VeriSpoof চালু আছে

VeriSpoof মেলবোর্ন বিশ্ববিদ্যালয় প্রকাশিত একটি ওপেন-সোর্স অডিও লার্জ মডেল, যার 2.85B প্যারামিটার মাত্র 29.7M ডেটায় প্রশিক্ষিত। VeriSpoof ভয়েস জালিয়াতি ফরেনসিককে মডেলকে প্রশ্ন করার প্রক্রিয়ায় একীভূত করে; একই ওজন দিয়ে সত্যতা শনাক্তকরণ, সিস্টেম উৎস নির্ণয়, একই উৎস যাচাই, চ্যানেল শনাক্তকরণ এবং যাচাইযোগ্য প্রমাণভিত্তিক যুক্তি শনাক্তকরণ সম্পন্ন করে। Speech-DF-Arena-তে সম্মিলিত EER 2.14%; 28টি সিস্টেমের মধ্যে তৃতীয় এবং ওপেন-সোর্স মডেলগুলোর মধ্যে প্রথম।

সত্যতা শনাক্তকরণ: রেকর্ডিংটি মানুষের কণ্ঠ নাকি AI-সংশ্লেষিত, তা নির্ধারণ করে। স্কোরটি “জাল/মানব” দুটি উত্তর বাক্যের লগ-সম্ভাবনার পার্থক্য থেকে আসে। Speech-DF-Arena-তে সম্মিলিত EER 2.14%, ওপেন-সোর্স মডেলগুলোর মধ্যে প্রথম।
উৎপাদনকারী সিস্টেমের উৎস নির্ণয়: সম্ভাব্য TTS/VC সিস্টেমের মধ্যে নির্দিষ্ট জেনারেটর শনাক্ত করে এবং এটিকে অ্যাকোস্টিক মডেল ও ভোকোডার স্তরে ভাগ করে আলাদাভাবে বিশ্লেষণ করা যায়। MLAAD-এ দেখা জেনারেটরগুলোর 12-শ্রেণির শ্রেণিবিন্যাসে নির্ভুলতা 96.8%।
একই উৎস যাচাই: দুটি রেকর্ডিং একই উৎপাদনকারী সিস্টেম থেকে এসেছে কি না, তা নির্ধারণ করে। প্রশিক্ষণে দেখা হয়নি এমন জেনারেটরের জোড়ার ক্ষেত্রে EER 6.2%, যা নির্দিষ্ট ডিটেক্টরের হিমায়িত ফিচারে প্রশিক্ষিত জোড়া-প্রোবের তুলনায় 77% কম।
রেকর্ডিং শর্ত শনাক্তকরণ: অডিওতে থাকা শব্দ, প্রতিধ্বনি এবং কোডেকের ধরন শনাক্ত করে। Plus সংস্করণে নির্ভুলতা 81.3%।
যাচাইযোগ্য যুক্তি: পর্যবেক্ষণ, চ্যানেল, অবস্থান, উৎস-প্রোফাইল এবং সিদ্ধান্ত এই নির্দিষ্ট ক্ষেত্রগুলোতে যুক্তি প্রকাশ করে। প্রতিটি লাইন তরঙ্গরূপের পরিমাপ বা ডেটাসেটের লেবেলের সঙ্গে মিলিয়ে যাচাই করা যায় এবং প্রতি 0.16 সেকেন্ডে জাল অংশের অবস্থান দেয়। এতে স্থানীয় জালিয়াতি শনাক্তকরণ হার 78.4% থেকে 99.6%-এ উন্নীত হয়।

WeChat-এ ফলো করে “ওপেন সোর্স” লিখে উত্তর পাঠান, AI ওপেন-সোর্স প্রকল্পের আলোচনা গ্রুপে যোগ দিন
