98.1% pooled accuracy | Resemble AI / Podonos, 2026 |
| Detector en segundo lugar | Aurigin, 96.8% | Podonos, 2026 |
| Resemble AI Detect (audio limpio) | 94.2% | Resemble AI, 2026 |
| Precisión de detección por máquina | 94.5% across 138 attacks | arXiv, 2026 |
| Precisión de detección humana | 68.7% (1,768 users) | arXiv, 2026 |
| Cobertura de idiomas del benchmark | English only (noted gap) | arXiv / Resemble AI, 2026 |
| Detectores heredados (entrenados en ASVspoof 2019) | Generalize poorly to 2026 attacks | arXiv, 2026 |
El problema de la distribución de entrenamiento, no la precisión bruta, es la verdadera historia. Vea el benchmark de detección de deepfakes de audio y nuestro desglose de estadísticas de detección de deepfakes 2026.
6. Tamaño del Mercado y Adopción Empresarial
Debajo de los titulares, el mercado siguió creciendo. Fortune Business Insights valoró el mercado global de reconocimiento de habla y voz en $23.70 mil millones en 2026, proyectando $104.05 mil millones para 2034 a una CAGR del 20.30 por ciento (Fortune Business Insights, 2026). El segmento más específico de generadores de voz por IA - texto a voz más clonación - se situó cerca de $4.16 mil millones en 2025 (MarketsandMarkets, 2025), y el subsegmento de clonación de voz cerca de $2.4 mil millones (Mordor Intelligence, 2025).
Las métricas de adopción pasaron de proyecciones a uso real. Gartner todavía pronostica que la IA conversacional reducirá los costos laborales de los contact centers en $80 mil millones en 2026, pero las cifras más reveladoras son las de producción: Vapi procesó más de 1,000 millones de llamadas y Deepgram transcribió más de 1 billón de palabras a principios de 2026. Para la mirada hacia el futuro, vea nuestro texto de pronóstico de estadísticas del mercado de IA de voz 2027.
| Métrica | Valor | Fuente |
|---|---|---|
| Mercado de reconocimiento de habla y voz (2026) | $23.70 billion | Fortune Business Insights, 2026 |
| Mismo mercado (proyección 2034) | $104.05 billion, 20.30% CAGR | Fortune Business Insights, 2026 |
| Segmento de generadores de voz por IA (2025) | $4.16 billion | MarketsandMarkets, 2025 |
| Subsegmento de clonación de voz (2025) | $2.4 billion | Mordor Intelligence, 2025 |
| Ahorro laboral con IA conversacional (2026) | $80 billion | Gartner, 2022 forecast for 2026 |
| Organizaciones de servicio al cliente que usan IA conversacional | 80% (forecast) | Gartner, 2026 |
| Líderes de CS bajo presión para adoptar IA | 91% | Gartner, 2026 |
| Indicadores de uso en producción | Vapi 1B+ calls; Deepgram 1T+ words | Vapi / Deepgram, 2026 |
Las estimaciones divergen según el alcance: Coherent Market Insights situó el mercado de reconocimiento de voz cerca de $22.66B en 2026, cercano al de Fortune Business Insights. Referencia primaria: el pronóstico de Gartner para contact centers.
