tropa-voice: detección de voz con IA, alojada y de pesos abiertos

Qué son tropa-voice y tropa-voice-mini

tropa-voice es el modelo de voz que funciona detrás del detector de deepfakes y de la API de detección de voz (aparece como tropa-voice-1 en las respuestas de la API). Puntúa el habla de una grabación en segmentos cortos durante los primeros 5 minutos y devuelve una probabilidad de IA calibrada de 0 a 100, un veredicto (ai, uncertain o human) y una línea de tiempo con las puntuaciones de cada segmento, para que veas en qué parte de un clip aparece una voz sintética. Al comprobar un archivo MP3, WAV, OGG, AAC o FLAC, también se pregunta al servicio de procedencia de contenido de OpenAI si el clip lleva la marca de agua de audio de OpenAI; OpenAI comprueba clips de hasta 60 segundos.

tropa-voice-mini es un modelo compacto de pesos abiertos (1,26 GB) disponible en Hugging Face. Devuelve el mismo tipo de resultado, una puntuación calibrada, un veredicto y puntuaciones por ventana, y funciona en una CPU normal, con un 0,0 % de EER en voces de ElevenLabs v3 y v4, MiniMax, OpenAI, Gemini y xAI. Es el detector de voz de pesos abiertos más fuerte que puedes usar comercialmente.

Resultados

Tasa de error igual (cuanto más baja, mejor) en cinco benchmarks públicos; todos los modelos los puntuamos nosotros con el mismo código sobre los mismos archivos. El método y los cinco detectores están en el benchmark de detectores de voz.

tropa-voice tiene una tasa de error más baja que todos los detectores de código abierto en los cinco benchmarks. Con deepfakes reales de redes sociales de 2024 comete alrededor de un 30 % menos de errores que el mejor detector abierto, y en In-the-Wild detecta el 99,4 % de los deepfakes con una tasa de falsos positivos del 1 %. Con voces comerciales de ElevenLabs, MiniMax, OpenAI, Gemini, xAI, HeyGen y otros, ambos modelos cometen unas diez veces menos errores que el siguiente detector abierto. El código de evaluación de cada cifra está en GitHub.

¿API alojada o modelo abierto?

La API te da nuestro sistema más preciso, actualizado continuamente para nuevos generadores de voz y sin nada que alojar. tropa-voice-mini es la opción adecuada cuando el audio debe quedarse en tus propios servidores o quieres empezar gratis.

Cómo usar tropa-voice (API)

Crea una cuenta, copia la clave de API desde el panel y envía un archivo o una URL. La respuesta contiene verdict, score (0–100), verified (marca de agua de OpenAI confirmada) y detailed.segments con una puntuación por segmento. Cada comprobación cuesta 1.000 créditos y solo se cobra si el análisis tiene éxito.

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"}'

Referencia de campos y código en Python, Node.js y PHP: documentación de la API y la página de la API de detección de voz.

Cómo usar 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 es una probabilidad calibrada de 0 a 1. El umbral ai predeterminado está en una tasa de falsos positivos del 0,5 % en habla humana; serving_head.json incluye también umbrales para el 1 % y el 0,1 %. Un clip de 30 segundos tarda unos 0,06 s en una GPU y unos 10 s con 4 núcleos de CPU. Ficha del modelo y archivos: wasitaigeneratedcom/ai-voice-detector-small.

Preguntas frecuentes