Los dispositivos controlados por voz (VCDs, por sus siglas en inglés) están transformando la manera en que interactuamos con la tecnología, desde asistentes virtuales como Alexa y Siri hasta sistemas más complejos utilizados en automóviles o sistemas domésticos inteligentes. Sin embargo, la creciente adopción de estos dispositivos plantea preocupaciones significativas sobre la privacidad y la seguridad de los usuarios. El control por voz, que en teoría ofrece una experiencia más fluida y accesible, introduce vulnerabilidades que pueden ser explotadas por actores maliciosos con el objetivo de obtener acceso no autorizado a sistemas y datos sensibles.

El concepto de "seguridad de dispositivos controlados por voz" abarca tanto los desafíos técnicos como los éticos que surgen al permitir que un sistema escuche y responda a las órdenes verbales de los usuarios. Estos dispositivos son extremadamente convenientes, pero su constante escucha puede ser una puerta de entrada para ataques que comprometan no solo la seguridad, sino también la privacidad. Cuando un dispositivo está permanentemente "activo", esperando una palabra clave o un comando, puede ser potencialmente manipulado para realizar acciones no autorizadas.

Uno de los ataques más comunes a los VCDs es la suplantación de voz o el "spoofing". A través de técnicas avanzadas, los atacantes pueden replicar la voz de un usuario legítimo, haciendo que el dispositivo piense que la orden dada es auténtica. Este tipo de ataque puede permitir la apertura de puertas electrónicas, la activación de dispositivos sensibles, e incluso el acceso a cuentas personales. Dado que los VCDs suelen tener acceso a una vasta cantidad de datos personales, el compromiso de estos sistemas podría llevar a consecuencias devastadoras en términos de privacidad y seguridad financiera.

La investigación en seguridad informática aplicada a los VCDs ha identificado varios puntos débiles que deben ser abordados para proteger a los usuarios. En primer lugar, la falta de métodos de autenticación robustos en muchos dispositivos deja espacio para ataques de suplantación. La mayoría de los VCDs actuales dependen exclusivamente de un "wake word" (palabra de activación), lo que significa que cualquier intento de decir esa palabra o utilizar un audio manipulado podría ser suficiente para engañar al sistema.

Es en este contexto donde surge la necesidad de tecnologías avanzadas como la "detección de liveness" (o detección de vitalidad), que se utiliza para asegurar que la voz provenga de una persona real y no de una grabación o simulación. La detección de liveness analiza aspectos como los patrones de respiración, los tiempos de pausa y otros elementos que son difíciles de replicar en un ataque. Sin embargo, esta tecnología aún está en desarrollo, y su implementación en dispositivos comerciales no es uniforme.

Otro enfoque para proteger los VCDs de los ataques de voz consiste en la verificación automática del hablante. Esta técnica utiliza algoritmos avanzados de reconocimiento de voz para comparar las características vocales de una persona con una base de datos previamente registrada. Si la voz detectada no coincide con la de un usuario autorizado, el dispositivo no ejecuta la acción solicitada. Aunque esta medida mejora la seguridad, también presenta limitaciones en cuanto a precisión y la posibilidad de falsos negativos.

Además, el uso de palabras clave autogeneradas es una estrategia que ha mostrado cierto éxito para mitigar los riesgos de ataques por suplantación de voz. Al permitir que el sistema ajuste de manera dinámica las palabras de activación o establezca una lista personalizada que solo el propietario del dispositivo conoce, se reduce el riesgo de que un atacante pueda utilizar una grabación o una reproducción de sonido para engañar al dispositivo.

La seguridad de los dispositivos controlados por voz también implica una comprensión más profunda de los modelos de ataque, como el de la cadena de destrucción o "kill chain", que describe cómo un atacante puede aprovechar las vulnerabilidades de un sistema para ganar acceso inicial, escalar privilegios y finalmente ejecutar su ataque. Comprender estos modelos es esencial no solo para prevenir ataques, sino también para implementar medidas de defensa más efectivas.

Es importante que los usuarios no subestimen el alcance de las amenazas a las que están expuestos. Además de la suplantación de voz, existen otros vectores de ataque como el uso de comandos ligeros o el ataque Dolphin, que utiliza señales ultrasónicas para manipular dispositivos sin ser detectados. La sofisticación de los ataques subraya la necesidad de contar con sistemas de defensa cada vez más robustos, que incluyan múltiples capas de protección.

La seguridad de los dispositivos controlados por voz es, por lo tanto, un desafío multifacético que involucra tanto a desarrolladores como a usuarios. Los primeros deben seguir invirtiendo en la mejora de las tecnologías de autenticación, mientras que los segundos deben ser conscientes de las amenazas y adoptar medidas preventivas, como la desactivación de micrófonos cuando no se utilizan o la configuración de parámetros de seguridad adicionales en sus dispositivos.

¿Cómo se articulan y diferencian los ataques DolphinAttack y SurfingAttack contra dispositivos controlados por voz?

En el escenario proximal —temporal o cercano— que abarca tanto el ataque desde un altavoz doméstico fijo como el escenario de seguimiento en la calle, el adversario obtiene ventaja si conoce de antemano el dispositivo objetivo para evaluar su comportamiento ante el ataque antes de ejecutarlo en condiciones reales. Cuando el atacante desconoce la solución ASR incorporada, el problema permanece en el clásico contexto de caja negra: .¬ [[Eve]] D,X, f, w, donde solo la observación empírica y la iteración permiten afinar parámetros.

