En solo unos años, los deepfakes han pasado de ser demostraciones de laboratorio a contenido cotidiano de internet. Algunos son diversión inofensiva: memes de cambio de caras, parodias de películas y ediciones creativas hechas con herramientas como nuestro face swap con IA. Otros están pensados para engañar: falsos anuncios de famosos, noticias inventadas y llamadas de estafa con voz clonada. En cualquier caso, saber distinguir lo real de lo sintético se está convirtiendo rápidamente en una habilidad básica de alfabetización mediática.
La buena noticia: la mayoría de los deepfakes todavía dejan huellas. Esta guía explica cómo detectar deepfakes en la práctica: 10 señales visuales y de audio que puedes comprobar con tus propios ojos y oídos, además de comprobaciones de metadatos, herramientas específicas de detección de deepfakes y los nuevos estándares de procedencia de contenido (como C2PA) que irán facilitando la verificación.
Por qué importa detectar deepfakes en 2026
La IA generativa ha superado un umbral de calidad. Un cambio de cara convincente que antes exigía un laboratorio de investigación y días de GPU ahora se puede producir en el navegador en menos de un minuto. Tres tendencias hacen urgente aprender a detectarlos:
- Volumen: cada día se publican millones de imágenes y vídeos sintéticos, y el interés de búsqueda por la detección de deepfakes no deja de crecer.
- Calidad: los modelos modernos manejan la iluminación, la textura de la piel y la sincronización labial muchísimo mejor que los primeros deepfakes. (Si te interesa la tecnología de fondo, lee cómo funciona la tecnología deepfake.)
- Lo que está en juego: los deepfakes aparecen ahora en fraudes, desinformación electoral e imágenes sin consentimiento, contextos en los que dejarse engañar tiene consecuencias reales.
No necesitas un título en informática forense para protegerte. Necesitas una lista de comprobación. Aquí la tienes.
Las 10 señales de que un vídeo o una foto están generados con IA
Ninguna señal demuestra nada por sí sola. La detección es probabilística: cuantas más alertas se acumulan, más seguro puedes estar.
1. Parpadeo y comportamiento ocular poco naturales
Los primeros deepfakes apenas parpadeaban, porque los conjuntos de datos de entrenamiento estaban llenos de fotos con los ojos abiertos. Los modelos modernos sí parpadean, pero a menudo con un ritmo extrañamente regular o con párpados que no llegan a cerrarse del todo. Fíjate también en los propios ojos: los reflejos (brillos oculares) deben coincidir con las fuentes de luz de la escena y aparecer en ambos ojos en la misma posición. Los brillos que no coinciden o que faltan son un delator clásico de la IA. Otra señal es una mirada que se desvía de forma independiente del movimiento de la cabeza.
2. Contornos de la cara borrosos o temblorosos
La mayoría de los procesos de face swap generan la zona de la cara y la funden sobre la cabeza original. Esa línea de fusión (a lo largo de la mandíbula, el nacimiento del pelo y las orejas) es donde se concentran los artefactos. Busca una ligera suavidad o un "halo" alrededor de la cara mientras el fondo sigue nítido, parpadeos en la barbilla cuando la cabeza gira y mechones de pelo que se difuminan o se emborronan al cruzar el contorno de la cara. Pausa el vídeo y avanza fotograma a fotograma: los errores de fusión invisibles a velocidad normal saltan a la vista en imágenes fijas.
3. Iluminación y sombras incoherentes
La luz es difícil de falsificar con coherencia. Comprueba si la dirección de la luz en la cara coincide con el resto de la escena: si la ventana de la habitación está a la izquierda de la cámara pero la sombra de la nariz también cae a la izquierda, algo falla. Brillos en la piel que se quedan fijos mientras la cabeza se mueve, sombras bajo la barbilla que no encajan con el cuello o una cara con iluminación de estudio dentro de una habitación oscura son señales de que la cara se generó por separado de su entorno.
