Pourquoi les deepfakes vocaux comptent
Quelques secondes de la voix d’une personne suffisent pour la cloner avec un service TTS commercial. Les voix clonées servent à des appels qui se font passer pour un proche ou un PDG, à de faux appels automatisés avant des élections et à des extraits fabriqués de personnalités publiques. Contrairement à une image retouchée, un appel téléphonique ne laisse presque pas le temps de vérifier à la personne au bout du fil.
tropa-voice est conçu pour repérer précisément ces voix, et tropa-voice-mini en est la version open weights gratuite. Nous les avons confrontés aux meilleurs détecteurs open source disponibles, sur cinq benchmarks publics, avec un seul script d’évaluation pour tous les modèles. Le code et notre propre jeu de test sont publics : chaque chiffre ci-dessous est reproductible.
L’essentiel
- tropa-voice (API hébergée) surpasse tous les détecteurs open source sur les cinq benchmarks.
- Voix commerciales : 0,23 % d’EER sur 14 systèmes TTS, dont ElevenLabs, MiniMax et OpenAI : jusqu’à 10 fois moins d’erreurs que les alternatives ouvertes (2,0–7,1 %).
- Vrais deepfakes de 2024 : sur Deepfake-Eval-2024, environ 30 % d’erreurs en moins que le meilleur détecteur open source (EER de 11,9 % contre 17,2 %).
- In-the-Wild : tropa-voice repère 99,4 % des deepfakes pour 1 % de faux positifs.
- tropa-voice-mini (Apache-2.0) est le détecteur de voix open weights le plus performant utilisable commercialement, avec 0,0 % d’EER sur ElevenLabs v3 et v4, MiniMax, OpenAI, Gemini et xAI.
Les cinq benchmarks
- In-the-Wild : 31 748 extraits de célébrités et de personnalités politiques collectés en ligne : enregistrements réels et deepfakes de 2019 à 2022.
- Deepfake-Eval-2024 : Deepfakes qui ont circulé sur les réseaux sociaux et les plateformes vidéo en 2024, partie de test officielle (773 fichiers). Musique, bandes-son de vidéos, nombreuses langues. Le jeu le plus difficile ici.
- Commercial-Voices-2026-mini : Constitué par nos soins et public : 2 084 extraits de 14 systèmes TTS commerciaux (ElevenLabs, MiniMax, OpenAI, Gemini, xAI, HeyGen et d’autres) et 2 200 enregistrements réels sous licence libre.
- SONAR : Parole issue de 8 systèmes TTS récents.
- MLAAD-tiny : 69 systèmes TTS dans de nombreuses langues, dont des voix open source récentes basées sur des LLM.
Classement
Taux d’erreur égale par benchmark : le taux d’erreur au seuil où les faux manqués et les enregistrements réels signalés à tort sont aussi fréquents. Plus il est bas, mieux c’est. La meilleure valeur de chaque colonne est en vert.
| Détecteur | Licence | In-the-Wild | Deepfake-Eval-2024 (test) | Commercial-Voices-2026-mini | SONAR | MLAAD-tiny |
|---|---|---|---|---|---|---|
| tropa-voice | API hébergée | 0,66 % | 11,9 % | 0,23 % | 0,05 % | 0,34 % |
| tropa-voice-mini | Apache-2.0 | 0,98 % | 13,5 % | 0,19 % | 0,18 % | 2,33 % |
| Spectra-AASIST | Apache-2.0 | 1,43 % | 17,2 % | 2,01 % | 0,48 % | 0,71 % |
| DF_Arena_1B | Non commerciale | 0,96 % | 27,6 % | 7,14 % | 1,26 % | 3,24 % |
| NII AntiDeepfake XLS-R-2B | Non commerciale | 1,34 % | 25,1 % | 3,99 % | 0,43 % | 4,72 % |
EER en pourcentage. tropa-voice fonctionne derrière notre API de détection vocale ; tropa-voice-mini est gratuit sur Hugging Face. DF_Arena_1B et le modèle du NII sont sous licence réservée à un usage non commercial.
