Cloned Voices, Real Consequences: Evaluating Bias in Political Deepfake Detection for Electoral Integrity in Brazil
UFG · UTFPR · Ermis
O artigo apresenta o ParlaSpoof-BR, o primeiro benchmark público de deepfakes de áudio em português brasileiro voltado a discursos políticos. Ele foi construído a partir de gravações da Câmara dos Deputados: vozes de 40 parlamentares (20 homens e 20 mulheres, das cinco regiões do país) e versões sintéticas geradas por 5 modelos de síntese de voz e 5 de conversão de voz.
O estudo também testa manipulações parciais, em que só um trecho da fala é regenerado — como trocar “crise econômica” por “prosperidade econômica” —, além de ruído de fundo e compressão de áudio.
A conclusão: detectores de ponta não estão preparados para o português brasileiro. O que mais pesa na detecção é o método do ataque — o modelo de síntese usado e o tamanho do trecho manipulado —, e não o gênero ou a região de quem fala.
… crise prosperidade econômica …
- 139.200
- amostras de áudio no ParlaSpoof-BR
- 33,8%
- EER do melhor detector avaliado (DF-Arena-1B)
- 9,5%
- dos ataques guiados por LLM foram detectados por esse mesmo modelo
- 94,8%
- de falsos positivos em áudios reais depois da conversão para OGG, formato comum em mensagens de voz
EER (taxa de erro igual) é o ponto em que a taxa de falsos positivos e a de falsos negativos se igualam: quanto menor, melhor. Um detector que chuta ao acaso fica perto de 50%.