VeriSpoof unifica detecção, atribuição e verificação forense de áudio sintético em um único modelo

A motivação do trabalho nasce de uma limitação prática da maioria dos detectores de deepfake de áudio: eles respondem apenas “real ou falso”, enquanto um analista forense de fato precisa de muito mais — qual sistema gerou o áudio, se duas gravações suspeitas vêm da mesma fonte, e que evidência concreta sustenta cada uma dessas conclusões. Os autores propõem o VeriSpoof, um modelo de linguagem de áudio único que compartilha pesos entre cinco tarefas: detecção de deepfake, atribuição de gerador (sistema, modelo acústico e vocoder), análise de condições de gravação, localização de trechos sintetizados dentro de um áudio parcialmente falsificado, e verificação de fonte entre gravações.

O diferencial técnico é que cada decisão vem acompanhada de uma “rationale fundamentada” — uma explicação em texto cujas afirmações podem ser checadas de forma independente contra medições da própria forma de onda, rótulos de trecho ou metadados do gerador, e não apenas aceitas como uma caixa-preta. As respostas são pontuadas por verossimilhança de sentença, o que permite tanto a detecção quanto a verificação de fonte serem avaliadas por um limiar simples, e os autores treinam o modelo com exemplos contrafactuais para forçar que a decisão de fato siga a evidência apresentada, não o contrário. No benchmark Speech-DF-Arena (14 conjuntos de teste), a versão VeriSpoof-Plus atinge 2,14% de EER (taxa de erro igual), ficando em terceiro lugar entre 28 sistemas avaliados e em primeiro entre os sistemas de peso aberto; a versão básica, treinada só com dados oficiais de oito corpora, já supera o melhor detector de peso aberto anterior em mais da metade do erro.

Para a prática forense, dois resultados chamam atenção: o modelo consegue verificar se gravações de geradores nunca vistos em treinamento compartilham a mesma origem com 6,2% de erro, uma capacidade útil quando o investigador se depara com uma ferramenta de geração de voz desconhecida; e ele detecta fakes parciais (áudio editado só em um trecho) com 99,6% de acerto contra 78,4% de uma abordagem de resposta única, o que é relevante porque deepfakes de voz usados em fraude por engenharia social costumam ser exatamente esse tipo de edição parcial sobre uma gravação real. Como o modelo atualiza apenas 29,7 milhões dos seus 2,85 bilhões de parâmetros, ele roda em uma única GPU de 24 GB, o que baixa a barreira para labs forenses adotarem esse tipo de ferramenta sem depender de infraestrutura de treinamento em larga escala.