- tropa-voice a un EER plus bas que tous les détecteurs open source sur les cinq benchmarks.
- Les voix commerciales sont le terrain où nos modèles creusent le plus l’écart : 0,23 % et 0,19 % d’EER, environ dix fois moins que le modèle ouvert suivant (2,01 %).
- Deepfake-Eval-2024 est le benchmark qui départage le plus les détecteurs. Sur des extraits passés par les réseaux sociaux, avec musique et bruit de fond, tropa-voice reste à 11,9 % tandis que les modèles de recherche non commerciaux montent à 25–28 %.
- tropa-voice-mini est le détecteur open weights le plus performant sous licence commerciale.
Détection pour 1 % de faux positifs
L’EER permet une comparaison neutre, mais en production vous choisissez un seuil. Avec un seuil fixé de sorte qu’un enregistrement réel sur 100 soit signalé, tropa-voice repère 99,4 % des deepfakes d’In-the-Wild.
Le verdict ai de l’API est réglé sur le même taux de faux positifs, environ 1 % sur de la parole réelle.
Par système : Commercial-Voices-2026-mini
EER par système TTS commercial, chacun évalué face aux mêmes 2 200 enregistrements réels. Ce sont les voix que les escrocs et les fermes de contenu peuvent acheter aujourd’hui.
| Système TTS | tropa-voice | tropa-voice-mini | Spectra-AASIST | DF_Arena_1B | NII XLS-R-2B |
|---|---|---|---|---|---|
| ElevenLabs v4 | 0,0 % | 0,0 % | 2,5 % | 15,6 % | 7,4 % |
| ElevenLabs v3 | 0,0 % | 0,0 % | 0,7 % | 9,1 % | 2,4 % |
| MiniMax Speech 2.8 HD | 0,0 % | 0,0 % | 0,7 % | 8,7 % | 3,4 % |
| MiniMax Speech-02 HD | 0,7 % | 0,0 % | 2,7 % | 5,4 % | 6,8 % |
| OpenAI gpt-4o-mini-tts | 0,0 % | 0,0 % | 0,0 % | 0,0 % | 0,0 % |
| OpenAI tts-1-hd | 0,0 % | 0,0 % | 0,4 % | 1,4 % | 0,0 % |
| Gemini 3.8 Flash TTS | 0,0 % | 0,0 % | 0,6 % | 2,8 % | 0,0 % |
| xAI TTS | 0,0 % | 0,0 % | 1,6 % | 14,4 % | 3,1 % |
| HeyGen | 0,8 % | 0,2 % | 6,2 % | 12,0 % | 7,3 % |
| VibeVoice 7B | 1,4 % | 1,5 % | 7,4 % | 11,8 % | 27,9 % |
| Qwen Audio 3 TTS | 0,8 % | 0,0 % | 1,5 % | 6,0 % | 2,3 % |
| Inworld | 0,0 % | 0,0 % | 1,3 % | 7,3 % | 2,2 % |
| Seed Speech v2 | 0,0 % | 0,0 % | 0,0 % | 2,4 % | 0,8 % |
| Chatterbox | 0,0 % | 0,0 % | 0,0 % | 0,5 % | 0,0 % |
Nos modèles distinguent la plupart des voix commerciales sans la moindre erreur, dont ElevenLabs, MiniMax, OpenAI, Gemini et xAI. Sur les systèmes les plus difficiles, VibeVoice 7B et HeyGen, ils restent à 1,5 % ou moins, là où les alternatives ouvertes montent jusqu’à 27,9 %.
Protocole
- Même code, mêmes fichiers : nous avons exécuté chaque détecteur avec un seul script d’évaluation, sur des fichiers identiques.
- Fenêtres glissantes sur tout l’extrait : les enregistrements longs sont découpés en fenêtres qui se chevauchent, chaque fenêtre reçoit un score, et le score du fichier est la moyenne des 30 % de fenêtres les mieux notées. Un court passage synthétique au milieu d’un long enregistrement réel n’est donc pas noyé dans la moyenne.
