Ridículo...

Un murciélago, por ejemplo utiliza la ecolocalización para formarse una 'imagen' mental de la 'cueva', pero no sirve para formarse una imagen mental de como es el espacio externo a la cueva.

Con la voz, pasa lo mismo, podría servir a lo sumo, para determinar como sería tu garganta, la laringe... si es una voz muy nasal puede que aclare algo al respecto, pero no el rostro, no la parte externa.

...eso será pura especulación. Podría basarse en algo estadístico, y viendo diferencias sonoras, establecer relaciones estadísticas... pero esto sería algo ya muy distinto de lo que dice que hacen. Además la estadística en este caso es dependiente de la población (probablemente por la familiaridad y la etnicidad), resumiendo, de funcionar sería por el gran parecido entre todos.

La demostración más simple es localizar parecidos más que razonables entre personas de USA (por ejemplo) y de tu país... junta un par y compara sus voces... las de las mujeres de USA suenan casi siempre con voz de pito, muy distinta a la persona que la compares (casi seguro)... Otra forma de compararlo es ver las pelis traducidas, la voz traducida (al menos en el español de España, están muy logradas), parecen encajar en el personaje, pero si luego escuchas la voz original, suele ser a menudo bastante distinta en timbres. Dicho de otro modo, la cara del traductor suele ser muy distinta de la del actor, pero sus voces 'parecen' encajarnos a su rostro... en realidad es solo cuestión de costumbre.

Luego leyendo el artículo, confirma lo que digo, es un banco de datos para hacer comparaciones y establecer aciertos... lo cual es estadística + teoría de probabilidades, da igual que lo llamen IA...