Por qué importan los deepfakes de voz
Bastan unos segundos de la voz de alguien para clonarla con un servicio TTS comercial. Las voces clonadas se usan en llamadas que suplantan a un familiar o a un CEO, en llamadas automáticas falsas antes de unas elecciones y en clips inventados de figuras públicas. A diferencia de una imagen manipulada, una llamada telefónica apenas deja tiempo a la persona al otro lado para comprobar nada.
tropa-voice está hecho para detectar justo estas voces, y tropa-voice-mini es su hermano gratuito de pesos abiertos. Enfrentamos a ambos con los detectores de código abierto más fuertes disponibles, en cinco benchmarks públicos y con un único script de evaluación para todos los modelos. El código y nuestro propio conjunto de prueba son públicos, así que cada cifra de abajo se puede reproducir.
En resumen
- tropa-voice (API alojada) supera a todos los detectores de código abierto en los cinco benchmarks.
- Voces comerciales: 0,23 % de EER en 14 sistemas TTS, entre ellos ElevenLabs, MiniMax y OpenAI: hasta 10 veces menos errores que las alternativas abiertas (2,0–7,1 %).
- Deepfakes reales de 2024: en Deepfake-Eval-2024, alrededor de un 30 % menos de errores que el mejor detector de código abierto (EER del 11,9 % frente al 17,2 %).
- In-the-Wild: tropa-voice detecta el 99,4 % de los deepfakes con una tasa de falsos positivos del 1 %.
- tropa-voice-mini (Apache-2.0) es el detector de voz de pesos abiertos más fuerte que puedes usar comercialmente, con un 0,0 % de EER en ElevenLabs v3 y v4, MiniMax, OpenAI, Gemini y xAI.
Los cinco benchmarks
- In-the-Wild: 31.748 clips de famosos y políticos recopilados en internet: grabaciones reales y deepfakes de 2019 a 2022.
- Deepfake-Eval-2024: Deepfakes que circularon en redes sociales y plataformas de vídeo en 2024, partición de prueba oficial (773 archivos). Música, bandas sonoras de vídeo, muchos idiomas. El conjunto más difícil de los cinco.
- Commercial-Voices-2026-mini: Creado por nosotros y público: 2.084 clips de 14 sistemas TTS comerciales (ElevenLabs, MiniMax, OpenAI, Gemini, xAI, HeyGen y otros) y 2.200 grabaciones reales con licencia libre.
- SONAR: Habla de 8 sistemas TTS recientes.
- MLAAD-tiny: 69 sistemas TTS en muchos idiomas, incluidas voces recientes de código abierto basadas en LLM.
Clasificación
Tasa de error igual por benchmark: la tasa de error en el umbral en el que las falsificaciones no detectadas y las grabaciones reales marcadas por error son igual de frecuentes. Cuanto más baja, mejor. El mejor valor de cada columna aparece en verde.
| Detector | Licencia | In-the-Wild | Deepfake-Eval-2024 (prueba) | Commercial-Voices-2026-mini | SONAR | MLAAD-tiny |
|---|---|---|---|---|---|---|
| tropa-voice | API alojada | 0,66 % | 11,9 % | 0,23 % | 0,05 % | 0,34 % |
| tropa-voice-mini | Apache-2.0 | 0,98 % | 13,5 % | 0,19 % | 0,18 % | 2,33 % |
| Spectra-AASIST | Apache-2.0 | 1,43 % | 17,2 % | 2,01 % | 0,48 % | 0,71 % |
| DF_Arena_1B | No comercial | 0,96 % | 27,6 % | 7,14 % | 1,26 % | 3,24 % |
| NII AntiDeepfake XLS-R-2B | No comercial | 1,34 % | 25,1 % | 3,99 % | 0,43 % | 4,72 % |
EER en porcentaje. tropa-voice funciona detrás de nuestra API de detección de voz; tropa-voice-mini está disponible gratis en Hugging Face. DF_Arena_1B y el modelo de NII tienen licencia solo para uso no comercial.
