⚡ electrical engineering

Asymmetric Phase Coding Audio Watermarking

Este artigo propõe a Codificação de Fase Assimétrica (APC), um esquema de marcação d'água de áudio criptográfico sem necessidade de treinamento que combina assinaturas Ed25519 com correção de erros e codificação de fase para fornecer proveniência robusta e extraível cega contra deepfakes e ataques comuns de processamento de sinal, mantendo ao mesmo tempo alta qualidade de áudio e baixa latência.

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

Publicado 2026-05-11

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem uma gravação de voz que deseja provar ser autêntica. No mundo de hoje, onde a IA pode imitar perfeitamente a voz de qualquer pessoa, está ficando difícil distinguir entre uma pessoa real e um deepfake.

Este artigo apresenta uma nova ferramenta chamada Codificação de Fase Assimétrica (APC). Pense nela não como um detetive tentando encontrar pistas após um crime, mas como um selo à prova de violação aplicado ao áudio no momento da gravação.

Veja como funciona, dividido em conceitos simples:

1. O Problema: A Crise da "Falsificação Digital"

Imagine um caixa de banco que confia apenas na sua voz. Se um criminoso usar uma IA superinteligente para copiar sua voz, o caixa pode ser enganado.

Solução Antiga (Detecção Passiva): É como um detetive procurando "impressões digitais" deixadas por geradores de IA. Mas, à medida que a IA melhora, deixa menos impressões digitais. Além disso, se você enviar o áudio por uma chamada telefônica ou comprimi-lo para uma mensagem de texto, essas impressões digitais são lavadas.
A Nova Solução (APC): Em vez de procurar pistas depois, este método coloca uma assinatura criptográfica diretamente dentro das ondas sonoras no momento da gravação. Se o áudio for alterado ou falsificado posteriormente, a assinatura se quebra.

2. A Ideia Central: Esconder um Segredo na "Fase"

O áudio é composto por duas partes principais: Volume (quão alto é) e Fase (o tempo das ondas sonoras).

O Truque: A APC esconde uma mensagem secreta deslocando ligeiramente o tempo (fase) de frequências sonoras específicas. É como um músico alterando sutilmente o ritmo de uma batida de tambor o suficiente para codificar um código secreto, mas não o suficiente para que o ouvido humano perceba.
A "Chave": Para ler este código, você precisa de uma chave digital especial (como uma chave pública em um sistema de cofre). Sem a chave, o código parece ruído aleatório. Com a chave, você pode decodificar a mensagem e verificar quem a assinou.

3. O Sistema de "Duplo Backup"

Os pesquisadores perceberam que, se você esconder o segredo apenas no tempo (fase), certos formatos de áudio comuns (como MP3 ou OGG) podem acidentalmente apagá-lo, como uma tempestade lavando uma mensagem escrita na areia.

A Solução: Eles construíram um sistema híbrido com dois canais:
1. O Canal de Fase: O segredo principal escondido no tempo.
2. O Canal de Magnitude: Um segredo de backup escondido nas diferenças de volume entre as frequências sonoras.
A Analogia: Imagine enviar uma carta secreta. Você escreve a mensagem principal com tinta invisível no papel (Fase). Mas também escreve uma segunda cópia em uma cor diferente no verso do envelope (Magnitude). Se alguém tentar lavar o papel (compressão MP3) e a tinta invisível desaparecer, você ainda pode ler a cópia no verso.

4. Por Que É Especial: "Sem Treinamento" e "Inquebrável"

Sem Necessidade de Treinamento de IA: Muitas marcas d'água modernas exigem supercomputadores massivos e milhares de horas de dados de treinamento para aprender a esconder segredos. A APC é sem treinamento. Usa regras matemáticas (como uma receita) que funcionam instantaneamente em qualquer computador, mesmo sem uma placa de vídeo.
Prova Criptográfica: Ao contrário de outros métodos onde qualquer pessoa que conheça o truque pode forjar uma marca d'água "falsa" válida, a APC usa Ed25519, uma assinatura digital de alta segurança. É como um lacre de cera que só pode ser feito pela pessoa que segura o carimbo específico. Mesmo que um hacker saiba exatamente como a marca d'água está escondida, ele não pode criar uma válida sem a chave privada.

