La constante evolución de la ciencia y la tecnología plantea un desafío significativo para los peritos forenses de audio e investigadores: la autenticación de grabaciones que puedan contener habla sintetizada. En un mundo donde la biometría de voz se utiliza para verificar la identidad en servicios como teleoperadores y banca en línea, existe una creciente vulnerabilidad ante los ataques de suplantación de voz o spoofing.

Existen dos tipos principales de ataques de suplantación de voz:

• Repetición de discurso previamente grabado: En este escenario, el atacante, que no está registrado en la base de datos, reproduce un discurso pregrabado utilizando muestras de voz del objetivo. Estas muestras a menudo se obtienen mediante grabadoras de voz instaladas en teléfonos u otros dispositivos.

• Síntesis de voz mediante tecnologías avanzadas: Un método cada vez más relevante implica la síntesis de voz a través de un sintetizador de texto a voz, particularmente utilizando redes neuronales profundas, como las redes neuronales profundas (DNN). Este enfoque requiere una cantidad significativa de muestras textuales del habla objetivo (generalmente al menos 5 minutos) para entrenar la red neuronal.

En este artículo, nos centraremos en la detección de falsificaciones de voz sintética y cómo la empresa Speech Technology Center aborda este problema mediante su módulo anti-spoofing conocido como IKAR Lab, que se utiliza en análisis forenses.

Para ilustrar este desafío, analizaremos un ejemplo concreto: el primer «deep fake» utilizado en un conflicto armado, donde un video falso muestra al presidente Zelenski ordenando la rendición del ejército y el pueblo ucraniano. Este video fue publicado en un medio de comunicación previamente hackeado, y se atribuye a un supuesto gobierno enemigo.

El constante avance tecnológico nos obliga a estar alerta y desarrollar soluciones efectivas para detectar y prevenir la suplantación de voz, una amenaza cada vez más sofisticada en la era digital.

Funcionamiento del Método de Detección de Falsificación Mediante Voz Sintética

El núcleo de este método de detección se basa en una red neuronal profunda altamente entrenada e implementada específicamente para esta tarea. El proceso de detección se divide en varias etapas clave:

• Recolección de Datos de Entrenamiento: Para entrenar la red neuronal, se necesita una amplia base de datos de grabaciones de audio que contengan miles de muestras. Estas grabaciones incluyen fragmentos de audio que representan situaciones de spoofing o falsificación, así como otras muestras de audio que no contienen ninguna traza de falsificación.
• Procesamiento de Espectros: Durante la etapa de entrenamiento, la red neuronal procesa los espectros de cada grabación de audio. Esto implica analizar y extraer características específicas de las grabaciones que permiten distinguir entre el habla natural y la voz sintética utilizada en intentos de suplantación.
• Ajuste de Parámetros: La red neuronal se entrena mediante miles de iteraciones repetidas. Durante este proceso, los algoritmos de entrenamiento ajustan gradualmente los parámetros de la red. Esto permite que la red aprenda a identificar patrones y características que son indicativas de falsificaciones de voz.
• Modelos de Red Neuronal: Se crean dos modelos de redes neuronales distintos, dependiendo del tipo de canal utilizado para la grabación: grabación telefónica o grabación ambiental con micrófono.
• Salida de la Red Neuronal: La red neuronal produce un valor llamado «Score,» que puede ser tanto negativo como positivo. Para facilitar la interpretación de estos valores, la herramienta proporciona un valor «P,» que representa la probabilidad en porcentaje (de 0 a 100) de que la grabación de audio contenga falsificaciones o spoofing.

Metodología de Identificación de Voz Sintética en un Caso Específico

En el contexto de un caso específico, como el análisis de autenticidad de una pista de audio, se siguen varios pasos:

• Extracción de la Pista de Audio: El primer paso implica extraer la pista de audio a analizar para determinar su autenticidad. Este proceso permite descartar la posibilidad de que se trate de un montaje de voz natural, donde se hayan utilizado fragmentos de otras grabaciones y se hayan añadido frases o palabras.
• Análisis de Autenticidad: El análisis de autenticidad tiene como objetivo verificar si ha habido alguna edición en la grabación. En el caso que mencionas, la conclusión es que no hay evidencia de edición, lo que sugiere que la grabación es una secuencia única y auténtica.

Este enfoque combina la potencia de la tecnología de redes neuronales profundas con la capacidad de análisis de audio para identificar de manera efectiva la voz sintética y detectar intentos de suplantación en grabaciones de voz.