Paco y Nico
A Manolo le llega una nota de voz de «mamá» pidiendo 300 € urgentes. Mamá está en la cocina.
Síntesis de voz (texto a voz) que imita a una persona concreta. Un modelo saca de una muestra corta de audio una «huella» numérica de la voz (un vector llamado embedding de hablante) y la usa para leer cualquier texto como si hablara esa persona.
Cómo funciona
Los sistemas modernos se entrenan antes con miles de horas de muchísimas voces. Así aprenden qué tienen en común todas las voces y en qué se diferencian: tono, timbre, ritmo, acento. Cuando les das una muestra nueva, no necesitan aprender desde cero: solo tienen que situar esa voz en lo que ya saben. Por eso basta con muy poco audio.
De dónde sacan tu voz
De cualquier sitio donde hables: un vídeo en redes, una historia de Instagram, un audio de WhatsApp reenviado o una llamada en la que dices «¿sí?, ¿quién es?». Cuanto más audio y más limpio, mejor sale la copia.
Por qué cuela
La estafa no depende solo de la voz: depende de las prisas. Siempre es urgente, siempre hay un problema («se me ha roto el móvil», «estoy en un apuro») y siempre te piden que no llames a nadie. La voz solo quita la última duda.