La «weaponización» de audio en DolphinAttack se descompone en dos fases esenciales. Primero, el atacante genera la señal base—el comando vocal deseado—ya sea sintetizándolo mediante TTS o tomando muestras de la voz legítima; la selección de un perfil TTS parecido o el muestreo directo solo resulta necesario si el dispositivo protege funciones críticas mediante reconocimiento de hablante. Segundo, esa señal base se incorpora en un portador ultrasónico mediante modulación por amplitud (AM) para explotar la no linealidad de los micrófonos; las fórmulas y los detalles matemáticos están documentados en la literatura específica, fuera del alcance operativo de este capítulo.

La fase de explotación exige ajustar parámetros de modulación para mantener una tasa óptima de reconocimiento en cada objetivo: la variación de amplitud, frecuencia portadora y filtrado determina la eficacia práctica. La persistencia no se aborda de forma extensa en la bibliografía de DolphinAttack; sin embargo, bajo el supuesto de que el adversario haya empleado equipo fijo y voluminoso sin ser detectado, el control puede mantenerse hasta la observación por parte del usuario. Más verosímil es el ataque con aparato portátil, donde la ventana temporal de explotación es reducida; en ese lapso el atacante priorizará comandos que prolonguen la intrusión (descarga/ejecución de malware, modificación de permisos, envío de credenciales), buscando persistencia mediante acciones inmediatas.

SurfingAttack comparte con DolphinAttack el principio de inyección de comandos mediante ultrasonidos, pero cambia de medio y añade interactividad. En lugar de propagar ondas por el aire, SurfingAttack guía señales ultrasónicas a través de un medio sólido generando ondas tipo Lamb mediante un transductor piezoeléctrico (PZT) acoplado a la superficie portadora. Esto permite no solo emitir comandos ocultos, sino también recibir respuestas encubiertas del dispositivo objetivo —por ejemplo, que el smartphone lea un SMS con un código de un solo uso— abriendo vectores de explotación más sofisticados.

La weaponización de audio en SurfingAttack reproduce conceptualmente la de DolphinAttack: generación de la forma de onda a partir de TTS o grabaciones, y uso de un generador de señales para convertirla en ultrasonido. Las diferencias prácticas son dos: no se precisa amplificación en aire (al no usar altavoz ultrasónico) y las leyes físicas que rigen la transmisión (propagación de Lamb waves en sólidos) difieren, por lo que es imprescindible caracterizar parámetros del material (espesor, elasticidad, atenuación) antes de la transmisión. Para el apoyo operativo, el adversario debe poder colocar el generador y el PZT en la misma superficie del dispositivo objetivo o en proximidad inmediata; si bien el tamaño del generador es menor que el equipo fijo de DolphinAttack, sigue siendo susceptible de ser detectado en ambientes domésticos, lo que condiciona los escenarios plausibles de ataque.

En términos de explotación, la adaptabilidad a la superficie y la sintonización de la frecuencia y el acoplamiento del transductor determinan la eficacia. La interactividad añade complejidad: además de inyectar comandos, el atacante puede leer salidas audibles o forzar estados que revelen información sensible, incrementando el riesgo sistémico. La persistencia en SurfingAttack, como en DolphinAttack, depende de la ventana de acceso y de la capacidad del adversario para ejecutar acciones que consoliden control o exfiltren credenciales en ese corto intervalo.

¿Cuáles son los fundamentos tecnológicos y de seguridad que condicionan los dispositivos controlados por voz?

La seguridad de la información se articula clásicamente alrededor de la llamada Triada CIA —Confidencialidad, Integridad y Disponibilidad—, cuya garantía constituye la métrica primaria para valorar cualquier sistema que procese datos, incluidos los dispositivos controlados por voz. La confidencialidad presupone que sólo entidades explícitamente autorizadas pueden leer información; esta condición suele requerir mecanismos de autenticación que, por sí solos, no garantizan acceso si no van acompañados de autorizaciones granulares. La integridad persigue que los datos permanezcan inalterados frente a modificaciones accidentales o maliciosas, y por extensión habilita la no repudio: técnicas criptográficas como funciones hash permiten detectar alteraciones y establecer procedencia. La disponibilidad exige que la información y los servicios estén accesibles cuando se necesitan, lo que impone medidas de redundancia, recuperación ante desastres y continuidad operativa; en el ámbito de dispositivos de voz esto incluye desde copias de seguridad hasta configuraciones de red tolerantes a fallos.

Esta base conceptual resulta indispensable para abordar riesgos específicos de los sistemas de reconocimiento de voz y asistentes virtuales. La convergencia de aprendizaje automático, redes neuronales profundas y procesamiento de lenguaje natural ha permitido avances sustantivos en reconocimiento y generación de voz, pero también ha introducido nuevas superficies de ataque. Existen ataques que explotan propiedades físicas del sonido —comandos inaudibles por humanos mediante ultrasonidos o señales moduladas— y otros que manipulan modelos ML mediante entradas adversariales que causan transcripciones erróneas o comportamientos no previstos. Asimismo, la proliferación de funciones de terceros en plataformas de asistentes crea un ecosistema de skills o aplicaciones cuya seguridad y modelo de permisos pueden variar, incrementando la probabilidad de riesgos emergentes.

Es importante que el lector integre, más allá de lo expuesto, la visión de adversario: qué objetivos busca, qué recursos requiere, y qué contramedidas son viables sin sacrificar usabilidad. Además, conviene comprender las limitaciones intrínsecas de los modelos de aprendizaje automático —sus sesgos, su sensibilidad a perturbaciones y la dificultad de explicar sus decisiones— y cómo esas limitaciones impactan la trazabilidad, la auditoría y las respuestas ante incidentes en sistemas de voz. Finalmente, evaluar riesgos en este dominio no es sólo técnico: exige también considerar políticas de privacidad, recopilación de datos biométricos y mecanismos regulatorios que condicionan la arquitectura segura de estos dispositivos.