CO-ZONE · Artículo 05

Cuando la voz sintética no sabe quién es

Texto nacido 1 de noviembre de 2025, España. Actualizado el 1 de agosto de 2026.
Primero cambió el acento

El audio empieza con una voz y, a mitad de camino, parece otra.

El texto no cambia. Cambia el acento, como si alguien hubiera movido al locutor de latitud sin avisarle.

Lo normal habría sido generarlo otra vez, para mantener la continuidad o probar otra voz y publicar una versión limpia. Decidí conservarlo porque lo ocurrido dejaba visible algo que una grabación perfecta habría enterrado.

Una voz sintética puede sonar como una "presencia estable", pero esa continuidad también la construye quien escucha. Un timbre, un ritmo y un acento bastan para imaginar a alguien al otro lado.

Cuando el acento salta, esa identidad temporal se desdibuja un poco. No porque la IA se haya olvidado quién era, porque no hay un él ni una ella. Solemos ser nosotros quienes decidimos, casi sin darnos cuenta, que allí había un «quién».
Después ocurrió lo contrario

En otra prueba de voz con ChatGPT, dentro del mismo chat, el tema era el mismo. La voz sonaba prácticamente igual y el historial continuaba visible.

Al principio desarrollaba ideas, distinguía matices, sostenía el contexto y era capaz de objetar. Más tarde empezó a asentir más, repetir más la última idea y rellenar el turno con generalidades. Antes ayudaba a pensar; después parecía concentrado en que la conversación no terminara.

Yo había elegido pasar del modo escrito al modo de voz. No fue un relevo oculto. El propio cambio de modo ya implicaba trabajar con un sistema distinto, más orientado a responder rápido y sostener una conversación oral que a leer un documento, analizarlo y trabajar sobre él con la misma profundidad que en el modo escrito.

No lo detecté por una respuesta aislada ni porque una contestación me gustara menos. Lo reconocí por una pérdida sostenida de la calidad de la interacción. Al agotarse la cuota diaria del modo de voz apareció un aviso que ofrecía continuar con un modelo inferior. Lo vi y acepté seguir. No hubo engaño. Lo llamativo fue el resultado: lo que antes parecía algo pobre se transformó en una conversación que daba vueltas, repetía lo dicho y no añadía una sola idea que ayudara a avanzar.

Llegué a decírselo de una forma bastante menos técnica: «Estás contestando como un político que quiere cumplir con el expediente».

El ejemplo más claro llegó cuando le pedí un mensaje esperanzador para jóvenes que tienen que decidir qué estudiar. La respuesta habló de «flexibilidad», de tener «varias cositas», de un «perfil humano amplio». Sonaba a discurso de graduación genérico, no a una idea que alguien pudiera usar de verdad. Antes, en modo escrito, la misma pregunta había producido una distinción entre funciones reservadas a personas, funciones mixtas y funciones sustituibles. Después, en el modo degradado, solo quedaban generalidades bien entonadas.
La voz siguió; la capacidad, no

La sensación era la de una trabajadora experimentada que atiende por teléfono a un cliente y después deja el puesto a un sustituto digital parecido, pero menos capaz de continuar el trabajo. La voz permanece y la conversación sigue en la misma pantalla, pero se pierde el hilo, baja la calidad y el sustituto procura mantener viva la llamada aunque ya no aporte gran cosa.

Esto es una analogía, no una descripción técnica de lo ocurrido dentro de OpenAI. Pero sí puedo comparar lo que ocurrió en la conversación: misma interfaz, misma voz aparente y una capacidad argumentativa claramente distinta.
La voz ayuda a olvidar qué tenemos delante

Una interfaz escrita ya invita a atribuir intención. La voz añade respiración, ritmo, cercanía y una seguridad que a veces no se corresponde con lo que el sistema sabe o puede hacer.

Durante la prueba la IA utilizó repetidamente el «nosotros» como si compartiera una experiencia corporal y real. Cuando le pedí que hablara más alto, respondió que había subido el volumen, aunque no controlaba el volumen físico del PC. Dijo: «¿Así me oyes mejor?». Se oía exactamente igual, sin un solo decibelio de diferencia. Podía modular la entonación, pero no aumentar el volumen del equipo.

Es un detalle pequeño, pero separa dos cosas que conviene no mezclar: decir que una acción se ha realizado y haberla ejecutado realmente.
La misma voz no garantiza el mismo interlocutor

Las dos experiencias parecen opuestas.

En la primera cambió la voz y quedó claro que la identidad sonora no era estable. En la segunda, la voz permaneció y cambió la capacidad que yo percibía detrás.

