Detección de deepfakes de audio mediante técnicas de deep learning: revisión sistemática de literatura (2020-2025)

Abstract

La rápida evolución de la síntesis de voz permite generar audio prácticamente indistinguible del real, lo que habilita usos maliciosos como la suplantación de identidad, el fraude por voz y la desinformación. La detección basada en aprendizaje profundo es la principal línea de defensa, pero su acelerado avance dificulta mantener una visión clara del estado del arte. Esta monografía presenta una revisión sistemática de la literatura, conducida según la metodología PRISMA 2020, sobre la detección de deepfakes de audio mediante aprendizaje profundo entre 2020 y 2025. A partir de las bases IEEE Xplore y Scopus, un cribado en tres etapas redujo 1544 registros a 39 estudios, organizados en torno a tres ejes: los conjuntos de datos y las estrategias de entrenamiento, la explicabilidad de los modelos (XAI) y la detección en lenguas distintas del inglés. El análisis revela que el sesgo de conjunto cerrado es el problema estructural del campo: los detectores fallan ante sistemas de síntesis, corpus o lenguas no vistos, y los modelos de función autosupervisados ofrecen la mayor robustez. Se concluye que la generalización es el reto central que el área tiene todavía por delante.