Biometria de voz

Em resumo

A biometria de voz é o conjunto de técnicas que identificam ou verificam uma pessoa a partir das características mensuráveis de sua voz. Um modelo processa um trecho de áudio, extrai traços que dependem da anatomia do trato vocal e da forma de falar dessa pessoa, e os converte em um template biométrico.

O que se compara não é o conteúdo do que foi dito. É como soa quem disse.

Como se constrói uma impressão vocal

O processo tem dois momentos separados no tempo, e a qualidade do primeiro condiciona tudo o mais.

• Cadastro — a pessoa fornece uma ou várias amostras de áudio, das quais o sistema deriva o template de referência. Um cadastro feito com ruído, com um canal de má qualidade ou com pouco áudio produz uma referência pobre que depois arrasta erros.
• Verificação — em cada tentativa posterior, o sistema captura uma nova amostra, gera seu template e a compara com a de referência. O resultado é uma medida de similaridade contrastada contra um limiar, igual à biometria facial.

Os traços que se medem não são a altura nem o volume percebidos, mas propriedades do espectro do som derivadas da anatomia de quem fala e de seus hábitos articulatórios. É o que faz com que duas pessoas que "soam parecidas" para um ouvido humano não necessariamente se pareçam para o modelo.

O modo dependente e o independente de texto resolvem casos distintos

É a decisão de design que mais muda a experiência do usuário e o nível de exigência do sistema.

• Dependente de texto — a pessoa pronuncia uma frase determinada, a mesma do cadastro ou uma que o sistema indica. A comparação é mais restrita e costuma precisar de menos áudio, em troca de um passo explícito.
• Independente de texto — o sistema verifica sobre fala natural, sem frase fixa. Serve para validar durante uma conversa em curso, e em geral exige mais áudio para chegar à mesma confiança.

O modo dependente aparece em acessos e confirmações. O independente aparece em canais telefônicos, onde a verificação ocorre enquanto a pessoa explica o que precisa.

O que degrada uma voz e o que a ataca

Convém separar os dois problemas, porque um é de qualidade e o outro é de intenção, e não se resolvem com a mesma coisa.

O que a degrada sem que ninguém esteja atacando: ruído de fundo, compressão do canal, um microfone diferente do usado no cadastro, uma chamada de má qualidade. Também a própria pessoa: um resfriado, o cansaço, a passagem dos anos. Uma voz muda mais do que um rosto e bem mais do que uma impressão digital, e por isso os sistemas de voz costumam precisar de políticas de recadastro que outras modalidades não precisam.

O que a ataca, com intenção:

• Reprodução — o atacante grava a pessoa e reproduz o áudio diante do microfone. É o equivalente a mostrar uma fotografia à câmera.
• Síntese e clonagem — um modelo gera uma voz que imita a pessoa a partir de amostras suas, que hoje se conseguem de uma chamada, um vídeo público ou um áudio. É a variante de voz do mesmo fenômeno que produz um deepfake de rosto.
• Injeção — o áudio não passa pelo microfone: é inserido no fluxo antes de chegar ao aplicativo. É o mesmo problema de camada de um ataque de injeção de vídeo.

Os dois primeiros são ataques de apresentação e se cobrem com PAD sobre a modalidade de voz. O terceiro é outra coisa, e exige verificar a origem do fluxo e a integridade do ambiente.

Quais controles precisa ao redor

Uma comparação de voz isolada responde uma pergunta parcial, igual a uma comparação de rostos isolada.

• Detecção de ataques de apresentação para voz — distingue uma voz emitida por uma pessoa presente de uma reproduzida ou gerada. É o controle equivalente à prova de vida facial, aplicado a outra modalidade.
• Limiares explícitos — o erro se configura, e suas duas formas são FMR e FNMR. Em um canal telefônico com áudio variável, um limiar pensado para condições de laboratório rejeita usuários legítimos o dia todo.
• Um segundo fator quando a operação justifica — a voz serve bem como um dos fatores de uma autenticação, e pior como o único, sobretudo em canais onde o áudio chega comprimido.

Uma certificação de prova de vida facial não diz nada sobre um sistema de voz. Cada modalidade se testa separadamente, e um relatório de ensaio declara sobre qual modalidade foi feito.