দ্বৈত-রেজোলিউশন অডিও টোকেনাইজেশন: এনকোডার হিসেবে Qwen3-ASR-1.7B-এর AuT এনকোডার ব্যবহৃত হয়। 25 স্তরের হিডেন স্টেট শেখনযোগ্য ওজন দিয়ে সমন্বিত হয়ে শুরু থেকে প্রশিক্ষিত অডিও টোকেনাইজারে যায়। টোকেনাইজার 16টি পূর্ণ-বাক্য টোকেন আউটপুট করে, যা উৎসের বৈশ্বিক অপরিবর্তনীয় তথ্য বহন করে; 52টি ফ্রেম টোকেনের প্রতিটি 0.16 সেকেন্ডের সঙ্গে সম্পর্কিত এবং সময়ের তথ্য ধরে রাখে। প্রতি 0.8 সেকেন্ডে ফ্রেমগুলোর মধ্যে টেক্সট টাইমস্ট্যাম্প যোগ করা হয়, যাতে ভাষা মডেল সরাসরি “সেকেন্ড” এককে জাল অংশের অবস্থান বলতে পারে।
উত্তর নিজেই স্কোর হিসেবে ব্যবহৃত: ভাষা মডেলটি LoRA-সহ MiniCPM5-2B। সব কাজের প্রশিক্ষণ লক্ষ্য পরবর্তী টোকেনের পূর্বাভাস; কোনো কাজ-নির্দিষ্ট শ্রেণিবিন্যাস হেড নেই। শনাক্তকরণ স্কোর হলো জাল ও মানব উত্তর বাক্যের লগ-সম্ভাবনার পার্থক্য; একই উৎসের স্কোর হলো yes ও no-এর পার্থক্য; বহুনির্বাচনী প্রশ্নে প্রতিটি সম্ভাব্য উত্তর বাক্য স্কোর করে সর্বোচ্চটি নেওয়া হয়।
তিন-পর্যায়ের প্রশিক্ষণ পদ্ধতি: উপলব্ধি-সামঞ্জস্য পর্যায়ে ভাষা মডেল হিমায়িত রেখে শুধু টোকেনাইজার ও এনকোডারের DoRA প্রশিক্ষিত করা হয়, যাতে অডিও অংশ প্রথমে জালিয়াতির চিহ্ন বহন করতে শেখে। এরপর ভাষা মডেলের LoRA যুক্ত করে জেনারেটর, অ্যাকোস্টিক মডেল, ভোকোডার এবং তিন স্তরের জোড়া-সংক্রান্ত প্রশ্নসহ সব ফরেনসিক প্রশ্ন প্রশিক্ষণ দেওয়া হয়। শেষে কম শেখার হারে প্রমাণভিত্তিক যুক্তি ও কাউন্টারফ্যাকচুয়াল নমুনা যোগ করা হয় এবং দ্বিতীয় পর্যায়ের প্রশ্ন পুনরায় উপস্থাপন করা হয়, যাতে এক ধাপে উত্তর দেওয়ার ক্ষমতা কমে না যায়।
সিগন্যাল থেকে গণনা করা যুক্তির লক্ষ্য: যুক্তির লেখা নির্দিষ্ট ক্ষেত্র অনুসরণ করে। প্রতিটি ধরনের বক্তব্যের জন্য মডেল-নিরপেক্ষ পরীক্ষক থাকে। পর্যবেক্ষণ লাইন তরঙ্গরূপের ব্যান্ডউইথ, SNR, লেভেল ও ক্লিপিং পরিমাপের সঙ্গে মিলিয়ে দেখা হয়; চ্যানেল লাইন ডেটা অগমেন্টেশনের সময় রেকর্ড করা শর্তের সঙ্গে; অবস্থান লাইন ডেটাসেটের লেবেলের সঙ্গে; উৎস-প্রোফাইল জেনারেটরের মেটাডেটার সঙ্গে। কাউন্টারফ্যাকচুয়াল নমুনায় অবস্থানটি বিপরীত করা বা নতুন অংশ যোগ করা হয়, যাতে সিদ্ধান্তও পাল্টায়; অপ্রাসঙ্গিক ক্ষেত্র বদলালে সিদ্ধান্ত অপরিবর্তিত থাকতে হয়। এভাবে প্রশিক্ষণ সংকেত সিদ্ধান্তকে কেবল “কোথায় সংশ্লেষণ করা হয়েছে”-এর ওপর নির্ভর করতে বাধ্য করে।