5. Quão Bem Funciona?

Os autores testaram isso em 1.000 clipes de fala reais e os submeteram a oito "ataques" diferentes para ver se o selo se quebraria:

Os Ataques: Alterar o formato do arquivo (MP3, OGG), reduzir a qualidade, cortar as extremidades da gravação ou reproduzi-lo por uma linha telefônica.
O Resultado: Em quase todos os casos (de 97,5% a 98,3% das vezes), o sistema verificou com sucesso que o áudio era autêntico.
O Custo: A qualidade do áudio permaneceu muito alta. Para um ouvinte humano, o áudio com marca d'água soa quase idêntico ao original. A única vez que a qualidade caiu perceptivelmente foi quando o áudio foi muito cortado ou comprimido, mas mesmo assim, o sistema frequentemente recuperou a assinatura graças ao canal de "backup".

6. A Troca

O artigo admite que outras marcas d'água baseadas em IA podem soar ligeiramente mais perfeitas em um ambiente de laboratório. No entanto, esses métodos de IA têm fraquezas:

Eles exigem grandes conjuntos de dados e GPUs para treinamento.
Geralmente carregam apenas uma mensagem pequena (como um simples número de identificação), não uma assinatura criptográfica completa.
Se o modelo de IA mudar, a marca d'água pode parar de funcionar.

A APC troca um pouco de perfeição de áudio por segurança, simplicidade e confiabilidade. Ela foi projetada para ser uma "prova de origem" que sobrevive à realidade bagunçada da internet, onde arquivos são comprimidos, re-salvos e compartilhados constantemente.

Em resumo: A APC é um carimbo baseado em matemática, invisível e inforgeável que você pode colocar em uma gravação de voz para provar, com alta confiança, que ela veio de uma fonte específica e não foi adulterada, mesmo após ser espremida pelos filtros mais comuns da internet.

Resumo Técnico: Marca d'Água de Áudio com Codificação de Fase Assimétrica (APC)

Declaração do Problema
A proliferação de áudio deepfake de alta fidelidade ameaça os sistemas de autenticação baseados em voz. Embora existam detectores forenses passivos, eles sofrem de duas limitações intrínsecas: (1) são vulneráveis à adaptação adversarial à medida que os modelos generativos evoluem e (2) dependem de artefatos estatísticos que são frequentemente destruídos por distorções de canal do mundo real (por exemplo, VoIP, codecs, transmissão celular). Além disso, a marca d'água esteganográfica padrão carece de não-repúdio criptográfico; qualquer pessoa que conheça o algoritmo pode forjar uma marca d'água "válida". A assinatura baseada em metadados (por exemplo, manifestos C2PA) é insuficiente porque os metadados são frequentemente removidos durante a recodificação ou processamento da plataforma, deixando o próprio sinal não verificado.

Metodologia
Os autores propõem a Codificação de Fase Assimétrica (APC), uma camada de assinatura criptográfica sem treinamento para áudio. A APC é projetada para ser um primitivo de proveniência compacto e auditável que pode funcionar independentemente ou ser empilhado com marcas d'água neurais aprendidas. O sistema opera da seguinte forma:

Construção da Carga Útil Criptográfica:
- Uma mensagem em texto puro $M$ é assinada usando Ed25519 (EdDSA), produzindo uma assinatura de 64 bytes com segurança clássica de 128 bits.
- A carga útil consiste em um prefixo de comprimento, a mensagem e a assinatura.
- Esta carga útil é codificada com um código externo Reed–Solomon (RS) ( $t=30$ símbolos de paridade), permitindo que o sistema corrija até 15 erros de byte antes da verificação criptográfica.
Canais de Embutimento Híbridos:
O sistema embute a carga útil codificada com RS na Transformada de Fourier de Tempo Curto (STFT) do áudio hospedeiro usando dois canais paralelos e cegos:
- Canal de Fase: Utiliza seleção pseudoaleatória de bins STFT (semeada pela chave pública) na faixa de 60–300 bins (aproximadamente 1,3–6,5 kHz). Os bits são mapeados para deslocamentos de fase de $\pm \pi/2$ . Este canal é robusto a muitas distorções, mas colapsa sob codecs com perdas (MP3/OGG) que redistribuem a energia de fase.
- Canal Magnitude-QIM: Um canal paralelo operando em um conjunto disjunto de bins. Ele codifica a mesma carga útil usando Modulação de Índice de Quantização (QIM) nas diferenças de magnitude logarítmica de pares de bins adjacentes. Este canal é projetado especificamente para sobreviver à compressão com perdas (MP3/OGG) onde o canal de fase falha.
- Decodificação Suave: Durante a extração, o sistema soma valores contínuos suaves (seno de fase e cosseno de magnitude) através de múltiplas réplicas de quadros antes da limiarização, em vez de votar em bits rígidos, para melhorar a robustez sob compressão com perdas.
Extração Cega e Verificação:
A extração requer apenas o sinal de áudio e a chave pública. A chave pública regenera os padrões de seleção de bins para ambos os canais. O sistema tenta decodificar primeiro o canal de fase; se isso falhar, tenta o canal de magnitude. Se qualquer canal decodificar com sucesso a carga útil e a assinatura Ed25519 for verificada contra a chave pública, o conteúdo é autenticado.

