⚡ electrical engineering

Asymmetric Phase Coding Audio Watermarking

Este artículo propone la Codificación de Fase Asimétrica (APC), un esquema de marca de agua de audio criptográfico sin entrenamiento que combina firmas Ed25519 con corrección de errores y codificación de fase para proporcionar una procedencia robusta y extraíble a ciegas frente a deepfakes y ataques comunes de procesamiento de señales, manteniendo al mismo tiempo una alta calidad de audio y baja latencia.

Autores originales: Guang Yang, Amir Ghasemian, Ninareh Mehrabi, Homa Hosseinmardi

Publicado 2026-05-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Guang Yang, Amir Ghasemian, Ninareh Mehrabi, Homa Hosseinmardi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una grabación de voz que quieres demostrar que es auténtica. En el mundo actual, donde la inteligencia artificial puede imitar perfectamente la voz de cualquier persona, resulta cada vez más difícil distinguir entre una persona real y un deepfake.

Este artículo presenta una nueva herramienta llamada Codificación de Fase Asimétrica (APC). Piénsala no como un detective que busca pistas después de un crimen, sino como un sello a prueba de manipulaciones aplicado al audio en el momento mismo de la grabación.

Así es como funciona, desglosado en conceptos simples:

1. El Problema: La Crisis de la "Falsificación Digital"

Imagina a un cajero de banco que solo confía en tu voz. Si un criminal utiliza una IA superinteligente para copiar tu voz, el cajero podría ser engañado.

Solución Antigua (Detección Pasiva): Esto es como un detective buscando "huellas dactilares" dejadas por los generadores de IA. Pero a medida que la IA mejora, deja menos huellas. Además, si envías el audio a través de una llamada telefónica o lo comprimes para un mensaje de texto, esas huellas se lavan.
La Nueva Solución (APC): En lugar de buscar pistas más tarde, este método coloca una firma criptográfica directamente dentro de las ondas sonoras en el momento de la grabación. Si el audio se modifica o se falsifica más tarde, la firma se rompe.

2. La Idea Central: Ocultar un Secreto en la "Fase"

El audio se compone de dos partes principales: Volumen (qué tan fuerte es) y Fase (el momento de las ondas sonoras).

El Truco: APC oculta un mensaje secreto desplazando ligeramente el momento (fase) de frecuencias sonoras específicas. Es como un músico que cambia sutilmente el ritmo de un golpe de tambor lo suficiente para codificar un código secreto, pero no lo suficiente para que el oído humano lo note.
La "Clave": Para leer este código, necesitas una clave digital especial (como una clave pública en un sistema de caja fuerte). Sin la clave, el código parece ruido aleatorio. Con la clave, puedes decodificar el mensaje y verificar quién lo firmó.

3. El Sistema de "Doble Respaldo"

Los investigadores se dieron cuenta de que si solo ocultas el secreto en el momento (fase), ciertos formatos de audio comunes (como MP3 u OGG) podrían borrarlo accidentalmente, como una tormenta de lluvia que borra un mensaje escrito en la arena.

La Solución: Construyeron un sistema híbrido con dos canales:
1. El Canal de Fase: El secreto principal oculto en el momento.
2. El Canal de Magnitud: Un secreto de respaldo oculto en las diferencias de volumen entre las frecuencias sonoras.
La Analogía: Imagina enviar una carta secreta. Escribes el mensaje principal con tinta invisible en el papel (Fase). Pero también escribes una segunda copia en un color diferente en la parte trasera del sobre (Magnitud). Si alguien intenta lavar el papel (compresión MP3) y la tinta invisible desaparece, aún puedes leer la copia en la parte trasera.

4. Por Qué Es Especial: "Sin Entrenamiento" e "Inquebrantable"

No Se Necesita Entrenamiento de IA: Muchas marcas de agua modernas requieren supercomputadoras masivas y miles de horas de datos de entrenamiento para aprender a ocultar secretos. APC es sin entrenamiento. Utiliza reglas matemáticas (como una receta) que funcionan instantáneamente en cualquier computadora, incluso sin una tarjeta gráfica.
Prueba Criptográfica: A diferencia de otros métodos donde cualquiera que conozca el truco puede forjar una marca de agua "falsa" válida, APC utiliza Ed25519, una firma digital de alta seguridad. Es como un sello de cera que solo puede hacer la persona que posee el sello específico. Incluso si un hacker sabe exactamente cómo se oculta la marca de agua, no puede crear una válida sin la clave privada.

5. ¿Qué Tan Bien Funciona?

