O que faz:
Você envia uma mensagem de voz ou gravação e o AIDA mede o som da voz — sem transcrever o que é dito — para encontrar marcas de síntese.
AIDA Audio
Diz se uma voz tem indícios de ter sido gerada ou clonada por IA.
Em poucas palavras
Como usar:
Envie o arquivo original (o áudio do WhatsApp baixado direto funciona). Evite regravar pelo alto-falante. Até 30 MB; os 2 primeiros minutos são analisados.
O que a resposta significa:
REAL ou IA, com a chance estimada. Em golpes com voz clonada, confirme sempre por outro canal antes de agir.
Quando desconfiar:
Áudio de ligação telefônica e áudio muito curto (menos de 1 s) ou quase todo em silêncio são difíceis — o AIDA avisa quando não dá para concluir.
Transparência técnica
Para quem quer saber exatamente o que acontece com o arquivo — e o quanto confiar no resultado.
Como funciona, passo a passo
- Padronização
O áudio vira mono, 16 kHz.
Decodificação pelo FFmpeg (PyAV); trilhas de vídeo também são aceitas. - Impressão da voz
Um modelo de fala treinado em 128 línguas transforma trechos de 6 s numa representação do som.
XLS-R-300m (wav2vec 2.0, Meta); média e desvio das camadas 5 a 12 (2.048 números) em até 4 trechos espalhados pelo áudio. - Decisão
Um classificador dá a probabilidade de cada trecho; a resposta é a média.
Regressão logística; limiar escolhido por validação cruzada para no máximo 3% de vozes reais acusadas.
Com que dados foi feito
Vozes reais: Multilingual LibriSpeech (português), FLEURS (português do Brasil), áudio dos vídeos de celular da equipe e gravações do YouTube. Vozes de IA: MLAAD (16 sintetizadores em português, como XTTS, Bark e OpenAI TTS) e um conjunto público de vozes comerciais (Polly, Kokoro, Luvvoice, ElevenLabs, Hume, Speechify).
Números medidos
- Vozes comerciais NUNCA vistas no treino (ElevenLabs, Hume, Speechify)
- 96,8% detectadas; 3,2% ditas reais
- Áudio real de celular (vídeos fora do treino)
- 98,8% corretos; 1,2% acusados
- FLEURS português (falantes fora do treino)
- 100% corretos
- Versão anterior (até 11/10/2026)
- 56% das vozes comerciais detectadas; 41% do áudio de celular acusado
Medidos em dados que não foram usados no treino. Relatórios completos no repositório do projeto.
Limites conhecidos
- Ainda não medido em áudio de vídeos gerados por IA (Sora, Veo) nem em ligações telefônicas (8 kHz).
- Clonagens de voz de sistemas muito novos podem escapar até o próximo treino.
Privacidade
O áudio vai para uma pasta temporária do servidor e é apagado ao fim da análise; nada é transcrito nem guardado. Veja o Aviso de Privacidade.