Evaluating Audio Deepfake Detection Across Languages and Mobile Communication Channels

स्मार्टफोन कॉल की शांत गूँज में, एक आवाज़ पूर्ण स्पष्टता के साथ बोलती है, फिर भी यह उस व्यक्ति की नहीं हो सकती जो डिवाइस पकड़े हुए है। आधुनिक तकनीक अब मानव भाषण का इतनी कुशलता से संश्लेषण कर सकती है कि वह एक वास्तविक व्यक्ति के स्वर, लय और भावना की नकल कर सके, जिससे ऐसा ऑडियो बनता है जो प्रामाणिक लगता है लेकिन पूरी तरह से कंप्यूटर द्वारा निर्मित होता है। यह क्षमता, जिसे अक्सर 'डीपफेक' कहा जाता है, सुलभता और भाषा सीखने के लिए शक्तिशाली उपकरण प्रदान करती है, लेकिन यह प्रतिरूपण और धोखे के द्वार भी खोलती है। वैज्ञानिकों के लिए केंद्रीय चुनौती केवल एक ऐसा सिस्टम बनाना नहीं है जो एक नियंत्रित लैब में नकली को पहचान सके, बल्कि यह निर्धारित करना है कि क्या वही सिस्टम उस झूठ को पहचान सकता है जब वह एक मोबाइल फोन नेटवर्क के शोर भरे, संकुचित और अप्रत्याशित मार्ग से होकर गुजरता है। यदि एक डिटेक्टर एक त्रुटिहीन रिकॉर्डिंग पर तो पूरी तरह काम करता है लेकिन सेलुलर कनेक्शन के माध्यम से गुजरने वाले या कम डिजिटल संसाधनों वाली भाषा में बोले गए ऑडियो के मामले में विफल हो जाता है, तो वास्तविक दुनिया में उसका मूल्य सीमित है।

सोमालिया के सिमैड (SIMAD) यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने प्रयोगशाला की सफलता और वास्तविक दुनिया की विश्वसनीयता के बीच इस अंतर की जांच की है। उन्होंने यह समझने के लिए हाल के वैज्ञानिक अध्ययनों की सावधानीपूर्वक समीक्षा की कि ऑडियो डीपफेक डिटेक्टरों का वर्तमान में कैसे परीक्षण किया जा रहा है और वे परीक्षण कहाँ कम पड़ रहे हैं। उनका कार्य दो महत्वपूर्ण कमजोरियों पर केंद्रित है: उपयोग की जाने वाली भाषाएँ और वे स्थितियाँ जिनमें ऑडियो रिकॉर्ड किया गया है। अधिकांश मौजूदा डिटेक्टर उच्च-गुणवत्ता वाले स्पीच डेटासेट का उपयोग करके प्रशिक्षित और मूल्यांकित किए जाते हैं जिनमें अक्सर भाषाओं, वक्ताओं और रिकॉर्डिंग वातावरण का एक संकीर्ण सेट होता है। शोधकर्ताओं ने पाया कि जब इन प्रणालियों को कम-संसाधन वाली भाषाओं—जैसे कि सोमाली, जिसके लिए डिजिटल रिकॉर्डिंग कम उपलब्ध है—में भाषण सुनने के लिए कहा जाता है, या जब ऑडियो को मोबाइल फोन संपीड़न (compression) द्वारा परिवर्तित किया जाता है, तो डिटेक्टर अक्सर सच और झूठ के बीच अंतर करने की अपनी क्षमता खो देते हैं। अध्ययन बताता है कि एक मानक परीक्षण पर उच्च स्कोर यह गारंटी नहीं देता कि एक डिटेक्टर तब काम करेगा जब उसे किसी अनजानी आवाज़, अलग भाषा, या ऐसे सिग्नल का सामना करना पड़े जो मोबाइल नेटवर्क से होकर गुजरा हो।