Los autores probaron esto en 1.000 clips de voz reales y los sometieron a ocho "ataques" diferentes para ver si el sello se rompería:

Los Ataques: Cambiar el formato del archivo (MP3, OGG), reducir la calidad, cortar los extremos de la grabación o reproducirlo a través de una línea telefónica.
El Resultado: En casi todos los casos (del 97,5% al 98,3% de las veces), el sistema verificó con éxito que el audio era auténtico.
El Costo: La calidad del audio permaneció muy alta. Para un oyente humano, el audio con marca de agua suena casi idéntico al original. La única vez que la calidad disminuyó notablemente fue cuando el audio fue cortado o comprimido en exceso, pero incluso entonces, el sistema a menudo recuperó la firma gracias al canal de "respaldo".

6. El Compromiso

El artículo admite que otras marcas de agua basadas en IA podrían sonar ligeramente más perfectas en un entorno de laboratorio. Sin embargo, esos métodos de IA tienen debilidades:

Requieren conjuntos de datos masivos y GPUs para entrenar.
Por lo general, solo transportan un mensaje diminuto (como un número de identificación simple), no una firma criptográfica completa.
Si el modelo de IA cambia, la marca de agua podría dejar de funcionar.

APC intercambia un poco de perfección de audio por seguridad, simplicidad y fiabilidad. Está diseñado para ser una "prueba de origen" que sobrevive a la realidad desordenada de Internet, donde los archivos se comprimen, se vuelven a guardar y se comparten constantemente.

En resumen: APC es un sello invisible, basado en matemáticas e inquebrantable que puedes poner en una grabación de voz para demostrar, con alta confianza, que provino de una fuente específica y no ha sido manipulado, incluso después de ser comprimido a través de los filtros más comunes de Internet.

Resumen Técnico: Marcado de Agua en Audio mediante Codificación de Fase Asimétrica (APC)

Planteamiento del Problema
La proliferación de audio deepfake de alta fidelidad amenaza los sistemas de autenticación basados en voz. Aunque existen detectores forenses pasivos, adolecen de dos limitaciones intrínsecas: (1) son vulnerables a la adaptación adversaria a medida que evolucionan los modelos generativos, y (2) dependen de artefactos estadísticos que a menudo son destruidos por distorsiones de canales del mundo real (por ejemplo, VoIP, códecs, transmisión celular). Además, el marcado de agua esteganográfico estándar carece de no repudio criptográfico; cualquier persona que conozca el algoritmo puede forjar una marca de agua "válida". La firma basada en metadatos (por ejemplo, manifiestos C2PA) es insuficiente porque los metadatos se eliminan frecuentemente durante la recodificación o el procesamiento de plataformas, dejando la señal misma sin verificar.

Metodología
Los autores proponen la Codificación de Fase Asimétrica (APC), una capa de firma criptográfica sin entrenamiento para audio. La APC está diseñada para ser un primitivo de procedencia compacto y auditable que puede funcionar de forma independiente o apilarse con marcas de agua neuronales aprendidas. El sistema opera de la siguiente manera:

Construcción de la Carga Útil Criptográfica:
- Un mensaje en texto plano $M$ se firma utilizando Ed25519 (EdDSA), produciendo una firma de 64 bytes con 128 bits de seguridad clásica.
- La carga útil consiste en un prefijo de longitud, el mensaje y la firma.
- Esta carga útil se codifica con un código externo Reed–Solomon (RS) ( $t=30$ símbolos de paridad), permitiendo al sistema corregir hasta 15 errores de bytes antes de la verificación criptográfica.
Canales de Incrustación Híbridos:
El sistema incrusta la carga útil codificada con RS en la Transformada de Fourier de Tiempo Corto (STFT) del audio anfitrión utilizando dos canales paralelos y ciegos:
- Canal de Fase: Utiliza selección pseudoaleatoria de bins STFT (sembrada por la clave pública) en el rango de 60–300 bins (aprox. 1.3–6.5 kHz). Los bits se mapean a desplazamientos de fase de $\pm \pi/2$ . Este canal es robusto ante muchas distorsiones pero colapsa bajo códecs con pérdida (MP3/OGG) que redistribuyen la energía de fase.
- Canal de Magnitud-QIM: Un canal paralelo que opera sobre un conjunto disjunto de bins. Codifica la misma carga útil utilizando Modulación de Índice de Cuantización (QIM) en las diferencias de magnitud logarítmica de pares de bins adyacentes. Este canal está diseñado específicamente para sobrevivir a la compresión con pérdida (MP3/OGG) donde falla el canal de fase.
- Decodificación Suave: Durante la extracción, el sistema suma valores continuos suaves (seno de fase y coseno de magnitud) a través de múltiples réplicas de cuadros antes de aplicar umbralización, en lugar de votar sobre bits duros, para mejorar la robustez bajo compresión con pérdida.
Extracción y Verificación Ciegas:
La extracción requiere únicamente la señal de audio y la clave pública. La clave pública regenera los patrones de selección de bins para ambos canales. El sistema intenta decodificar primero el canal de fase; si esto falla, intenta el canal de magnitud. Si cualquiera de los canales decodifica con éxito la carga útil y la firma Ed25519 se verifica contra la clave pública, el contenido se autentica.