4. Manos, dientes, orejas y joyas
Los modelos generativos todavía tienen problemas con estructuras muy detalladas y muy variables. Los fallos más típicos:
- Manos: número de dedos incorrecto, nudillos fusionados, ángulos de articulación imposibles.
- Dientes: fundidos en una sola franja blanca o con un número que cambia entre fotogramas.
- Orejas: asimétricas, deformes o sin un pendiente que sí aparece en otros fotogramas.
- Gafas y joyas: monturas que se deforman contra la cara, reflejos que no siguen la escena.
En vídeo, estas zonas también parpadean: un pendiente que se teletransporta unos píxeles entre fotogramas es una señal clara.
5. Piel demasiado lisa o con una edad extraña
Las caras generadas con IA suelen tener un aspecto ceroso, como retocado con aerógrafo: los poros desaparecen, las microarrugas se alisan y la piel parece iluminada de forma uniforme, como en un anuncio de cosméticos. También aparece el desajuste contrario: una cara cuya edad aparente no coincide con las manos, el cuello o el nacimiento del pelo al que está unida. La piel real tiene un ruido de textura que varía por toda la cara; la piel sintética tiende a una uniformidad sospechosa.
6. Problemas de sincronización labial y del interior de la boca
La boca es la zona más difícil en un deepfake de una persona hablando. Fíjate en labios que van unos fotogramas por detrás del audio, formas de la boca que no coinciden con ciertos sonidos (las letras B, M y P exigen labios cerrados: compruébalas) y un interior de la boca que parece una mancha oscura en lugar de dientes y lengua. Si puedes, silencia el audio y mira solo la boca: sin sonido que guíe tu percepción, una mala sincronización labial es mucho más fácil de detectar.
7. Un audio que no suena del todo humano
La clonación de voz tiene sus propios artefactos, y muchos vídeos falsos fallan antes en el audio que en la imagen. Presta atención a un énfasis emocional plano o mal colocado, a la ausencia de respiraciones entre frases, a un timbre metálico o "submarino" en ciertos fonemas y a un ritmo antinaturalmente constante. El ruido de fondo también delata: las grabaciones reales tienen un sonido ambiente que interactúa con la voz, mientras que el audio clonado suele sonar pegado sobre el silencio. Lo tratamos a fondo en clonación de voz con IA frente a deepfakes de vídeo.
8. Fallos en los perfiles y las oclusiones
Los modelos de face swap se entrenan sobre todo con caras frontales o casi frontales. En el momento en que la persona se gira a un perfil completo de 90 grados, o una mano pasa por delante de la cara, los modelos débiles se rompen: la cara puede deformarse un instante, volver a la persona original o emborronarse sobre el objeto que la tapa. Busca los momentos en que la cabeza gira más o algo cruza la cara: en esos fotogramas es donde se escapa la verdad.
9. Fondos deformados y física imposible
Los artefactos de generación no se limitan a las caras. Las líneas rectas del fondo (marcos de puertas, azulejos, texto de carteles) pueden curvarse u ondularse cerca de la persona. El texto es especialmente revelador: las escenas generadas o editadas con IA contienen a menudo letras ilegibles. En vídeo, observa cómo se mueven el pelo, la ropa y los accesorios; una tela que desafía la inercia o un pelo que no responde al movimiento de la cabeza sugieren síntesis.
10. Un contexto que no cuadra
El detector de deepfakes más fiable sigue siendo tu criterio sobre el contexto. ¿Dónde se publicó primero? ¿Lo confirma algún medio de confianza? ¿De verdad un famoso anuncia un sorteo en un vídeo vertical de baja resolución? Haz una búsqueda inversa de imágenes con los fotogramas clave (Google Lens y TinEye funcionan) para encontrar versiones anteriores del material. Un clip impactante que solo existe en una cuenta anónima, recortado para ocultar marcas de agua, es sospechoso por muy limpio que parezca. Para una introducción a los tipos de medios sintéticos, empieza por qué es un deepfake.