কোড ইনস্টল: hf download AustinXiao/VeriSpoof-Plus --include "code/*" --local-dir verispoof চালিয়ে কোড ডাউনলোড করুন, তারপর pip install ./verispoof/code চালিয়ে ইনফারেন্স প্যাকেজ ইনস্টল করুন।
মডেল লোড: Python-এ from verispoof import VeriSpoof, তারপর model = VeriSpoof.from_pretrained("AustinXiao/VeriSpoof-Plus") চালিয়ে লোড সম্পন্ন করুন।
সত্যতা শনাক্তকরণ: model.detect("sample.wav") কল করলে লেবেল ও স্কোর ফেরত আসে। শনাক্তকরণ স্কোর এবং টোকেনভিত্তিক অবস্থান নির্ণয়ের জন্য একবারের ফরোয়ার্ডই যথেষ্ট; টেক্সট তৈরি করার প্রয়োজন নেই।
যাচাইযোগ্য যুক্তি: model.explain("sample.wav") কল করলে যুক্তির লেখা, সিদ্ধান্ত, অবস্থানভিত্তিক অংশ এবং প্রতিটি টোকেনের সংশ্লেষণ সম্ভাবনা ফেরত আসে। সম্পূর্ণ যুক্তি vLLM ব্যাকএন্ডে ব্যাচ হিসেবে তৈরি করা যায়; A100-এ প্রতি আইটেমে প্রায় 0.05 সেকেন্ড লাগে।
একই উৎস যাচাই: model.same_source("a.wav", "b.wav", level="generator") কল করে দুটি রেকর্ডিং একই উৎসের কি না নির্ধারণ করুন। level-এর মান acoustic_model বা vocoder-ও হতে পারে।
শর্ত শনাক্তকরণ ও উৎস নির্ণয়: model.condition("sample.wav", attr="codec") কল করে শব্দ, প্রতিধ্বনি বা কোডেক শনাক্ত করুন। model.generator("sample.wav", ["XTTS-v2", "Bark", "VITS"]) কল করে কাস্টম সম্ভাব্য তালিকার মধ্যে উৎপাদনকারী সিস্টেম শনাক্ত করুন।

শনাক্তকরণে ওপেন-সোর্সে প্রথম: Speech-DF-Arena-তে সম্মিলিত EER 2.14%; 28টি সিস্টেমের মধ্যে তৃতীয় এবং ওপেন-সোর্স ওজনের মধ্যে প্রথম। একই সঙ্গে এটি একমাত্র শীর্ষস্থানীয় সিস্টেম, যার সঙ্গে কম খরচে পুনরুৎপাদনযোগ্য প্রশিক্ষণ পদ্ধতিও রয়েছে।
পাঁচটি আলাদা মডেলের বদলে একীভূত আর্কিটেকচার: একই ওজন দিয়ে শনাক্তকরণ, উৎস নির্ণয়, একই উৎস যাচাই, চ্যানেল শনাক্তকরণ এবং যুক্তি প্রকাশের পাঁচ ধরনের কাজ সম্পন্ন হয়; কোনো কাজ-নির্দিষ্ট শ্রেণিবিন্যাস হেড নেই।
স্কোরই উত্তর: সব মূল্যায়ন স্কোর সরাসরি মডেলের উত্তর বাক্যের লগ-সম্ভাবনা থেকে আসে। “শ্রেণিবিন্যাস হেড শক্তিশালী, কিন্তু উত্তর প্রশ্নের সঙ্গে অসংগত”—এমন বিচ্ছিন্নতা নেই; ব্যবহারকারী যে সিদ্ধান্ত দেখেন, সেটিই স্কোর করা আউটপুট।