Juntas cuentan algo más útil que el fallo original: la voz puede cambiar sin que sepamos qué cambió en el sistema, y el sistema puede cambiar mientras la voz sigue igual.

La continuidad sonora no garantiza continuidad de capacidad. Tampoco garantiza que se conserve el mismo contexto, el mismo criterio ni la misma aptitud para continuar una tarea.

Ver la experiencia completa

Esta grabación comenzó como una prueba informal de sonido. No estaba preparando una demostración contra la inteligencia artificial ni intentando provocar un fallo. Estaba comprobando dos teléfonos, probando tonos de voz y pidiéndole a ChatGPT que hablara para ver cómo se oía el vídeo grabado caseramente, qué sonidos se colaban y cómo respondía al pedirle que cantara algo. Esa parte quedó como un making of absurdo, de esos que todos hemos hecho alguna vez al empezar a trastear con audiovisuales.

He dejado esos momentos al principio y al final porque forman parte de lo ocurrido. Rebajan la autoridad artificial que puede adquirir una voz sintética bien modulada, muestran el contexto real y evitan presentar como experimento de laboratorio lo que fue una conversación espontánea. También ayudan a no convertir el vídeo en munición automática ni para quienes creen demasiado en la IA ni para quienes ya habían decidido lo contrario.

La cuestión concreta a observar en mi experimento es:
¿se mantiene también la capacidad intelectual del interlocutor digital cuando cambia de cerebro?

El vídeo final procede de tres grabaciones unidas durante la edición con Clideo. Se cortaron algunos tramos, pero no se reconstruyó ni dramatizó el cambio de modelo. El corte entre las dos tomas principales coincide con el aviso real mostrado por la aplicación.
El punto exacto: minuto 06:09

El relevo no se deduce únicamente por el estilo de las respuestas. Está documentado en la propia grabación.

Mientras GPT-Live-1 explicaba cómo podía tender a alisar mis textos, hacerlos más neutros y perder parte de su fricción, su ironía y sus dudas, la frase quedó cortada en:

    «Yo tiendo a…»

En el minuto 06:09 apareció durante unos segundos el aviso:

    Daily Limit Reached. You've reached your daily limit of 1 hour with GPT-Live-1 for today. You can continue with GPT-Live-1 mini.

Detuve la grabación y continué en una toma nueva con GPT-Live-1 mini. La observación posterior —«has dicho “creo”»— ocurre bastante después. Para entonces ya había percibido que el modelo mini repetía, rellenaba y perdía capacidad para desarrollar las preguntas.

Por tanto, el cambio de modelo es un hecho visible en la interfaz. Lo que se analiza en este artículo es qué cambió después en la calidad de la interacción, la pérdida de densidad entre un modelo de voz y el siguiente.
Cuando la voz conserva permisos

En esta prueba el cambio produjo respuestas pobres, repeticiones y una conversación sin valor práctico. No pasó de ahí. Nadie perdió un archivo ni se ejecutó una acción de más.

Pero la misma semana en que hacía esta prueba, OpenAI incorporó el modo de voz dentro de su aplicación de escritorio, en el modo agéntico que permite a la IA operar sobre archivos, un navegador y otras herramientas. Eso saca la pregunta del terreno hipotético. Ya no es «¿qué pasaría si...?». Es «esto ya convive en el mismo producto concretamente en el modo work de la app de escritorio en windows y mac».

Si la misma interfaz que aquí solo perdió capacidad para conversar también controla archivos, herramientas o procesos, el problema deja de ser una charla que da vueltas. Un sistema que conserva la voz y los permisos mientras pierde capacidad para sostener el contexto no debería seguir actuando sobre el mundo físico, ni en un ordenador, ni fuera de él,  por ejemplo con sensores,  actuadores o automatizaciones, porque el territorio y las potenciales consecuencias son completamente distintas.

Y hay otro detalle que esta prueba dejó claro por sí sola: si la voz puede decir «he cambiado la voz por un registro más potente» sin haberlo hecho, la misma ambigüedad entre decir que se ejecutó una acción y haberla ejecutado de verdad es mucho más seria cuando la acción no es subir un volumen o cambiar el tono, sino borrar o no borrar un archivo, enviar o no enviar un correo, o verificar o no verificar si algo quedó encendido aunque sea sólo la luz de una oficina o una nave industrial.

Por eso la orden de detener algo no debería depender del mismo canal que puede estar degradado o bloqueado en ese momento. Si cambia la capacidad, las acciones relevantes deberían detenerse, reducir permisos o pedir confirmación humana antes de seguir — y esa parada debería poder activarse desde fuera del propio sistema que está fallando, no pidiéndosela amablemente a un modelo de IA en modo voz cuya ejecución no parece ser muy segura, ni estable ni ligada a un contexto determinista.

