La estafa que clona la voz de tu familia: qué hacer en los primeros 10 segundos

El 20 de enero de 2023, Jennifer DeStefano contestó una llamada de un número desconocido y escuchó a su hija de 15 años llorando: "Mamá, la he liado". Después, una voz de hombre tomó el teléfono: había secuestrado a la niña y pedía un millón de dólares. La cifra bajó a 50.000 en efectivo, exigió que subiera a una furgoneta con los ojos vendados y amenazó con matarlas a las dos si no pagaba. El engaño se derrumbó en cuatro minutos, cuando alguien localizó a su marido y confirmó que la hija estaba a salvo, esquiando con un grupo del colegio. La voz que DeStefano había reconocido con total seguridad —el llanto, las palabras, el tono— no era su hija. Era una copia generada por inteligencia artificial, construida a partir de un puñado de segundos de audio público. DeStefano lo contó ante el Comité Judicial del Senado de EE.UU. meses después, como advertencia.

Dos años más tarde, esto ha dejado de ser una anécdota aislada: el FBI le ha abierto una categoría propia en sus estadísticas oficiales de delitos. Si contestas el teléfono y oyes la voz de alguien a quien quieres pidiendo dinero con urgencia, hoy tienes un motivo real para desconfiar — no porque suene raro, sino precisamente porque puede sonar perfecto.

Cómo funciona de verdad

Clonar una voz ya no exige acceso a un estudio ni horas de grabación. Los sistemas de generación de voz actuales —modelos entrenados para replicar timbre, ritmo y entonación a partir de una muestra corta— pueden producir una imitación convincente con apenas unos segundos de audio: una nota de voz de WhatsApp, un vídeo de una red social, un saludo de contestador. Ese material lo cuelga cada uno de nosotros constantemente, sin pensar en ello como una muestra biométrica. Los primeros sistemas capaces de imitar una voz con solvencia necesitaban minutos, incluso horas, de grabaciones limpias; los modelos actuales trabajan con fragmentos mucho más cortos y ruidosos, precisamente el tipo de audio que cualquiera deja disperso por internet sin querer.

Esto no nació el mes pasado. El primer caso documentado data de 2019: una empresa energética británica transfirió 220.000 euros (243.000 dólares) tras recibir una llamada de quien creía su director alemán, pidiendo un pago urgente a un proveedor húngaro. El acento, la entonación, hasta las muletillas del jefe real estaban ahí. Era una voz sintética, generada —según reconstruyó después la aseguradora Euler Hermes— a partir de grabaciones públicas de conferencias e intervenciones en medios. En 2019 aquello era una rareza que ocupaba titulares por ser la primera vez. Seis años después, el FBI ya no lo trata como anécdota: es una categoría estadística con su propia línea en el balance anual.

Con esa voz sintetizada, el criminal no necesita mucho más que un teléfono y un guion. Y el guion, según documenta el FBI en su informe anual de delitos de 2025 (IC3, Internet Crime Complaint Center), se repite con variaciones mínimas en cuatro escenarios muy distintos:

• El fraude al directivo (BEC): un correo o una llamada que imita a un CEO o a un responsable financiero pide una transferencia urgente. La voz clonada refuerza por teléfono lo que el correo ya pedía por escrito. Solo en 2025, las empresas declararon más de 30 millones de dólares en pérdidas por esta variante con IA confirmada.
• La estafa afectiva o de "familiar en apuros": el caso de DeStefano es el ejemplo de manual. El FBI lo cataloga como "estafa de angustia" (distress scam) y contabilizó más de 5 millones de dólares en pérdidas en 2025 solo en esta categoría, con la advertencia explícita de que la variante sigue mutando hacia otros familiares y otros tipos de emergencia.
• La entrevista de trabajo falsa: candidatos que se presentan a entrevistas remotas con vídeo y voz generados por IA. Aquí el objetivo no suele ser el dinero, sino colarse dentro de la red informática de una empresa contratándose a sí mismos. El FBI reporta casi 13 millones de dólares en pérdidas asociadas.
• La inversión fraudulenta: vídeos y voces de famosos, directivos o gestores de fondos, generados para avalar oportunidades de inversión inexistentes. La cifra con IA confirmada supera los 632 millones de dólares, pero el total de fraude de inversión superó los 8.000 millones, lo que sugiere que en la inmensa mayoría de los casos nadie llegó a detectar que había IA de por medio.