যুক্তি যাচাইযোগ্য, বানানো নয়: যুক্তি নির্দিষ্ট ক্ষেত্র অনুসরণ করে লেখা হয় এবং প্রতিটি লাইন তরঙ্গরূপের পরিমাপ বা ডেটাসেটের লেবেলের সঙ্গে মিলিয়ে দেখা যায়। কাউন্টারফ্যাকচুয়াল প্রশিক্ষণ নিশ্চিত করে যে সিদ্ধান্ত কেবল “কোথায় সংশ্লেষণ করা হয়েছে” বদলালে পাল্টাবে। সর্বোচ্চ বিশ্বস্ততার হার 100%।
কঠোরভাবে যাচাইকৃত সাধারণীকরণ ক্ষমতা: দেখা হয়নি এমন জেনারেটরের ক্ষেত্রে একই উৎস নির্ধারণের EER 6.2%, যা নির্দিষ্ট জোড়া-প্রোবের তুলনায় 77% কম। তাছাড়া দেখা হয়নি এমন জেনারেটরগুলো প্রশিক্ষণ ডেটা থেকে সম্পূর্ণ বাদ দেওয়া হয়, ফলে মূল্যায়ন প্রোটোকল নিরপেক্ষ থাকে।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://swagshaw.github.io/verispoof/
GitHub রিপোজিটরি: https://github.com/swagshaw/verispoof
HuggingFace মডেল সংগ্রহ: https://huggingface.co/collections/AustinXiao/verispoof
arXiv প্রযুক্তিগত প্রবন্ধ: https://arxiv.org/pdf/2611.04634

মিডিয়া ও সামাজিক প্ল্যাটফর্ম পর্যালোচনা: ব্যবহারকারীর আপলোড করা অডিও এবং “ভয়েস স্ক্রিনশট” AI-সংশ্লেষিত কি না শনাক্ত করে, ক্লোন করা কণ্ঠে তৈরি ভুয়া কনটেন্ট আটকাতে সহায়তা করে।
আর্থিক ও ফোনভিত্তিক জালিয়াতি প্রতিরোধ: গ্রাহকসেবা কল বা অর্থ স্থানান্তরের নির্দেশের রেকর্ডিং মানুষের কণ্ঠে করা কি না যাচাই করে, আত্মীয় বা উচ্চপদস্থ কর্মকর্তার কণ্ঠ নকল করে করা প্রতারণা প্রতিরোধ করে।
বিচারিক ফরেনসিক ও আইন প্রয়োগ: ভয়েস প্রমাণ যাচাইয়ে প্রতিটি লাইন যাচাইযোগ্য যুক্তির প্রতিবেদন দেয়, জাল অংশের অবস্থান ও উৎপাদনকারী সিস্টেমের সূত্র ব্যাখ্যা করে এবং মানব পর্যালোচনায় সহায়তা করে।
কল সেন্টার পরিচয় যাচাই: সংরক্ষিত রেকর্ডিং ও সরাসরি কথোপকথন একই উৎসের কি না এবং মানুষের কণ্ঠ কি না নির্ধারণ করে, সংশ্লেষিত কণ্ঠ দিয়ে ভয়েসপ্রিন্ট প্রমাণীকরণ এড়িয়ে যাওয়ার ঝুঁকি কমায়।
গবেষণা ও মডেল মূল্যায়ন: ওপেন-সোর্স ওজনের মধ্যে শক্তিশালী শনাক্তকরণ বেসলাইন এবং একীভূত ফরেনসিক মডেল হিসেবে গবেষকদের VeriSpoof-Bench দিয়ে নিজেদের মডেল মূল্যায়ন ও নিয়ন্ত্রিত তুলনামূলক পরীক্ষা চালাতে সহায়তা করে।