Aquí se consideran los Modelos Ocultos de Markov Expandidos (HMMs) como posibles herramientas de generación y detección de deepfakes. El modelo más específico es el HMM, mientras que el más general es la cadena de Markov en pares (PMC). En medio, se propone el modelo de observación de Markov (MOM), donde las observaciones forman una cadena de Markov condicionalmente al estado oculto. Se desarrolla un algoritmo de maximización de expectativas (EM) análogo al algoritmo de Baum-Welch para estimar las probabilidades de transición, así como la distribución conjunta inicial de estado oculto-observación para todos los modelos considerados. Este nuevo algoritmo EM también incluye una ecuación recursiva de log-verosimilitud para que la selección de modelos se pueda realizar (después de la convergencia de parámetros). Una vez que los modelos han sido aprendidos a través del algoritmo EM, se generan deepfakes a través de la simulación, mientras que se detectan utilizando la log-verosimilitud. Nuestros tres modelos fueron comparados empíricamente en términos de su capacidad generativa y detectiva. PMC y MOM produjeron consistentemente el mejor generador y detector de deepfakes, respectivamente.