- tropa-voice tiene una EER más baja que todos los detectores de código abierto en los cinco benchmarks.
- Voces comerciales es donde más ventaja sacan nuestros modelos: 0,23 % y 0,19 % de EER, unas diez veces menos que el siguiente modelo abierto (2,01 %).
- Deepfake-Eval-2024 es el que más separa a los detectores. Con clips que han pasado por redes sociales, con música y ruido de fondo, tropa-voice se mantiene en el 11,9 %, mientras que los modelos de investigación no comerciales suben al 25–28 %.
- tropa-voice-mini es el detector de pesos abiertos más fuerte con licencia para uso comercial.
Detección con una tasa de falsos positivos del 1 %
La EER es una comparación neutral, pero en producción eliges un umbral. Con el umbral fijado de modo que quede marcada 1 de cada 100 grabaciones reales, tropa-voice detecta el 99,4 % de los deepfakes de In-the-Wild.
El veredicto ai de la API está fijado para la misma tasa de falsos positivos, alrededor del 1 % en habla real.
Por sistema: Commercial-Voices-2026-mini
EER por sistema TTS comercial, cada uno puntuado frente a las mismas 2.200 grabaciones reales. Son las voces que los estafadores y las granjas de contenido pueden comprar hoy.
| Sistema TTS | tropa-voice | tropa-voice-mini | Spectra-AASIST | DF_Arena_1B | NII XLS-R-2B |
|---|---|---|---|---|---|
| ElevenLabs v4 | 0,0 % | 0,0 % | 2,5 % | 15,6 % | 7,4 % |
| ElevenLabs v3 | 0,0 % | 0,0 % | 0,7 % | 9,1 % | 2,4 % |
| MiniMax Speech 2.8 HD | 0,0 % | 0,0 % | 0,7 % | 8,7 % | 3,4 % |
| MiniMax Speech-02 HD | 0,7 % | 0,0 % | 2,7 % | 5,4 % | 6,8 % |
| OpenAI gpt-4o-mini-tts | 0,0 % | 0,0 % | 0,0 % | 0,0 % | 0,0 % |
| OpenAI tts-1-hd | 0,0 % | 0,0 % | 0,4 % | 1,4 % | 0,0 % |
| Gemini 3.8 Flash TTS | 0,0 % | 0,0 % | 0,6 % | 2,8 % | 0,0 % |
| xAI TTS | 0,0 % | 0,0 % | 1,6 % | 14,4 % | 3,1 % |
| HeyGen | 0,8 % | 0,2 % | 6,2 % | 12,0 % | 7,3 % |
| VibeVoice 7B | 1,4 % | 1,5 % | 7,4 % | 11,8 % | 27,9 % |
| Qwen Audio 3 TTS | 0,8 % | 0,0 % | 1,5 % | 6,0 % | 2,3 % |
| Inworld | 0,0 % | 0,0 % | 1,3 % | 7,3 % | 2,2 % |
| Seed Speech v2 | 0,0 % | 0,0 % | 0,0 % | 2,4 % | 0,8 % |
| Chatterbox | 0,0 % | 0,0 % | 0,0 % | 0,5 % | 0,0 % |
Nuestros modelos separan la mayoría de las voces comerciales sin un solo error, incluidas ElevenLabs, MiniMax, OpenAI, Gemini y xAI. En los sistemas más difíciles, VibeVoice 7B y HeyGen, se mantienen en el 1,5 % o menos, mientras que las alternativas abiertas llegan hasta el 27,9 %.
Protocolo
- Mismo código, mismos archivos: ejecutamos nosotros todos los detectores con un único script de evaluación sobre archivos idénticos.
- Ventanas deslizantes sobre todo el clip: las grabaciones largas se dividen en ventanas solapadas, se puntúa cada ventana y la puntuación del archivo es la media del 30 % de ventanas con mayor puntuación. Así, un pasaje sintético corto dentro de una grabación real larga no se diluye en la media.
