El audio y el vídeo son las modalidades donde la IA ha avanzado más dramáticamente en los últimos dos años —y donde la distancia entre lo que es tecnológicamente posible y lo que es éticamente sin fricción es más grande. Este capítulo describe el estado actual: qué funciona, qué no, y qué preguntas conviene hacerse antes de usar estas capacidades.

Transcripción: lo que ya funciona bien

La transcripción automática de audio a texto ha alcanzado un nivel de madurez que la hace prácticamente imprescindible en muchos flujos de trabajo profesionales.

Whisper (OpenAI) es el modelo de referencia. Funciona sobre más de 100 idiomas, produce transcripciones con identificación de hablantes (con versiones adaptadas), y su precisión en audio de calidad razonable es excepcional. Está disponible como API y como base de docenas de aplicaciones.

Casos de uso que ya tienen sentido a escala:

Reuniones. Herramientas como Otter.ai, Fireflies o el propio Teams/Zoom con transcripción integrada convierten automáticamente las reuniones en texto, con identificación de hablantes y resumen automático. La fricción de tomar notas desaparece.

Entrevistas y podcasts. Transcribir una entrevista de una hora que antes requería 3-4 horas de trabajo manual ahora toma minutos. El tiempo humano se reduce a revisar y corregir.

Contenido de vídeo. Subtitulado automático, transcripción para SEO, extracción de citas. El vídeo pasa a ser un contenido indexable y buscable.

La precisión no es perfecta: nombres propios, jerga técnica y audio con mucho ruido de fondo siguen siendo más difíciles. Pero el punto de partida que ofrece la transcripción automática —incluso imperfecta— reduce el trabajo total en un 70-80%.

Síntesis de voz

La síntesis de voz —convertir texto en audio hablado— ha dado un salto cualitativo. Las voces sintetizadas de los sistemas actuales son indistinguibles de una voz humana real para la mayoría de los oyentes no entrenados.

ElevenLabs es el estándar de calidad. Tiene catálogo de voces preconfiguradas y permite clonar voz propia. La naturalidad de la prosodia —los patrones de énfasis, las pausas, la entonación— es el aspecto que más ha mejorado respecto a generaciones anteriores.

Usos que funcionan bien:

  • Narración de vídeos educativos o corporativos (en lugar de grabación humana)
  • Generación de demos de productos en varios idiomas
  • Contenido accesible (audiobooks, materiales en audio para personas con dificultades visuales)
  • Prototipado rápido de podcasts o productos de audio

Limitación real: La síntesis de voz es muy buena en español y en inglés, pero la calidad cae significativamente en idiomas menos representados en el entrenamiento. La prosodia sigue siendo el punto más difícil: en conversaciones naturales, con interrupciones y emociones, la síntesis aún resulta artificial.

Clonación de voz

La clonación de voz permite replicar la voz específica de una persona —su timbre, su acento, sus patrones de habla— con una muestra de audio relativamente pequeña. Algunos sistemas requieren solo unos minutos de audio de referencia.

Usos legítimos: Doblaje de contenido propio en varios idiomas, restauración de voz para personas que la han perdido por enfermedad, personalización de asistentes de voz.

El problema: La misma tecnología que clona tu voz para doblar un vídeo en otro idioma puede usarse para producir audio falso de cualquier persona diciendo cosas que nunca dijo. El umbral técnico para hacerlo es bajo. Las implicaciones —desinformación, fraude telefónico, chantaje— son evidentes.

Los sistemas responsables incluyen marcadores de agua digitales en el audio generado, pero la detección no es perfecta y los modelos de código abierto no incluyen esas protecciones.

Generación de vídeo

La generación de vídeo a partir de texto o imagen es el área donde el avance es más rápido y los resultados más impresionantes, pero también donde las limitaciones son todavía más visibles.

Sora (OpenAI), anunciado en 2024, produjo vídeos de hasta un minuto con coherencia visual y movimiento de cámara convincentes. Runway, Pika, Kling y otros ofrecen generación de vídeo accesible con resultados que hace dos años habrían sido imposibles.

Lo que funciona:

  • Generación de clips cortos (3-10 segundos) con prompt textual
  • Animación de imágenes estáticas
  • Ampliación o extensión de vídeos existentes
  • Generación de fondos o b-roll para vídeos de producción

Lo que todavía falla:

  • Coherencia de objetos y personas a lo largo de secuencias más largas (algo aparece y desaparece, cambia de forma)
  • Física realista de interacciones complejas (líquidos, ropa, pelo)
  • Generación fiable de texto visible en vídeo
  • Control fino de movimientos específicos

Avatares de vídeo. Sistemas como HeyGen o Synthesia permiten crear presentaciones de vídeo con un avatar fotorrealista que “habla” el texto que le proporcionas. Ya se usan en formación corporativa y contenido de marketing. Los detectores de vídeo sintético son menos eficaces de lo que los usuarios asumen.

Las preguntas que plantea

La síntesis de voz y la generación de vídeo plantean preguntas que van más allá del uso correcto de una herramienta:

Consentimiento. Clonar la voz o la imagen de alguien sin su consentimiento para producir contenido que nunca produjeron es un uso que la tecnología hace posible pero que plantea problemas evidentes de privacidad y dignidad.

Detección. Los detectores de audio y vídeo sintético mejoran, pero siempre van por detrás de los modelos generadores. La carrera tecnológica entre generación y detección no tiene un ganador estable.

Desinformación. Los deepfakes de audio y vídeo ya se usan en campañas de desinformación política. El coste de producción ha caído dramáticamente. La verificación de la autenticidad de vídeos se está convirtiendo en una habilidad necesaria.

El consejo práctico: usa estas herramientas para tu propio contenido, con tu propia voz o imágenes con licencia adecuada, con transparencia sobre el uso de IA cuando sea relevante. Las preguntas que plantean no son razones para no usarlas, pero sí para hacerlo con criterio.