Revisa los metadatos
Más allá de examinar los píxeles a simple vista, los archivos contienen pruebas:
- Datos EXIF: las fotos de cámaras reales incluyen el modelo de cámara, el objetivo, los ajustes de exposición y, a menudo, el GPS. Herramientas como exiftool o visores web los muestran en segundos. Las imágenes generadas con IA suelen tener EXIF eliminados o mínimos, y algunos generadores incluso escriben etiquetas de software identificativas.
- Historial del archivo: los archivos recodificados y vueltos a subir pierden metadatos, así que su ausencia no demuestra nada; pero la presencia de un rastro de cámara coherente es una prueba positiva significativa.
- Huellas de resolución y compresión: muchos procesos de generación producen imágenes con resoluciones características (512, 768, 1024 píxeles cuadrados) antes de ampliarlas. Recortes con proporciones extrañas y artefactos de doble compresión apuntan a un posprocesado pensado para ocultar el origen.
Trata los metadatos como las señales visuales: un dato probabilístico más, no un veredicto.
Herramientas de detección de deepfakes que conviene conocer
Cuando la inspección manual no basta, la detección automática de deepfakes puede ayudar:
- Hive AI Detector: extensión de navegador y API que clasifica imágenes, vídeo y audio como generados con IA; la usan equipos de moderación.
- Reality Defender: plataforma de detección multimodelo de nivel empresarial para medios, voz y documentos.
- Intel FakeCatcher: analiza los sutiles cambios de color del flujo sanguíneo (fotopletismografía) en vídeos faciales, que los generadores no reproducen.
- Deepware Scanner: escáner web gratuito pensado para vídeos sospechosos.
- Resemble Detect: centrado en audio sintético y voces clonadas.
Dos advertencias sinceras. Primero, los detectores están atrapados en una carrera armamentística con los generadores: un detector preciso hoy puede no ver nada con los modelos del próximo trimestre. Segundo, dan falsos positivos con material auténtico muy editado. Usa el resultado del detector como una señal más entre las diez anteriores, nunca como respuesta definitiva, sobre todo antes de acusar a alguien de publicar una falsificación.
C2PA, credenciales de contenido y marcas de agua
La solución a largo plazo no es una mejor detección, sino la procedencia. En lugar de demostrar que un archivo es falso, los sistemas de procedencia demuestran de dónde viene:
- C2PA (Coalition for Content Provenance and Authenticity) define "Content Credentials" (credenciales de contenido) firmadas criptográficamente que registran cómo se creó y editó una imagen o un vídeo. La respaldan Adobe, Microsoft, Google, OpenAI y los principales fabricantes de cámaras, y las cámaras más nuevas pueden firmar las fotos en el momento de la captura.
- Las marcas de agua invisibles (como SynthID de Google) incrustan marcas legibles por máquina en los resultados de la IA que sobreviven al redimensionado y a la compresión.
- El etiquetado en plataformas: las grandes redes sociales ya etiquetan el contenido de IA detectado o declarado por el propio usuario, en parte por normativas como los requisitos de transparencia de la Ley de IA de la UE.
Nada de esto es universal todavía: las firmas se eliminan, las marcas de agua no son obligatorias en todas partes y los modelos de código abierto no siempre cumplen (consulta nuestro repaso de herramientas deepfake de código abierto para ver por qué es tan difícil hacerlo cumplir). Pero comprobar las Content Credentials ya merece la pena: una imagen con un manifiesto C2PA válido de una cámara es una prueba sólida de autenticidad.
Qué hacer cuando detectas un deepfake
¿Has encontrado algo sintético y dañino? Un protocolo rápido:
- No lo amplifiques. Incluso citar una falsificación para desmentirla aumenta su alcance.
- Guarda pruebas. Haz una captura de la publicación, guarda la URL y anota la cuenta y la hora.
- Denúncialo a la plataforma: la mayoría tiene ya categorías específicas para medios sintéticos.
- Avisa a la persona afectada si el deepfake suplanta a alguien con quien puedes contactar.
