Para permitir que los operadores de vehículos aéreos no tripulados (VANT) transmitan de manera eficiente e intuitiva sus comandos a un enjambre de VANT, proponemos el uso de modalidades de entrada naturales y centradas en el ser humano, como la voz y los gestos. Este documento aborda la fusión de modalidades de entrada, como los datos de voz y de gestos, que se capturan a través de un micrófono y un controlador Leap Motion, respectivamente, para controlar enjambres de VANT. Se presentan los resultados experimentales obtenidos y se analiza el rendimiento alcanzado (precisión). Finalmente, se combina una prueba de ergonomía de factores humanos con un cuestionario para verificar la validez del método.