लेखकों का तर्क है कि शोधकर्ता वर्तमान में अपने प्रयोगों को जिस तरह से डिजाइन करते हैं, वह सुरक्षा की एक झूठी भावना पैदा करता है। कई अध्ययनों में, वही वक्ता या वही रिकॉर्डिंग डिवाइस प्रशिक्षण डेटा और परीक्षण डेटा दोनों में दिखाई देते हैं। इसका अर्थ यह है कि कंप्यूटर प्रोग्राम किसी सूक्ष्म संकेत को पहचानने के बजाय विशिष्ट माइक्रोफ़ोन या किसी विशेष व्यक्ति की आवाज़ को पहचानना सीख रहा है। शोधकर्ता यह भी बताते हैं कि एक डिटेक्टर किसी विशेष तरीके से बनाई गई नकली आवाज़ को भी याद कर सकता है, जिससे वह अलग सॉफ़्टवेयर द्वारा उत्पन्न की गई नई प्रकार की नकली आवाज़ को पहचानने में विफल हो जाता है। इसे ठीक करने के लिए, वे एक नए, अधिक सख्त परीक्षण पद्धति का प्रस्ताव करते है जो प्रशिक्षण डेटा को परीक्षण डेटा से अधिक कठोरता से अलग करती है। यह दृष्टिकोण सुनिश्चित करता है कि सिस्टम का परीक्षण उन आवाजों, भाषाओं और रिकॉर्डिंग उपकरणों पर किया जाए जिन्हें उसने पहले कभी नहीं देखा है, जो वास्तविक दुनिया के अचानक मिलने वाले अनुभवों की नकल करता है।

समीक्षा का एक महत्वपूर्ण हिस्सा कम-संसाधन वाली भाषाओं के सामने आने वाली विशिष्ट कठिनाइयों पर प्रकाश डालता है। सोमाली जैसी भाषाओं के लिए, इन प्रणालियों को प्रशिक्षित करने के लिए रिकॉर्ड किए गए भाषण के बहुत बड़े संग्रह उपलब्ध नहीं हैं। शोधकर्ता समझाते हैं कि केवल कुछ रिकॉर्डिंग होना पर्याप्त नहीं है; डेटा में उस भाषा समुदाय में पाई जाने वाली विभिन्न लहजों, उम्र और रिकॉर्डिंग स्थितियों का पूर्ण प्रतिनिधित्व होना चाहिए। वे सोमाली को एक ऐसी भाषा के उदाहरण के रूप में उपयोग करते हैं जिसे बेहतर सुरक्षा की आवश्यकता है, इसलिए नहीं कि उन्होंने इसके लिए कोई डिटेक्टर बनाया है, बल्कि इसलिए क्योंकि वर्तमान परीक्षण विधियाँ अक्सर ऐसी भाषाओं को पूरी तरह से अनदेखा कर देती हैं। समीक्षा दिखाती है कि अन्य भाषाओं, जैसे उर्दू या विशिष्ट लहजे वाली अंग्रेजी पर किए गए अध्ययनों के परिणाम सोमाली या अन्य अफ्रीकी भाषाओं पर स्वतः लागू नहीं किए जा सकते। प्रत्येक भाषा की अपनी अनूठी ध्वनिक विशेषताएं और रिकॉर्डिंग आदतें होती हैं जिनके लिए अपना समर्पित मूल्यांकन आवश्यक है।

अध्ययन मोबाइल संचार चैनलों के प्रभाव की भी गहराई से जांच करता है। जब एक आवाज़ को मोबाइल नेटवर्क पर भेजा जाता है, तो डेटा बचाने के लिए उसे संकुचित (compress) किया जाता है, एक ऐसी प्रक्रिया जो ध्वनि के कुछ सूक्ष्म विवरणों को छीन लेती है। यह संपीड़न उन संकेतों को छिपा सकता है जिनकी एक डिटेक्टर को नकली को पहचानने के लिए आवश्यकता होती है, या यह ऐसे नए आर्टिफैक्ट्स बना सकता है जो सिस्टम को भ्रमित कर दें। शोधकर्ता इस बात पर जोर देते हैं कि एक स्वच्छ, असंकुचित ऑडियो पर डिटेक्टर का परीक्षण करना, उस ऑडियो का परीक्षण करने के समान नहीं है जो सेल टावर के माध्यम से यात्रा कर चुका है। वे प्रस्तावित करते हैं कि भविष्य के अध्ययनों में इन वास्तविक दुनिया की स्थितियों का अनुकरण करने वाले 'स्ट्रेस टेस्ट' शामिल होने चाहिए, जैसे कि बैकग्राउंड शोर जोड़ना या ऑडियो के बिटरेट को बदलना, ताकि यह देखा जा सके कि डिटेक्टर कितना टिकाऊ है। इन परीक्षणों के बिना, एक सिस्टम कागज़ पर तो उत्तम दिखाई दे सकता है लेकिन अदालत या समाचार कक्ष में पूरी तरह विफल हो सकता है।

