De strijd tegen synthetische audio is in een nieuwe fase getreden nu deepfakes steeds overtuigender worden en zowel mensen als software kunnen misleiden. In een recent onderzoek wordt gepleit voor een fundamentele verschuiving in hoe deze vervalsingen worden gedetecteerd. Waar huidige systemen vaak slechts een enkele score per fragment geven, stellen wetenschappers voor om over te stappen op een controleerbaar dossier van bewijsmateriaal.
Volgens een publicatie op arxiv.org is de huidige focus op een enkel getal onvoldoende om inzicht te krijgen in waarom een audiofragment als echt of vals wordt aangemerkt. In het onderzoek "From Scores to Evidence: Auditable Decisions Can Improve Speech Deepfake Detection" stellen Mengzhe Geng en zijn medewerkers daarom een auditeerbaar besluitrecord voor. Dit systeem legt de herkomst van informatie vast, waardoor experts precies kunnen herleiden welke signalen hebben geleid tot een specifieke conclusie.
Het voorgestelde mechanisme combineert vier verschillende datastromen in een kalibratieproces. Hierbij wordt gebruikgemaakt van een passieve detector, een zogenaamde 'keyed-probe' op een gemarkeerd derivaat, ondersteuning via retrieval en een marge die is gebaseerd op het specifieke profiel van de spreker. Door deze diverse signalen samen te voegen, kunnen tegenstrijdigheden in de bewijslast expliciet worden vastgelegd. Zoals beschreven in de helpt dit proces om te bepalen of een fragment direct vertrouwd kan worden, moet worden uitgesteld of een handmatige beoordeling vereist.
De effectiviteit van deze benadering is getest op een subset van de ASVspoof 5 Track 1, bestaande uit 4.080 voorbeelden. De resultaten laten een duidelijke verbetering zien bij de inzet van retrieval-augmented regels. De Equal Error Rate (EER), een cruciale maatstaf voor de nauwkeurigheid, daalde van 15,84% naar 11,91% door het gebruik van retrieval-bewijs. Wanneer de volledige kalibratie over het gehele record werd toegepast, zakte de EER zelfs naar 8,43%.
Een ander belangrijk aspect van de methode is het vermogen om fouten te identificeren. Bij een budget voor handmatige controle van 33,75% bleek dat de gecombineerde signalen in staat waren om 82,85% van de fouten van het gekalibreerde model te dekken. Dit onderstreept de waarde van transparantie in het detectieproces.
De auteurs, waaronder Patrick Littell, Yujia Lu en Mengzhe Geng, benadrukken echter dat hun systeem niet bedoeld is om de absolute top te zijn in pure detectiekracht. Een passieve run met WavLM behaalde namelijk een nog lagere EER van 6,71%. De kernwaarde van dit nieuwe onderzoek ligt niet in de creatie van een sterkere standalone detector, maar in het behouden van de bewijslast achter elk fragment. Volgens de , gepubliceerd op 11 september 2026, is het doel om de 'black box' van deepfake-detectie te openen en te vervangen door een auditeerbaar proces.
Door een operationele score te combineren met onderliggende bewijsvoering, kunnen menselijke controleurs effectiever toezien op de drempelwaarden en reviews. Hiermee wordt een brug geslagen tussen geautomatiseerde efficiëntie en menselijke verificatie in het domein van geluidsverwerking en computationele taalkunde, zoals verder uitgewerkt in de .