No hice un estudio exhaustivo, ni una matriz de pruebas, ni nada que se le parezca. Tengo dos experiencias personales y una fecha de lanzamiento que las vuelve relevantes. Con eso me basta, por ahora, para no confiarle a un agente en modo voz ninguna tarea seria mientras la pérdida de densidad o capacidad intelectual queden tan claramente diferenciadas como se observa en el vídeo.
Que hacer con esta información

El título no pretende que una voz sintética deba saber quién es ni que tenga una crisis de identidad. Señala el problema que aparece cuando nosotros creemos reconocer una identidad estable donde solo tenemos una interfaz que puede representar continuidad.

En julio de 2026 el modo de voz me sirve para conversar, ensayar una entrevista, probar una explicación, ordenar una idea en voz alta o detectar cómo suena un texto. Para eso es útil, incluso con sus límites.

No lo usaría para leer y revisar a fondo un documento largo, comparar versiones, comprobar fuentes, tomar decisiones delicadas ni continuar una tarea que exige conservar muchos detalles — para eso vuelvo al modo escrito, y con el modelo mini sería todavía más prudente. Mi criterio por ahora es simple: uso el modo de voz para pensar en voz alta, ensayar una idea o probar cómo suena un texto, y me detengo en cuanto deja de sostener la tarea. Si además hay un agente en modo work con herramientas o permisos, la degradación de capacidad debería obligar a parar y pedir confirmación humana antes de seguir.

Una voz convincente puede hacernos sentir que seguimos hablando con el mismo interlocutor. No alcanza. La continuidad que importa no es que suene igual, sino que siga entendiendo qué estamos haciendo y sea capaz de hacerlo bien. Si no podemos comprobar eso, no deberíamos aumentar la confianza: deberíamos reducir el encargo.
Material para contraste

El artículo parte de dos pruebas: A) el cambio de acento dentro de un audio sintético y B) una conversación en modo de voz que continuó con un modelo inferior después de agotarse la cuota diaria.

La causa técnica exacta no la inventé: está descrita en fuentes oficiales que casi nadie lee. La propia ayuda de OpenAI confirma que las sesiones de voz para suscriptores empiezan con GPT-4o y que, al agotarse los minutos de ese modelo, se puede seguir en modo voz con GPT-4o mini — el mismo cambio que documenté aquí, con nombre y ficha técnica oficial. Una guía independiente describe ese cambio como silencioso, sin aviso sonoro, con un razonamiento más superficial y respuestas más planas: no es cosa de la imaginación de quien lo usa, dice, los planes de pago empiezan la sesión con GPT-4o y luego cambian sin avisar a GPT-4o mini.

Sobre el cruce con agentes: OpenAI confirmó el 24 de julio de 2026 que su aplicación de escritorio ya permite controlar agentes por voz, tanto en ChatGPT Work como en Codex, usando la nueva familia de modelos ChatGPT-Live. Un análisis posterior lo resume así: el riesgo no es que la voz haga más fácil usar la IA, sino que facilita delegar de más antes de que existan las salvaguardas necesarias — porque cuando la voz controla agentes en vez de solo responder preguntas, el contrato pasa de ser uso de una herramienta a ser una delegación de responsabilidad.

Ninguna de estas cuatro fuentes demuestra qué ocurrió exactamente en mi conversación concreta, ni sustituye la prueba propia. Pero sitúan lo que viví dentro de un mecanismo documentado y de una fecha de lanzamiento verificable, no solo dentro de mi propia percepción.

    OpenAI — Advanced Voice Mode FAQ (confirma el cambio automático de modelo al agotar la cuota)
    QWE AI Academy — How to Use ChatGPT Voice Mode: The Quirks Nobody Mentions (describe el fallback silencioso)
    TechCrunch — OpenAI's new voice mode makes it to the ChatGPT desktop app (fecha y alcance del lanzamiento de voz + agentes)
    Renascence — ChatGPT Desktop Voice Mode: OpenAI Adds Agent Control via Speech (análisis del riesgo de sobre-delegación)


El modo voz, por ahora, NO sirve para hacer lo mismo que puedes hacer en el modo escrito, el de siempre en la caja de texto — pero muy especialmente hay que tener en cuenta todo esto si hay agentes de IA con permisos reales.


Acerca de los catálogos de habilidades, competencias y funciones que se mencionan en el vídeo habrá un post dedicado a ese tema concreto.


Fin del audio