Desenvolvimento de aplicação para identificação de áudio falso utilizando redes convolucionais neurais profundas

Abstract

Este trabalho apresenta o desenvolvimento de uma ferramenta para treinamento e avaliação de modelos de aprendizado profundo, com foco inicial na detecção de áudios sintetizados por Vocoders neurais. Seu mérito principal reside em reduzir a barreira de entrada para a experimentação em Inteligência Artificial (IA), oferecendo uma interface intuitiva que abstrai a complexidade do ajuste de hiperparâmetros e do gerenciamento do pipeline. Além disso, a aplicação atua como uma ferramenta prática para a validação e replicação de pesquisas, promovendo a reprodutibilidade científica. Dessa forma, a ferramenta busca atender tanto estudiosos iniciantes na área de IA, quando pesquisadores experientes na área de detecção de áudios sintetizados. A proposta foi validada através do desenvolvi mento de uma plataforma Streamlit e testes práticos com o treinamento de Convolutional Neural Network (CNN)s, demonstrando sua praticidade em configurar, executar e monitorar em tempo real experimentos de forma visual. Para trabalhos futuros, vislumbra-se a otimização de recursos para treinamentos simultâneos em larga escala, adição contínua de ferramentas de análises de resultados e a expansão para um pipeline genérico de treina mento de CNNs para diversas tarefas de classificação.