- Preprocesamiento documentado: los modelos externos reciben la entrada que documentan sus autores (frecuencia de muestreo, longitud de ventana, normalización), de modo que ningún modelo se ejecuta fuera de la configuración prevista.
- Particiones oficiales: para Deepfake-Eval-2024 usamos la partición de prueba oficial.
- Métrica: tasa de error igual por benchmark, más la detección con una tasa de falsos positivos del 1 % en In-the-Wild.
Reproduce cada cifra con nuestro código del benchmark en GitHub.
Conviene saber
- Los clips muy cortos (menos de 2 segundos), la música de fondo intensa y el audio de calidad telefónica son más difíciles para todos los detectores.
- Cada mes aparecen nuevos generadores de voz. tropa-voice se actualiza continuamente; tropa-voice-mini es una versión fija.
Código, datos y modelos
- Código de evaluación: wasitaigenerated/voice-deepfake-benchmark en GitHub.
- Nuestro conjunto de prueba: Commercial-Voices-2026-mini en Hugging Face.
- Modelo abierto: tropa-voice-mini (Apache-2.0), gratuito y apto para CPU. Detalles y uso en la página del modelo tropa-voice.
- Modelo alojado: la API de detección de voz con IA, o sube un clip al detector de deepfakes.
- Contexto sobre cómo funciona la clonación de voz y cómo protegerte: Cómo detectar la clonación de voz con IA.
¿Desarrollas un detector de voz? Ejecútalo con el mismo código y escribe a patrick@wasitaigenerated.com. Añadimos los resultados enviados a esta página, incluidos los que superen a los nuestros.
Preguntas frecuentes
¿Cuál es el detector de voz con IA más preciso en 2026?
tropa-voice, el modelo de nuestra API alojada, superó a todos los detectores de código abierto que probamos en los cinco benchmarks públicos: In-the-Wild 0,66 %, Deepfake-Eval-2024 11,9 %, Commercial-Voices-2026-mini 0,23 %, SONAR 0,05 % y MLAAD-tiny 0,34 % de tasa de error igual. En In-the-Wild detecta el 99,4 % de los deepfakes con un 1 % de falsos positivos.
¿Se pueden detectar las voces de ElevenLabs?
Sí. En Commercial-Voices-2026-mini, tanto tropa-voice como tropa-voice-mini tuvieron una tasa de error igual del 0,0 % en ElevenLabs v3 y v4. El mejor otro modelo abierto llegó al 0,7 % y al 2,5 %.
¿Qué tal funciona la detección de deepfakes de voz con clips reales de redes sociales?
Los clips reales son la prueba más dura para cualquier detector: Deepfake-Eval-2024 contiene deepfakes que circularon en internet en 2024, con música, bandas sonoras de vídeo y muchos idiomas. tropa-voice alcanzó ahí una EER del 11,9 %, alrededor de un 30 % menos de errores que el mejor detector de código abierto (17,2 %). Los modelos de investigación no comerciales quedaron en el 25–28 %.
¿Qué es la tasa de error igual (EER)?
La tasa de error en el umbral en el que la proporción de falsificaciones que un detector deja pasar es igual a la proporción de grabaciones reales que marca. Cuanto más baja, mejor, y no depende de dónde decida un proveedor fijar su umbral.
¿Puedo reproducir estos resultados?
Sí. El código de evaluación está en GitHub, Commercial-Voices-2026-mini está en Hugging Face y los otros cuatro benchmarks son conjuntos de datos públicos. tropa-voice-mini se descarga gratis; tropa-voice se puede probar a través de la API.
Comprueba tú mismo una grabación de voz
Sube un clip a WasItAIGenerated: usa tropa-voice, el modelo que encabeza la tabla de arriba, con una línea de tiempo que muestra en qué parte del clip aparece la voz sintética.