Principais Contribuições

Marca d'Água no Domínio da Fase: Um esquema usando seleção pseudoaleatória de bins STFT para embutimento cego e imperceptível.
Canal de Sobrevivência Magnitude-QIM: Um canal independente que opera no mesmo STFT, aumentando significativamente a robustez contra codecs com perdas (MP3/OGG) com um custo perceptual mínimo.
Não-Repúdio Criptográfico: Integração de assinaturas Ed25519 e correção de erros Reed–Solomon, garantindo que apenas o detentor da chave privada possa emitir uma marca d'água válida, ao contrário da esteganografia padrão.
Avaliação em Grande Escala: Um benchmark abrangente em 1.000 clipes do LibriSpeech sob oito configurações de ataque, incluindo re-codificação de codec, reamostragem, filtragem passa-baixa e recorte.
Definição do Modelo de Ameaça: Uma distinção clara entre falsificação (impossível sem a chave privada) e apagamento (possível, mas custoso perceptualmente), contrastando a APC com a assinatura apenas em metadados.

Resultados
Avaliado em 1.000 clipes de teste limpos do LibriSpeech (10s, 44,1 kHz), o sistema híbrido APC alcançou o seguinte:

Taxas de Verificação: Entre 97,5% e 98,3% em todas as oito configurações de ataque, incluindo MP3 e OGG a 128 kbps.
Ganhos de Robustez: O canal magnitude-QIM aumentou as taxas de verificação para MP3 128 kbps de 77% (apenas fase) para 97,5%, e para OGG 128 kbps de 73% para 97,5%.
Qualidade Perceptual: A pontuação média PESQ foi de 3,02 (largura de banda), representando uma queda de aproximadamente 0,24 pontos em comparação com a variante apenas de fase (3,26). Testes de escuta informais indicaram que o codificador híbrido permanece perceptualmente transparente em fala limpa.
Latência: A embutimento e extração ocorrem em dezenas de milissegundos em uma única thread de CPU (aproximadamente 71,0 ms de embutimento / 57,9 ms de extração por clipe de 10s), não exigindo GPU.
Apagamento Adversarial: Uma análise de ataque de caixa branca mostrou que a verificação só colapsa quando a força de randomização de fase ( $\alpha$ ) atinge 0,5. Neste ponto, a qualidade perceptual (PESQ) cai significativamente (de ~3,2 para ~1,9), demonstrando que remover a marca d'água requer degradação audível, ao contrário de remover metadados.

Significado e Alegações
O artigo posiciona a APC como uma solução complementar às bases de marca d'água neural (por exemplo, AudioSeal, WavMark, SilentCipher). Embora os métodos neurais frequentemente alcancem maior qualidade perceptual (PESQ > 4,0) e robustez, eles geralmente exigem grandes conjuntos de dados de treinamento, recursos de GPU e carecem de não-repúdio criptográfico (qualquer pessoa com o modelo pode forjar marcas).

A APC alega importância ao oferecer:

Assinatura Assimétrica: Verdadeiro não-repúdio onde apenas o detentor da chave privada pode gerar uma marca d'água válida.
Operação sem Treinamento: Nenhuma necessidade de grandes corpora de fala, checkpoints de modelo ou retreinamento quando novos codecs aparecem.
Comportamento Determinístico: O sistema é totalmente analisável com base em seus parâmetros (NFFT, seleção de bins, RS), tornando-o adequado para pipelines de proveniência certificados como C2PA.
Empilhabilidade: A APC é projetada para ser empilhada atrás de marcas d'água neurais, onde a marca neural lida com a sobrevivência ao codec e a APC fornece a camada de assinatura criptográfica.

Os autores concluem que a APC ocupa um ponto distinto no espaço de design, trocando aproximadamente 1,2–1,5 pontos PESQ em relação às bases neurais de última geração em troca de segurança criptográfica, requisitos zero de treinamento e proveniência determinística e auditável.