Contribuciones Clave

Marcado de Agua en el Dominio de la Fase: Un esquema que utiliza selección pseudoaleatoria de bins STFT para una incrustación ciega e imperceptible.
Canal de Supervivencia Magnitud-QIM: Un canal independiente que viaja sobre la misma STFT, aumentando significativamente la robustez frente a códecs con pérdida (MP3/OGG) con un costo perceptual mínimo.
No Repudio Criptográfico: Integración de firmas Ed25519 y corrección de errores Reed–Solomon, asegurando que solo el titular de la clave privada pueda acuñar una marca de agua válida, a diferencia de la esteganografía estándar.
Evaluación a Gran Escala: Una prueba de referencia exhaustiva en 1,000 fragmentos de LibriSpeech bajo ocho configuraciones de ataque, incluyendo re-codificación de códecs, remuestreo, filtrado paso bajo y recorte.
Definición del Modelo de Amenaza: Una distinción clara entre falsificación (imposible sin la clave privada) y borrado (posible pero costoso perceptualmente), contrastando la APC con la firma basada solo en metadatos.

Resultados
Evaluado en 1,000 fragmentos de prueba limpios de LibriSpeech (10s, 44.1 kHz), el sistema híbrido APC logró lo siguiente:

Tasas de Verificación: Entre 97.5% y 98.3% en todas las ocho configuraciones de ataque, incluyendo MP3 y OGG a 128 kbps.
Ganancias de Robustez: El canal de magnitud-QIM aumentó las tasas de verificación para MP3 a 128 kbps del 77% (solo fase) al 97.5%, y para OGG a 128 kbps del 73% al 97.5%.
Calidad Perceptual: La puntuación media PESQ fue de 3.02 (de banda ancha), representando una caída de aproximadamente 0.24 puntos en comparación con la variante solo fase (3.26). Pruebas de escucha informales indicaron que el codificador híbrido permanece perceptualmente transparente en habla limpia.
Latencia: La incrustación y extracción ocurren en decenas de milisegundos en un solo hilo de CPU (aprox. 71.0 ms de incrustación / 57.9 ms de extracción por fragmento de 10s), sin requerir GPU.
Borrado Adversario: Un análisis de ataque de caja blanca mostró que la verificación solo colapsa cuando la fuerza de aleatorización de fase ( $\alpha$ ) alcanza 0.5. En este punto, la calidad perceptual (PESQ) cae significativamente (de ~3.2 a ~1.9), demostrando que eliminar la marca de agua requiere degradación audible, a diferencia de eliminar metadatos.

Significado y Afirmaciones
El artículo posiciona a la APC como una solución complementaria a las líneas base de marcado de agua neuronal (por ejemplo, AudioSeal, WavMark, SilentCipher). Si bien los métodos neuronales a menudo logran mayor calidad perceptual (PESQ > 4.0) y robustez, generalmente requieren grandes conjuntos de datos de entrenamiento, recursos de GPU y carecen de no repudio criptográfico (cualquiera con el modelo puede forjar marcas).

La APC afirma su importancia al ofrecer:

Firma Asimétrica: Un verdadero no repudio donde solo el titular de la clave privada puede generar una marca de agua válida.
Operación sin Entrenamiento: Sin necesidad de grandes corpus de voz, puntos de control de modelos o reentrenamiento cuando aparecen nuevos códecs.
Comportamiento Determinista: El sistema es completamente analizable basándose en sus parámetros (NFFT, selección de bins, RS), lo que lo hace adecuado para pipelines de procedencia certificados como C2PA.
Apilabilidad: La APC está diseñada para apilarse detrás de marcas de agua neuronales, donde la marca neuronal maneja la supervivencia ante códecs y la APC proporciona la capa de firma criptográfica.

Los autores concluyen que la APC ocupa un punto distinto en el espacio de diseño, intercambiando aproximadamente 1.2–1.5 puntos PESQ en relación con las líneas base neuronales más avanzadas a cambio de seguridad criptográfica, requisitos cero de entrenamiento y procedencia determinista y auditable.