En total, el IC3 recibió más de 22.000 denuncias con algún componente de IA en 2025 —22.364, con precisión—, con pérdidas ajustadas de 893 millones de dólares. El propio FBI advierte de que la cifra real es mayor: la mayoría de víctimas de fraude nunca llega a saber que una IA participó en el engaño.

Lo que conecta estos cuatro escenarios, tan distintos en apariencia, es la misma estructura: una urgencia fabricada, un canal que hasta ayer bastaba para confiar —una voz, una cara en videollamada— y una petición que sale cara de verificar en caliente.

El patrón que se repetirá con otro nombre

Aquí está la parte que de verdad sirve dentro de un año, cuando esta noticia concreta ya no importe y el timo tenga otro nombre. La Autoridad Bancaria Europea, el FTC estadounidense y el INCIBE español —tres organismos que no suelen coincidir en formato— convergen en el mismo protocolo, porque la vulnerabilidad de fondo es la misma en todos los idiomas:

1. La voz y la imagen han dejado de ser prueba por sí solas. Esto es lo único que de verdad hay que memorizar. No hay truco infalible para "notar" que una voz es falsa: el FTC ya avisa de que ese margen se está cerrando rápido.
2. Nunca verifiques por el mismo canal que trajo la petición urgente. Cuelga, y llama tú a un número que ya conocías de antes, no al que te acaban de dar, ni al que responde si marcas el que aparece en pantalla.
3. Pacta una palabra de seguridad familiar. Es la recomendación más citada por analistas de seguridad y por el propio FTC: una palabra que nunca ha estado en un vídeo público y que una IA, por definición, no puede haber aprendido.
4. Desconfía de la combinación, no del detalle suelto. Urgencia + secretismo ("no se lo digas a nadie") + un método de pago no rastreable (criptomonedas, tarjetas regalo, efectivo en mano) es la señal fuerte. El acento raro de la llamada, no tanto.
5. El nombre cambiará; la forma, no. Hoy es la emergencia familiar. Mañana será la entrevista de trabajo, o la videollamada de un "asesor de inversión" con la cara de alguien conocido. Quien ha interiorizado el patrón reconoce el timo antes de que le pongan nombre.

INCIBE, el organismo español de ciberseguridad, documenta un caso real con esta misma mecánica y recomienda —para quien quiera entrenar el oído— fijarse en la consistencia del ritmo y el tono, en ruidos de fondo que no encajan, y en si lo que se dice encaja con cómo habla realmente esa persona. Son pistas útiles, pero secundarias: el protocolo de verificación por otro canal es lo que de verdad sostiene, incluso el día en que la imitación sea perfecta al oído.

Para quien quiera ir más lejos

• El desglose completo por tipo de fraude está en el informe anual 2025 del FBI/IC3 (Internet Crime Complaint Center), páginas 39-40: 22.364 denuncias, 893.346.472 dólares en pérdidas ajustadas.
• Las alertas oficiales del FTC sobre estafas de "emergencia familiar" con voz clonada, con el protocolo de verificación recomendado.
• La guía "Estafas y fraudes financieros en la era de la inteligencia artificial" de la Autoridad Bancaria Europea (EBA, enero de 2026) recoge el catálogo completo de señales de alerta con ejemplos visuales.
• INCIBE recoge el caso español documentado y herramientas de análisis forense de audio como Resemble Detect o VerificAudio, para quien quiera profundizar en la parte técnica de la detección.
• El vídeo de la comparecencia de Jennifer DeStefano ante el Comité Judicial del Senado de EE.UU., archivado por C-SPAN (13 de junio de 2023), para quien quiera el relato completo de primera mano.

Si sospechas que te ha llamado una voz clonada, la vía de denuncia en EE.UU. es ReportFraud.ftc.gov o IC3.gov; en España, INCIBE (017) y la Policía Nacional.

Nada de esto exige entender cómo se entrena un modelo de voz. Exige una sola cosa, la misma que hace seis años que un CEO alemán no pudo darle a su filial británica por teléfono: una forma de confirmar quién habla que no dependa de cómo suena. Esa es la parte que no caduca.