- Acude a las autoridades si hay fraude, extorsión o imágenes íntimas: muchas jurisdicciones ya castigan los deepfakes sin consentimiento.
Detectar y crear: dos caras de la misma alfabetización
Puede parecer extraño que una plataforma de face swap publique una guía de detección, pero ambas habilidades son inseparables. Quienes entienden cómo funciona realmente un generador de deepfakes (lo que hace bien y dónde falla) detectan falsificaciones mucho mejor. Hacer un face swap de vídeo consentido de ti mismo y después estudiar los artefactos del contorno, los desajustes de iluminación y los límites de la sincronización labial es realmente instructivo.
Por eso el consentimiento está en el centro del uso legítimo. Cambiar caras de forma creativa, con tus propias fotos o con el permiso claro de todas las personas que aparecen, es divertido e inofensivo. Usar la imagen de alguien para engañar, acosar o estafar no lo es, y en una lista creciente de países es ilegal. Si experimentas con nuestras herramientas de face swap gratis, la regla es sencilla: cambia caras que tengas derecho a usar y etiqueta el contenido sintético cuando exista cualquier posibilidad de confusión.
Preguntas frecuentes: cómo detectar deepfakes
¿Cuál es la forma más rápida de detectar un vídeo deepfake?
Avanza fotograma a fotograma y céntrate en las transiciones: giros de cabeza, manos que cruzan la cara y movimientos de la boca en consonantes difíciles. Los artefactos de fusión invisibles a velocidad normal suelen aparecer en los fotogramas pausados en menos de un minuto de inspección.
¿Hay herramientas gratuitas para detectar deepfakes?
Sí. Deepware Scanner analiza vídeos sospechosos gratis, Hive ofrece una extensión de navegador gratuita para imágenes, y la búsqueda inversa de imágenes (Google Lens, TinEye) no cuesta nada y a menudo encuentra el material original con el que se construyó la falsificación.
¿Se puede confiar por completo en las herramientas de detección de deepfakes?
No. Los detectores van por detrás de los generadores más nuevos y fallan con material real comprimido o muy editado. Trata cualquier puntuación de un detector como un dato más junto a la inspección visual, los metadatos y la verificación de la fuente, nunca como prueba concluyente en ningún sentido.
¿Todas las imágenes generadas con IA llevan marca de agua?
No. Algunas grandes plataformas incrustan marcas de agua invisibles como SynthID y las Content Credentials de C2PA se están extendiendo, pero los modelos de código abierto normalmente no añaden nada, y a veces las marcas de agua se pueden eliminar. La ausencia de marca de agua no demuestra nada.
¿Se puede detectar un deepfake después de comprimirlo y volver a subirlo?
En parte. La compresión destruye los metadatos y suaviza los artefactos a nivel de píxel, lo que debilita la detección automática. Pero las señales de comportamiento (errores de sincronización labial, desajustes de iluminación, fallos al girar de perfil) sobreviven a la recodificación, y por eso las comprobaciones manuales siguen siendo esenciales.
¿Es legal hacer deepfakes?
Crear medios sintéticos es legal en la mayoría de los lugares cuando todas las personas que aparecen dan su consentimiento y el contenido no se usa para engañar ni hacer daño. Las leyes se centran cada vez más en abusos concretos: fraude, injerencia electoral e imágenes íntimas sin consentimiento. Las ediciones creativas consentidas, como un face swap de fotos compartido con las personas que salen en él, siguen estando claramente del lado correcto.
En resumen
Detectar deepfakes en 2026 es un juego por capas: primero la inspección visual (ojos, bordes, iluminación, manos, boca), después el audio, luego los metadatos, después las herramientas automáticas y, por último, el escepticismo de siempre al comprobar la fuente. Ninguna capa es perfecta; juntas, atrapan a la inmensa mayoría de las falsificaciones que circulan hoy.
Y la defensa más profunda es entender. Dedica diez minutos a ver cómo se comporta la síntesis facial moderna, con sus puntos fuertes y sus fallos delatores, y nunca volverás a mirar igual un clip sospechoso.