इन मुद्दों को संबोधित करने के लिए, टीम भविष्य के अनुसंधान के लिए एक व्यापक रूपरेखा तैयार करती है। यह रूपरेखा वैज्ञानिकों के लिए एक चेकलिस्ट के रूप में कार्य करती है, जो यह सुनिश्चित करती है कि वे दस्तावेजीकरण करें कि उनका डेटा कहाँ से आया, उन्होंने वक्ताओं और भाषाओं को कैसे विभाजित किया, और उन्होंने मजबूती (robustness) के लिए कैसे परीक्षण किया। वे इस बात पर जोर देते हैं कि शोधकर्ताओं को न केवल समग्र सफलता दर की रिपोर्ट करनी चाहिए, बल्कि यह भी बताना चाहिए कि सिस्टम विशिष्ट समूहों पर, जैसे कि विभिन्न भाषाओं या वक्ताओं पर, और भारी शोर या संपीड़न जैसी विभिन्न स्थितियों में कैसा प्रदर्शन करता है। विवरण का यह स्तर अत्यंत महत्वपूर्ण है क्योंकि एक सिस्टम अंग्रेजी में नकली पकड़ने में उत्कृष्ट हो सकता है लेकिन सोमाली में विफल हो सकता है, या एक शांत कमरे में अच्छा काम कर सकता है लेकिन एक व्यस्त सड़क में टूट सकता है। इस पारदर्शिता की मांग करके, लेखक इस क्षेत्र को अस्पष्ट सटीकता के दावों से हटाकर एक अधिक ईमानदार समझ की ओर ले जाने की आशा करते हैं कि ये उपकरण कहाँ काम करते हैं और कहाँ नहीं।

समीक्षा निष्कर्ष निकालती है कि आगे का रास्ता यह सोचने के तरीके में बदलाव की मांग करता है कि ऑडियो सुरक्षा क्या है। यह केवल एक ऐसा डिटेक्टर बनाने के बारे में नहीं है जो किसी विशिष्ट डेटासेट पर प्रतियोगिता जीतता है; लक्ष्य ऐसे सिस्टम बनाना है जो मानव संचार की अव्यवस्थित और विविध वास्तविकता में विश्वसनीय हों। शोधकर्ता इस बात पर जोर देते हैं कि उनका कार्य बेहतर पद्धतियों का एक प्रस्ताव है, न कि कोई पूर्ण समाधान। वे कम प्रतिनिधित्व वाली भाषाओं के लिए भाषण डेटा के नए, स्वतंत्र संग्रह और उन प्रयोगों के लिए आह्वान करते हैं जो अनदेखे जनरेटरों और मोबाइल चैनलों के विरुद्ध डिटेक्टरों का परीक्षण करते हैं। जब तक ये कदम नहीं उठाए जाते, ऑडियो डीपफेक डिटेक्शन का वादा अधूरा रहता है, जिससे लैब में जो हम सिद्ध कर सकते हैं और जो उपयोगकर्ता के हाथों में भरोसेमंद है, उसके बीच एक अंतर बना रहता है। अंतिम लक्ष्य यह सुनिश्चित करना है कि जब हम किसी आवाज़ को सुनें, तो हम जो सुनते हैं उस पर विश्वास कर सकें, चाहे बोली जाने वाली भाषा कोई भी हो या उपयोग किया जाने वाला डिवाइस कोई भी।