tropa-voice: KI-Stimmerkennung, gehostet und als Open Weights

Was tropa-voice und tropa-voice-mini sind

tropa-voice ist das Stimmmodell hinter dem Deepfake-Detektor und der API zur Stimmerkennung (in API-Antworten erscheint es als tropa-voice-1). Es bewertet die Sprache in einer Aufnahme in kurzen Segmenten über die ersten 5 Minuten und liefert eine kalibrierte KI-Wahrscheinlichkeit von 0 bis 100, ein Urteil (ai, uncertain oder human) und eine Zeitleiste der Segment-Scores, sodass Sie sehen, wo in einem Clip eine synthetische Stimme vorkommt. Bei der Prüfung einer MP3-, WAV-, OGG-, AAC- oder FLAC-Datei wird zusätzlich der Content-Provenance-Dienst von OpenAI gefragt, ob der Clip das Audio-Wasserzeichen von OpenAI trägt; OpenAI prüft Clips mit bis zu 60 Sekunden.

tropa-voice-mini ist ein kompaktes Open-Weights-Modell (1,26 GB) auf Hugging Face. Es liefert dieselbe Art von Ausgabe – einen kalibrierten Score, ein Urteil und Scores pro Fenster –, läuft auf einer normalen CPU und erreicht 0,0 % Fehlerrate bei Stimmen von ElevenLabs v3 und v4, MiniMax, OpenAI, Gemini und xAI. Es ist der stärkste kommerziell nutzbare KI-Stimmen-Detektor mit offenen Gewichten.

Ergebnisse

Fehlerrate (Equal Error Rate, EER; niedriger ist besser) auf fünf öffentlichen Benchmarks, jedes Modell von uns mit demselben Code auf denselben Dateien bewertet. Methode und alle fünf Detektoren finden Sie im Benchmark für KI-Stimmen-Detektoren.

tropa-voice hat auf allen fünf Benchmarks eine niedrigere Fehlerrate als jeder Open-Source-Detektor. Bei echten Social-Media-Deepfakes aus 2024 macht es rund 30 % weniger Fehler als der beste offene Detektor, und auf In-the-Wild erkennt es 99,4 % der Deepfakes bei 1 % Fehlalarmrate. Bei kommerziellen Stimmen von ElevenLabs, MiniMax, OpenAI, Gemini, xAI, HeyGen und weiteren machen beide Modelle etwa zehnmal weniger Fehler als der nächstbeste offene Detektor. Der Evaluationscode zu jeder Zahl liegt auf GitHub.

Gehostete API oder offenes Modell?

Über die API nutzen Sie unser genauestes System, laufend aktualisiert für neue Stimmgeneratoren und ohne eigenes Hosting. tropa-voice-mini ist die richtige Wahl, wenn Audio auf Ihren eigenen Servern bleiben muss oder Sie kostenlos einsteigen möchten.

So nutzen Sie tropa-voice (API)

Legen Sie ein Konto an, kopieren Sie den API-Key aus dem Dashboard und senden Sie eine Datei oder eine URL. Die Antwort enthält verdict, score (0–100), verified (OpenAI-Wasserzeichen bestätigt) und detailed.segments mit einem Score pro Segment. Jede Prüfung kostet 1.000 Credits und wird nur berechnet, wenn die Analyse erfolgreich ist.

curl -X POST https://www.wasitaigenerated.com/api/v1/detect/audio \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "file=@suspicious_clip.mp3"

# Files over 4 MB (up to 100 MB): pass a URL instead
curl -X POST https://www.wasitaigenerated.com/api/v1/detect/audio \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"url": "https://example.com/voice.mp3"}'

Feldreferenz und Code in Python, Node.js und PHP: API-Dokumentation und die Seite zur API zur Stimmerkennung.

So nutzen Sie tropa-voice-mini (Hugging Face)

# pip install torch transformers safetensors soundfile huggingface_hub  (+ ffmpeg for mp3/m4a/mp4)
from huggingface_hub import hf_hub_download
import importlib.util

repo = "wasitaigeneratedcom/ai-voice-detector-small"
spec = importlib.util.spec_from_file_location("detector", hf_hub_download(repo, "detector.py"))
detector = importlib.util.module_from_spec(spec); spec.loader.exec_module(detector)

det = detector.VoiceDetector.from_pretrained(repo)   # GPU if available, else CPU
result = det("suspicious_clip.mp3")
print(result["ai_score"], result["verdict"])         # e.g. 0.9986 'ai'
for seg in result["segments"]:                       # 6 s windows, 3 s hop
    print(seg["start"], seg["end"], seg["ai_score"])

ai_score ist eine kalibrierte Wahrscheinlichkeit von 0 bis 1. Der Standard-Schwellenwert für ai liegt bei 0,5 % Fehlalarmrate auf menschlicher Sprache; serving_head.json enthält zusätzlich Schwellenwerte für 1 % und 0,1 %. Ein 30-Sekunden-Clip dauert auf einer GPU etwa 0,06 s und auf 4 CPU-Kernen etwa 10 s. Model Card und Dateien: wasitaigeneratedcom/ai-voice-detector-small.

Häufige Fragen