MARC propoe marca d'agua multi-bit resistente a ataques de codec para audio gerado por IA
Verificar a origem de audio gerado por IA depois que ele circula e passa por diferentes codecs e dificil porque o processamento altera a sequencia de tokens recuperada do sinal, derrubando a confiabilidade de marcas d'agua existentes, que em geral so conseguem dizer se ha marca presente, nao de qual geracao especifica ela veio. O MARC combina representacoes intrinsecas de token com padroes de confusao induzidos por multiplos codecs para embutir uma marca d'agua multi-bit, atingindo 97,3% de acuracia de extracao mesmo apos processamento adversarial de codec.
A geracao autoregressiva de audio, usada em sintese de voz, dublagem sintetica e musica gerada por IA, produz uma sequencia de tokens discretos que depois e convertida de volta em forma de onda por um codec. Provar a origem desse audio depois que ele foi distribuido, recomprimido ou reprocessado por um codec diferente e um problema tecnico especifico dessa arquitetura: o processamento de codec pode alterar a sequencia de tokens recuperada do audio final, degradando a marca d'agua embutida originalmente e dificultando tanto a deteccao de presenca quanto a decodificacao de um payload especifico.
Metodos anteriores de marca d'agua tratam separadamente dois fenomenos que na pratica estao interligados: as relacoes intrinsecas entre tokens do proprio modelo gerador e as substituicoes de token causadas especificamente pelo processamento de codec. Alem disso, a maioria so suporta deteccao de bit unico (zero-bit), ou seja, consegue dizer se existe uma marca d'agua ali, mas nao consegue distinguir qual saida gerada especifica, entre varias, produziu aquele audio.
O MARC unifica os dois fenomenos construindo um espaco de agrupamento de tokens ciente de codec (codec-aware token-cluster space), que combina representacoes intrinsecas de token com padroes de confusao obtidos por retokenizacao atraves de multiplos codecs diferentes. Dentro desse espaco, um agendamento de cluster orientado por payload embute uma marca d'agua multi-bit, e tanto a deteccao quanto a decodificacao do payload sao feitas sobre as observacoes ja retokenizadas, assumindo de saida que o sinal passara por processamento de codec antes de ser verificado.
Em testes com geracao de fala, dialogo e musica, o MARC atingiu em media 97,3% de acuracia de extracao de bits em audio nao modificado, e manteve a marca d'agua extraivel sob diversos ataques de codec e tentativas de sobrescrita da marca. Isso e relevante a medida que clonagem de voz e dublagem sintetica por IA se popularizam, pois marca d'agua multi-bit robusta a processamento real e uma ferramenta de rastreabilidade importante contra uso indevido de audio deepfake, desde que seja de fato adotada pelas plataformas de geracao.