Work

Análisis de características acústicas de la voz para la detección ligera de deepfakes de audio: revisión sistemática y estudio experimental

Year: 2026
Type: dissertation
Abstract: El avance reciente de la inteligencia artificial ha favorecido la aparición y difusión de deepfakes convirtiéndolos en una importante amenaza para la seguridad. Esta tesis aborda el desarrollo de un sistema de detección de deepfakes de audio orientado a su posible ejecución en dispositivos con recursos computacionales limitados. Para ello, se realiza una revisión sistemática del estado del arte con el fin de identificar la brecha existente en el uso de métodos ligeros de detección, en el empleo de conjuntos reducidos de características, en la comparación homogénea del rendimiento y en la evaluación al pasar de un repositorio a otro. A partir de este análisis, se estudian distintas familias de características y se obtiene un conjunto reducido de 9 características que permite mantener un rendimiento competitivo con modelos tradicionales de aprendizaje automático, entre ellos Random Forest, Linear SVC, K-Nearest Neighbors, Extreme Gradient Boosting y SVM con kernel RBF. Cuando el entrenamiento y la evaluación se realizan en el mismo repositorio, concretamente en WaveFake, ASVspoof2019, In-the-wild y FoR, los resultados muestran un Equal Error Rate inferior al 10 por ciento y un recall superior al 80 por ciento. A continuación, se analiza el comportamiento del sistema al entrenar en un repositorio y evaluar en otros distintos, así como también se lleva a cabo una validación cruzada por repositorios, dejando uno fuera en cada iteración. En estos escenarios se observa una degradación notable del rendimiento, e incluso casos de inversión en la puntuación de algunos clasificadores, lo que confirma la existencia de diferencias relevantes entre repositorios y delimita el alcance real del sistema propuesto. Finalmente, se estudia el coste computacional mediante medidas de latencia de inferencia, tiempo de entrenamiento y memoria para distintas dimensiones de entrada, concretamente 109, 30 y 9 características. Los resultados muestran que la reducción de características tiene un impacto directo en la viabilidad del despliegue en dispositivos con pocos recursos, manteniendo al mismo tiempo un nivel de detección útil.
Language: Spanish
Open Access status: green
OpenAlex ID: W7166265867
Cites: 138
Cited by:
Related to: 10