El voice cloning funciona en dos niveles. Para la versión rápida, los servicios comerciales de hoy piden uno o dos minutos de audio limpio, y con eso te dan una voz utilizable y reconocible. Para un clon convincente, que aguante también en textos largos, hacen falta media hora o más de grabación — y los proveedores más serios piden además una verificación por voz al propio hablante.
El famoso «con tres segundos basta» se refiere a un modelo de investigación de 2023 que su desarrollador nunca publicó. Desde el punto de vista de la defensa eso da igual: en un directivo que tiene una grabación de congreso o un vídeo corporativo, esa media hora ya existe en algún sitio público.
El error más frecuente es creer que la pregunta es técnica. No lo es — esa ya está resuelta. La pregunta es jurídica y ética: si hace falta consentimiento, hasta dónde llega y cuánto dura. La protección de la imagen y de la grabación de voz está regulada Estado miembro por Estado miembro, el RGPD se aplica también a ella, y trabajar a partir de una grabación pública no es buen punto de partida en ningún sitio.
El consentimiento y el flujo de trabajo práctico los cuenta Voice cloning: cómo funciona y qué está permitido, un artículo aparte. Los conceptos directamente relacionados: deepfake, lipsync y AI voiceover.