Deepfakes e acessibilidade: pessoas surdas e com deficiência auditiva detectam manipulações de forma desigual
Um estudo presencial com 80 participantes -- pessoas ouvintes, com deficiência auditiva leve, surdas e usuárias de implante coclear -- mostra que a capacidade de identificar deepfakes audiovisuais varia fortemente conforme a habilidade auditiva e o canal manipulado. Participantes surdos tiveram apenas 41,2% de acerto em manipulações só de áudio, contra 90,3% dos ouvintes, revelando uma lacuna de segurança pouco discutida em defesas contra deepfake.
A detecção humana de deepfakes depende da integração de pistas auditivas e visuais -- inconsistências sutis de sincronização labial, entonação artificial, artefatos de troca de rosto. Praticamente toda a pesquisa de segurança e privacidade sobre percepção de deepfakes assume um usuário com audição plena, ignorando populações surdas e com deficiência auditiva (DHH, d/Deaf and hard-of-hearing), que dependem de estratégias perceptuais distintas -- leitura labial, pistas visuais compensatórias, uso de implante coclear -- para julgar autenticidade.
Os autores conduziram um estudo misto presencial com 80 participantes divididos em quatro grupos: 31 pessoas ouvintes (HP), 15 com deficiência auditiva leve (HoH), 17 surdas (d/Deaf) e 17 usuárias de implante coclear (CI). Cada participante julgou a autenticidade de 30 clipes de vídeo, com manipulações geradas por text-to-speech, conversão de voz, sincronização labial (lip-sync) e troca de rosto (face-swap) -- cobrindo tanto ataques de canal único quanto combinações audiovisuais.
O resultado agregado já mostra uma lacuna significativa: participantes DHH tiveram 76,4% de acurácia contra 88,0% dos ouvintes (p<0,001), erro concentrado principalmente em falsos positivos -- classificar clipes autênticos como manipulados (29,7% de taxa de falso positivo em DHH, contra 11,2% em ouvintes). Mas o dado mais informativo aparece na quebra por canal manipulado: em manipulações só de áudio, participantes com deficiência auditiva leve praticamente igualam os ouvintes (90,0% vs. 90,3%), usuários de implante coclear ficam bem atrás (79,4%), e participantes surdos despencam para 41,2% -- próximo do acaso. Já em manipulações audiovisuais combinadas, a acurácia de todos os grupos converge entre 84% e 87%, sugerindo que a pista visual compensa a ausência de pista auditiva quando ambos os canais estão presentes.
Esse padrão tem implicação direta para quem projeta ferramentas de defesa contra deepfake e para políticas de conscientização sobre fraude: soluções que dependem de o usuário perceber inconsistências de áudio isoladamente (como golpes de clonagem de voz por telefone, sem vídeo) deixam a população surda praticamente vulnerável, já que o desempenho nesse cenário beira o acaso. Isso é particularmente grave porque fraudes de voz sintética (vishing, golpes de falso parente) frequentemente ocorrem justamente sem componente visual. O estudo aponta a necessidade de defesas acessíveis e específicas -- por exemplo, indicadores visuais de autenticidade ou legendas com marcação de confiança -- em vez de assumir que a detecção humana de deepfake é uniforme entre grupos com diferentes habilidades auditivas.