OpenAI pausa Sky tras la queja de Scarlett Johansson

El 19 de mayo de 2024, OpenAI pausó Sky, una de las voces de ChatGPT, después de que Scarlett Johansson cuestionara su parecido con la suya. La cronología publicada por OpenAI confirma la pausa, los contactos con la actriz y la posición de la empresa: sostiene que contrató a otra intérprete antes de esos contactos y que no pretendía imitar a Johansson.

La retirada llega una semana después de la presentación de GPT-4o, el nuevo modelo de OpenAI diseñado para conversar con texto, imágenes y voz con mucha menor latencia. La demostración de una conversación natural con una voz femenina despertó de inmediato comparaciones con Johansson y con la película Her, en la que la actriz interpretaba a Samantha, un sistema operativo dotado de voz.

Johansson dice que rechazó dos contactos de OpenAI

En un comunicado difundido este lunes, Johansson explicó que Sam Altman, consejero delegado de OpenAI, le propuso en septiembre de 2023 poner voz al sistema ChatGPT. La actriz rechazó la oferta por motivos personales.

Según su relato, Altman volvió a contactar con su representante dos días antes de la demostración de GPT-4o para preguntar si reconsideraría la propuesta. Antes de que hubiera una respuesta, OpenAI presentó la voz Sky.

Johansson afirma que amigos, familiares y el público percibieron el parecido. También recordó que Altman publicó el 13 de mayo, día de la presentación, un mensaje en X alusivo a la película Her. Para la actriz, ese contexto reforzó la impresión de que OpenAI buscaba evocar su identidad vocal sin contar con su autorización.

OpenAI niega que Sky imitase a la actriz

La compañía ha defendido que Sky no es una imitación de Johansson. OpenAI asegura que la voz pertenece a otra actriz profesional y que fue creada a partir de su voz natural, no mediante una síntesis construida sobre la de la intérprete.

Sky formaba parte del grupo de cinco voces que OpenAI incorporó a ChatGPT en 2023. Sin embargo, su presencia en la demostración de GPT-4o le dio una visibilidad mucho mayor. El nuevo modo de voz promete intercambios más fluidos, con interrupciones, respuestas inmediatas y variaciones de tono, capacidades que hacen que la voz deje de ser un simple accesorio y se convierta en parte central de la experiencia del producto.

OpenAI ha dicho que suspende Sky mientras responde a las dudas planteadas. La empresa también ha señalado que las voces de sus sistemas no deben imitar deliberadamente la voz distintiva de una celebridad.

Una voz no es solo una interfaz

El conflicto ilustra un problema que hasta ahora había quedado parcialmente oculto bajo los debates sobre imágenes y textos generados por IA. Una voz reconocible transmite identidad, profesión y reputación. Para un actor, locutor o cantante, puede ser además una parte esencial de su trabajo.

La tecnología permite clonar o aproximar voces con pocas muestras de audio. Pero el caso de Sky muestra que el problema no se limita a una copia técnica exacta. También importa la asociación que provoca un diseño de voz: si el público identifica a una persona concreta, una empresa puede obtener parte del valor cultural de esa identidad aunque no haya usado sus grabaciones.

En Estados Unidos, la protección jurídica de la voz depende de una combinación de derechos de publicidad, normas estatales y precedentes judiciales. No existe una regla federal única que resuelva todos los casos de voces sintéticas. California, donde trabajan muchas empresas tecnológicas y de entretenimiento, ha reconocido durante décadas que la apropiación comercial de una voz distintiva puede vulnerar derechos de personalidad, incluso sin reproducir una grabación literal.

El reto para los asistentes que hablan

La decisión de OpenAI llega en un momento decisivo para los asistentes de voz. Google, Microsoft, Amazon y Apple llevan años ofreciendo voces digitales, pero los modelos conversacionales están elevando la expectativa: ya no basta con que una voz lea una respuesta; debe mantener una conversación creíble y expresar matices.

Eso aumenta la presión para usar voces atractivas y memorables, pero también exige procesos de consentimiento más claros. Para las empresas, no bastará con contratar a una actriz de voz si el resultado se comercializa o promociona de un modo que induzca al público a relacionarlo con otra persona conocida.

OpenAI tendrá que decidir si modifica Sky, la sustituye o explica con más detalle cómo selecciona y valida sus voces. El episodio ya ha dejado una advertencia para el sector: en la IA conversacional, la identidad no termina en el nombre o la imagen de una persona. También puede estar en cómo suena.

Consentimiento, procedencia y parecido son preguntas distintas

Una auditoría de voz comienza por la procedencia: quién interpretó las grabaciones, para qué usos autorizó su explotación, durante cuánto tiempo y si el contrato permite entrenar o adaptar una voz sintética. Después viene el consentimiento de las personas evocadas por el resultado. Una licencia válida con la intérprete contratada no resuelve necesariamente la asociación pública con otra persona; son capas diferentes del problema.

El parecido tampoco es una medida binaria. Puede proceder del timbre, la cadencia, el acento, el registro, las muletillas o del contexto promocional que invita a pensar en una obra o celebridad. Por eso una prueba responsable no pregunta solo si dos espectrogramas coinciden. Reúne oyentes que no conozcan la hipótesis, alterna muestras comparables y registra a quién atribuyen la voz antes de revelar el objetivo. Si se menciona primero un nombre famoso, la propia pregunta puede fabricar el reconocimiento que pretende medir.

El proceso importa antes y después del lanzamiento

Una empresa debería conservar la cadena de decisiones: criterios del casting, versiones evaluadas, permisos, personas que aprobaron la voz y objeciones recibidas. También necesita una vía para que un intérprete o alguien cuya identidad parece evocada pueda reclamar, aportar evidencia y obtener una respuesta. Pausar una función reduce el daño mientras se revisa; no determina por sí solo quién tiene razón.

Para el usuario, la interfaz debería nombrar claramente que escucha una voz sintética y evitar insinuar una identidad que no ha sido autorizada. Si la voz cambia con actualizaciones, el consentimiento y la evaluación deben cubrir las nuevas versiones. El activo no es un archivo estático: es un sistema capaz de producir frases que nadie grabó.

La capacidad transferible es evaluar una voz artificial con cuatro preguntas: de dónde procede, quién consintió, qué asociación provoca y cómo se impugna. Ese marco sirve para un asistente, un anuncio, un videojuego o un audiolibro. La calidad sonora puede medirse aparte; una voz convincente no es automáticamente una voz legítima.

La transparencia no exige exponer a la intérprete

Proteger la identidad de una actriz contratada puede ser compatible con rendir cuentas. La empresa puede publicar el procedimiento, la existencia de contratos y revisiones independientes sin revelar datos personales. También puede entregar esa documentación a un mediador o tribunal si surge una disputa. “No podemos nombrarla” no debería convertirse en “no podemos demostrar ningún paso”.

Una revisión posterior debe mirar la promoción además del modelo. El nombre elegido, las referencias culturales, las publicaciones de ejecutivos y el montaje de la demostración influyen en la asociación. Corregir solo el archivo de audio puede dejar intacto el mensaje que causó el problema. En identidad sintética, producto y comunicación forman un único sistema de atribución.

Una ficha de voz debería acompañar cada versión: intérprete identificable para el responsable, base del consentimiento, usos permitidos, fecha de grabación, transformaciones aplicadas, evaluación de asociación y canal de reclamación. No hace falta publicarla íntegra al usuario, pero sí poder exhibirla ante una revisión.