El cliente se enfrentaba a un juicio por injurias y calumnias. La prueba principal en su contra era un audio en el que, supuestamente, se le oía a él mismo insultando a la otra parte y reconociendo haber cometido un delito. De confirmarse su autenticidad, ese audio bastaba para condenarle. Nuestro encargo fue analizarlo con rigor forense antes de que nadie diera por buena, sin más, la voz que se escuchaba en la grabación.
Por qué no basta con escuchar el audio
El oído humano es fácil de engañar: puede reconocer un timbre de voz "parecido" sin ser capaz de detectar que, en realidad, ha sido generado o alterado digitalmente. Las herramientas de síntesis y clonación de voz basadas en inteligencia artificial han avanzado lo suficiente como para producir audios que, escuchados sin más, resultan convincentes. Por eso, cuando un audio va a usarse como prueba en un procedimiento con consecuencias penales, no es suficiente con que "suene" a la persona: hay que analizar la señal en sí misma, con herramientas que revelan lo que el oído no puede.
Las señales que apuntaban a manipulación
El análisis forense del archivo de audio combinó varias comprobaciones independientes, cada una capaz de delatar un tipo distinto de manipulación:
- Análisis espectral de la voz. Se examinó el espectrograma completo del audio en busca de patrones de frecuencia atípicos: la voz humana natural presenta micro-variaciones constantes en tono y timbre que resultan muy difíciles de replicar de forma completamente natural mediante síntesis o clonación de voz. En varios tramos del audio se detectaron precisamente esas irregularidades: una uniformidad y una ausencia de las micro-variaciones naturales propias del habla espontánea.
- Puntos de corte y empalme. Se localizaron discontinuidades en la señal —micro-saltos en la forma de onda, cambios abruptos en el ruido de fondo— en los momentos exactos donde se producían las frases más comprometedoras, compatibles con un empalme entre fragmentos de audio de origen distinto.
- Inconsistencia del ruido ambiente. El ruido de fondo (el "room tone" o sonido ambiente propio de una grabación) cambiaba de forma perceptible entre unos fragmentos y otros del audio, algo que no ocurre en una grabación continua realizada en un único entorno y con un único dispositivo.
- Prosodia poco natural. El ritmo, las pausas y la entonación de las frases más incriminatorias no seguían el patrón de habla espontánea del resto del audio, mostrando una cadencia más artificial y uniforme, característica habitual de la voz generada o clonada mediante IA.
- Metadatos y huella de compresión del archivo. Se examinó el propio archivo digital (formato, historial de codificación, huellas de las herramientas de edición utilizadas) en busca de rastros de procesado posterior a la grabación original.
Ninguna de estas señales, tomada de forma aislada, sería concluyente por sí sola: el ruido de fondo puede variar por muchos motivos, y no toda irregularidad prosódica implica manipulación. Lo determinante fue, de nuevo, la coincidencia de varios indicios independientes —espectrales, de edición y de comportamiento de la voz— concentrados precisamente en las frases más dañinas para el cliente, y ausentes en el resto del audio.
Cómo se documentó la manipulación con validez pericial
Detectar indicios de manipulación no es suficiente para un procedimiento judicial: hay que poder explicarlos y sostenerlos ante un tribunal. El informe pericial recogió cada comprobación con su metodología, las herramientas empleadas, capturas de los espectrogramas y las formas de onda en los puntos conflictivos, y una conclusión razonada que explicaba, de forma comprensible para quien no tiene formación técnica, por qué ese audio no podía considerarse una grabación auténtica y sin alterar de la voz del cliente.
El resultado
Con el dictamen pericial aportado al procedimiento, la prueba de cargo principal contra el cliente perdió su validez: un audio del que se demostraba manipulación no podía sostener por sí solo una acusación de injurias y calumnias, y menos aún el reconocimiento de un delito que, según el análisis, nunca llegó a pronunciar tal y como se presentaba. El caso se resolvió favorablemente para nuestro cliente.
La lección del caso
Con la calidad actual de las herramientas de clonación de voz, "se le oye decirlo" ha dejado de ser una prueba suficiente por sí misma en cualquier procedimiento con consecuencias serias. Cuando lo que está en juego es una acusación penal, un audio —igual que un vídeo o una fotografía— debe pasar por un análisis forense antes de darse por auténtico, por muy convincente que resulte a la escucha.
Es la misma exigencia que aplicamos al certificar vídeos o fotografías aportadas como prueba