- Prétraitement documenté : les modèles externes reçoivent l’entrée documentée par leurs auteurs (fréquence d’échantillonnage, longueur de fenêtre, normalisation) : aucun modèle n’est utilisé hors de sa configuration prévue.
- Partitions officielles : pour Deepfake-Eval-2024, nous utilisons la partie de test officielle.
- Métrique : taux d’erreur égale par benchmark, plus la détection pour 1 % de faux positifs sur In-the-Wild.
Reproduisez chaque chiffre avec notre code de benchmark sur GitHub.
Bon à savoir
- Les extraits très courts (moins de 2 secondes), la musique de fond forte et l’audio de qualité téléphonique sont plus difficiles pour tous les détecteurs.
- De nouveaux générateurs de voix apparaissent chaque mois. tropa-voice est mis à jour en continu ; tropa-voice-mini est une version figée.
Code, données et modèles
- Code d’évaluation : wasitaigenerated/voice-deepfake-benchmark sur GitHub.
- Notre jeu de test : Commercial-Voices-2026-mini sur Hugging Face.
- Modèle ouvert : tropa-voice-mini (Apache-2.0), gratuit et léger sur CPU. Détails et utilisation sur la page du modèle tropa-voice.
- Modèle hébergé : l’API de détection de voix IA, ou importez un extrait dans le détecteur de deepfakes.
- Comment fonctionne le clonage vocal et comment vous protéger : Comment détecter le clonage vocal par IA.
Vous développez un détecteur de voix ? Faites-le tourner avec le même code et écrivez à patrick@wasitaigenerated.com. Nous ajoutons les résultats soumis à cette page, y compris ceux qui font mieux que les nôtres.
FAQ
Quel est le détecteur de voix IA le plus précis en 2026 ?
tropa-voice, le modèle de notre API hébergée, a surpassé tous les détecteurs open source testés sur les cinq benchmarks publics, avec un taux d’erreur égale de 0,66 % sur In-the-Wild, 11,9 % sur Deepfake-Eval-2024, 0,23 % sur Commercial-Voices-2026-mini, 0,05 % sur SONAR et 0,34 % sur MLAAD-tiny. Sur In-the-Wild, il repère 99,4 % des deepfakes pour 1 % de faux positifs.
Peut-on détecter les voix ElevenLabs ?
Oui. Sur Commercial-Voices-2026-mini, tropa-voice et tropa-voice-mini ont tous deux obtenu un taux d’erreur égale de 0,0 % sur ElevenLabs v3 et v4. Le meilleur autre modèle ouvert a atteint 0,7 % et 2,5 %.
La détection de deepfakes vocaux fonctionne-t-elle sur de vrais extraits issus des réseaux sociaux ?
Les extraits réels sont le test le plus exigeant pour tout détecteur : Deepfake-Eval-2024 contient des deepfakes qui ont circulé en ligne en 2024, avec de la musique, des bandes-son de vidéos et de nombreuses langues. tropa-voice y atteint un EER de 11,9 %, soit environ 30 % d’erreurs en moins que le meilleur détecteur open source (17,2 %). Les modèles de recherche non commerciaux se situaient entre 25 et 28 %.
Qu’est-ce que le taux d’erreur égale (EER) ?
Le taux d’erreur au seuil où la part de faux qu’un détecteur laisse passer est égale à la part d’enregistrements réels qu’il signale. Plus il est bas, mieux c’est, et il ne dépend pas de l’endroit où un éditeur choisit de placer son seuil.
Puis-je reproduire ces résultats ?
Oui. Le code d’évaluation est sur GitHub, Commercial-Voices-2026-mini est sur Hugging Face et les quatre autres benchmarks sont des jeux de données publics. tropa-voice-mini est téléchargeable gratuitement ; tropa-voice peut être testé via l’API.
Vérifiez vous-même un enregistrement vocal
Importez un extrait sur WasItAIGenerated : il est analysé par tropa-voice, le modèle en tête du tableau ci-dessus, avec une chronologie indiquant où la voix synthétique apparaît dans l’extrait.