Thrive: marca de agua multi-bit para fala sintetica resiste a ataques de reconstrucao com 87,6% de acerto
O framework Thrive embute identificadores multi-bit em fala gerada por sistemas de texto-para-fala autoregressivos, permitindo rastrear a origem e atribuir a autoria da fala sintetica mesmo depois que ela passa por transformacoes de edicao ou reconstrucao projetadas para remover o sinal. O sistema mantem 87,6% de acerto medio na recuperacao da marca de agua sob ataque e suporta atribuicao entre ate 10 mil identidades distintas, sem degradar a qualidade do audio gerado.
Sistemas de texto-para-fala (TTS) modernos geram audio sintetico em escala para usuarios diversos, o que cria a necessidade de uma forma de proveniencia em nivel de conteudo: verificar a origem de um audio liberado e atribui-lo ao usuario que o solicitou. A marcacao de agua generativa busca resolver isso embutindo identificadores de multiplos bits diretamente no processo de sintese de fala, de forma que o audio final carregue um sinal recuperavel ligado a quem o gerou. O problema pratico e que, uma vez liberado, o audio frequentemente passa por transformacoes posteriores -- edicao, recompressao, reconstrucao por outros modelos -- que podem preservar a qualidade perceptiva da fala mas destruir o sinal de watermarking de formas dificeis de prever, ja que a sobrevivencia da marca depende da interacao entre a estrutura de insercao, o mecanismo de reconstrucao usado e a representacao observada pelo atacante.
Os autores constatam que nenhum unico 'portador' de marca de agua se mantem confiavel de forma consistente contra todos os tipos de modelo de reconstrucao, o que motiva o design do Thrive em dois componentes complementares: 'Rise' sincroniza a injecao da marca de agua com representacoes intermediarias do processo generativo, de forma que o sinal continue sendo reforcado ao longo das etapas subsequentes de geracao, em vez de ser inserido uma unica vez de forma fragil; 'Care' combina analise do dominio de forma de onda (waveform) e do dominio espectral, escolhendo adaptativamente, bit a bit, qual representacao e mais confiavel para cada parte do sinal. O framework cobre tanto geracao baseada em tokens discretos quanto em representacoes continuas, os dois principais paradigmas de TTS autoregressivo em uso atualmente.
Em testes empiricos sob ataques de reconstrucao deliberados, o Thrive manteve 87,6% de acerto medio na recuperacao da marca de agua, preservando a fidelidade da sintese de fala, e demonstrou suportar atribuicao de origem entre conjuntos de ate 10 mil identidades candidatas -- uma escala relevante para plataformas de TTS comerciais com grandes bases de usuarios.
Na pratica, essa linha de pesquisa e diretamente relevante para o combate a deepfakes de voz e fraudes de engenharia social baseadas em clonagem de voz: se um provedor de TTS consegue manter rastreabilidade robusta mesmo depois que o audio e processado por terceiros com intencao de remover a marca, isso fortalece a capacidade de atribuir fala sintetica maliciosa (por exemplo, usada em fraude telefonica ou desinformacao) a sua origem, algo que marcas de agua frageis, facilmente removidas por uma simples reconstrucao, nao conseguem garantir.