Resumen: La IA de Voz en el Primer Semestre de 2026 en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Serie D de ElevenLabs | $500M at $11B (Feb 4, 2026) | TechCrunch, 2026 |
| Negociaciones de tender offer de ElevenLabs | ~$22B (July 2, 2026) | Bloomberg, 2026 |
| ARR de ElevenLabs | $330M to $500M (end 2025 to April 2026) | TechCrunch / Sacra, 2026 |
| Serie C de Deepgram | $130M at $1.3B (Jan 13, 2026) | Deepgram, 2026 |
| Serie B de Vapi | $50M, 1B+ calls (May 12, 2026) | Vapi, 2026 |
| Serie C de Bland | $50M (June 16, 2026) | Fortune, 2026 |
| Modelos de voz en tiempo real de OpenAI | 3 launched May 7, 2026 | OpenAI, 2026 |
| Modelos full-duplex de OpenAI | GPT-Live-1 (July 8, 2026) | TechCrunch, 2026 |
| Gemini 3.1 Flash TTS | Launched April 15, 2026 | Google, 2026 |
| Artículo 50 del EU AI Act | Effective August 2, 2026 | European Commission, 2026 |
| NO FAKES Act (revisada) | Reintroduced May 2026 | U.S. Senate, 2026 |
| Retiradas de la TAKE IT DOWN Act | 48-hour deadline May 19, 2026 | TAKE IT DOWN Act, 2026 |
| Pérdidas por estafas de suplantación de la FTC (2025) | $3.5 billion | FTC, 2026 |
| Fraude total reportado por la FTC (2025) | ~$16 billion, +25% YoY | FTC, 2026 |
| Aumento de fraude por deepfake de Pindrop | +1,300% across 1.2B calls | Pindrop, 2025 report |
| Precisión del mejor detector de deepfakes | 98.1% | Resemble AI / Podonos, 2026 |
| Precisión de detección humana | 68.7% | arXiv, 2026 |
| Mercado de reconocimiento de habla y voz (2026) | $23.70 billion | Fortune Business Insights, 2026 |
| Ahorro laboral con IA conversacional (2026) | $80 billion | Gartner, 2022 forecast |
Metodología y Fuentes
Los datos se reunieron agregando divulgaciones fechadas de 2026, informes de investigación primaria, textos regulatorios y anuncios de financiación publicados entre enero y julio de 2026, cruzando cifras de mercado y fraude en dos o más fuentes y marcando cualquier cifra anterior a 2024.
- TechCrunch - cobertura sobre ElevenLabs, Deepgram y OpenAI (2026): Serie D de ElevenLabs
- Bloomberg - tender offer de $22B de ElevenLabs y negociaciones de financiación de Wispr (2026)
- Deepgram - comunicado de la Serie C (2026): Serie C de $130M de Deepgram
- Vapi / GlobeNewswire - Serie B y métricas de uso (2026)
- Fortune - cobertura de la Serie C de Bland (2026)
- Sacra - perfil de ingresos y ARR de ElevenLabs (2026)
- AssemblyAI - rastreador de inversión en IA de voz en 2026 (2026)
- OpenAI - Advancing Voice Intelligence with New Models in the API (2026): publicación de lanzamiento de OpenAI
- Google - lanzamiento de Gemini 3.1 Flash TTS (2026, vía prensa especializada)
- Microsoft - Azure Speech en Build 2026 (2026)
- ElevenLabs - divulgaciones de Eleven v3 y la Serie D (2026)
- Artificial Analysis - ranking de modelos de TTS (2026)
- European Commission - Artículo 50 del EU AI Act y Code of Practice (2026): texto del Artículo 50
- U.S. Senate - comunicado de la NO FAKES Act revisada (2026)
- European Parliament (EPRS) - análisis del proyecto de ley de derechos de autor sobre deepfakes de Dinamarca (2026)
- Recording Law - rastreador de leyes estatales de deepfakes en EE. UU. (2026)
- FCC - decisión sobre robollamadas con IA bajo la TCPA (2024)
- U.S. Federal Trade Commission - datos de estafas de suplantación y fraude para 2025 (2026): datos de fraude 2025 de la FTC
- Pindrop - 2025 Voice Intelligence and Security Report (2025): informe de Pindrop
- Deloitte Center for Financial Services - pronóstico de fraude con IA generativa (2023)
- Gartner - IA conversacional, riesgo de deepfakes y encuestas de servicio al cliente (2022-2026)
- Resemble AI / Podonos - benchmark de detección de deepfakes de audio (2026): benchmark de detección
- arXiv - estudios académicos sobre detección humana y automática de deepfakes de voz (2026)
- Fortune Business Insights - informe del mercado de reconocimiento de habla y voz (2026)
- MarketsandMarkets - informe del mercado de generadores de voz por IA (2025)
- Mordor Intelligence - informe del mercado de clonación de voz (2025)
- Sifted - cobertura de la ronda semilla de Gradium / Nvidia (2026)
Data watch: La FTC publica sus totales de fraude del Consumer Sentinel anualmente, con la próxima edición esperada a principios de 2027; Pindrop publica su Voice Intelligence and Security Report en ciclo anual, con la próxima edición esperada más adelante en 2026; Gartner actualiza sus encuestas de IA conversacional y servicio al cliente a lo largo del año; el EU AI Act alcanza su hito de aplicación del Artículo 50 el 2 de agosto de 2026; y Deloitte actualiza periódicamente su pronóstico de fraude con IA generativa.
Última actualización: 11 de julio de 2026. Revisamos y actualizamos esta página trimestralmente a medida que se publican nuevos datos.