Evaluación de la metodología forense para la comparación automática de hablantes en voces sintetizadas

Resumen

La comunicación oral porta información identificadora más allá del mensaje transmitido, permitiendo el desarrollo de sistemas biométricos vocales y protocolos científicos para comparación forense de locutores (CFL). Con la evolución de la síntesis de voz por inteligencia artificial, surgen preocupaciones sobre seguridad y capacidad de detección humana. A pesar del rendimiento de los Sistemas de Reconocimiento Automático de Locutores (SRAL), estos aún necesitan evolucionar para superar las tecnologías de síntesis por IA, especialmente en el contexto del portugués brasileño. Este trabajo objetiva comparar el rendimiento de SRAL aplicadas con metodologías de CFL en voces sintetizadas por IA, cuestionando cómo el SRAL utilizando ECAPA-TDNN implementado en SpeechBrain reacciona a la comparación de voces clonadas. La metodología exploratoria cuantitativa utilizó el Corpus Forense del Portugués Brasileño (CFPB) para calibración y el corpus CEFALA-1 para experimentación, empleando el modelo ECAPA-TDNN de SpeechBrain y servicios de clonación ElevenLabs® y Coqui-TTS®. Los resultados mostraron que el framework presentó rendimiento óptimo en voces naturales (precisión balanceada >95%), pero vulnerabilidades a voces sintetizadas, con todas las voces clonadas clasificadas como del mismo locutor. Frente a este resultado, se recomienda el desarrollo de protocolos específicos para análisis forenses con sospecha de clonación vocal.