Detecta si una grabación de voz ha sido manipulada, señala en qué segundo, y genera un informe pericial con hash SHA-256.
-informational?style=flat-square){kind=icon}
Manipular un audio hoy lo puede hacer cualquiera. Demostrar que no ha sido manipulado, no.
Subes una grabación y el sistema te dice si ha sido manipulada, dónde exactamente y con qué nivel de confianza — y te lo entrega como documento verificable.
Análisis real: el pico de sospecha cae justo sobre el empalme.
El audio splicing consiste en insertar un fragmento de voz en otra grabación para alterar su mensaje. Aparece en:
| Ámbito | Problema real |
|---|---|
| ⚖️ Peritaje judicial | Un audio aportado como prueba: ¿es íntegro? ¿qué segundos revisar? |
| 🏦 Fraude e identidad | Suplantación de voz en banca telefónica y verificación de clientes |
| 📰 Medios y verificación | Declaraciones editadas que cambian de sentido |
| 🔐 Respuesta a incidentes | Cribado rápido de grandes volúmenes de material |
El objetivo no es sustituir al perito, sino decirle qué archivos y qué segundos mirar primero.
El pico de sospecha aparece exactamente sobre el empalme. En azul el intervalo real; en rojo, el que predice el sistema:
La misma zona, marcada sobre el espectrograma:
La idea central: lo que delata un empalme no es lo que suena, sino el salto entre un fragmento y el siguiente. Cambia el ruido de fondo, el timbre y la reverberación de la sala — aunque el oído no lo perciba.
Cada análisis genera un PDF firmado con el hash SHA-256 del audio original. Así la salida deja de ser una predicción y pasa a ser un documento verificable, incorporable a una cadena de custodia.
Se acompaña de un CSV con los resultados ventana a ventana.
Validación con GroupKFold por hablante: el modelo se evalúa siempre con voces que nunca ha visto. Sin fuga de datos.
| Métrica | Valor |
|---|---|
| ROC-AUC por archivo | 0.722 |
| PR-AUC | 0.896 |
| Estabilidad entre semillas | 0.71 ± 0.02 |
El detector se comporta exactamente como predecía la teoría:
Es decir: detecta casi perfectamente cuando el fragmento viene de otro entorno acústico, el caso que de verdad importa en un peritaje; y reconoce con honestidad que dentro del mismo audio no es detectable.
Localización temporal: 38/90 en umbral operativo estricto · 78/90 en modo cribado.
Los 36 descriptores por ventana son MFCC, ZCR, RMS, centroide espectral, ancho de banda y rolloff; las 72 deltas miden la diferencia con la ventana anterior y la posterior. El umbral de 0.50 se fijó con el índice de Youden, y el Random Forest se eligió por rendir bien con pocos datos y ser interpretable.
Las deltas concentran el 66 % de la importancia del modelo — y permutación y SHAP coinciden. Es decir: el sistema decide por la razón correcta, la discontinuidad, no por el contenido del audio.
Mi primera evaluación daba un F1 de 0.84. Buen número, mal medido.
De cada grabación base salían tres archivos casi idénticos. Al repartirlos entre entrenamiento y prueba, el modelo se examinaba con audios cuya grabación de origen ya conocía: fuga de datos que afectaba a 45 de los 63 archivos.
En lugar de ocultarlo, documenté el fallo, corregí el protocolo de validación y usé el hallazgo para confirmar la hipótesis de que los empalmes del mismo audio no son detectables con este método. A partir de ahí reorienté el trabajo al caso que sí se detecta y que además importa en un peritaje.
Es la principal aportación metodológica del proyecto.
No es un único experimento con una métrica: el repositorio incluye 11 análisis independientes (analisis_avanzado/).
| Análisis | Qué comprueba |
|---|---|
| Validación cruzada agrupada | GroupKFold por hablante — sin fuga de datos |
| Ablación y baselines | Qué aporta cada bloque de características frente a referencias |
| Robustez | Compresión MP3, ruido aditivo y remuestreo |
| Explicabilidad | Importancia por permutación y SHAP (coinciden) |
| Multisemilla | Estabilidad del resultado entre semillas |
| Desglose cross-source | Rendimiento según el origen del fragmento insertado |
| IoU de localización | Solape real entre intervalo predicho y ground truth |
| Validación externa | Nota de voz real en español, fuera del corpus |
| Transferencia | PartialSpoof (voz sintética) — límite documentado |
Probado frente a las degradaciones que aparecen en material real:
Aguanta la compresión y el ruido, que es lo que se encuentra en material real. Colapsa en banda telefónica (8 kHz) — un límite que está medido y documentado, no escondido.
Requiere Python 3.10 o superior.
git clone https://github.com/AngelorumCSE/tfg-audio-splicing-demo.git
cd tfg-audio-splicing-demo
python3 -m pip install -r requirements.txt
python3 -m streamlit run app_tfg.pyTres modos de análisis:
| Modo | Qué hace |
|---|---|
| 📁 Ejemplos precargados | Audios con ground truth conocido, para verificar el sistema |
| 🎵 Audio propio | Sube cualquier grabación y obtén predicción, intervalos e informe |
| 📊 Procesamiento por lotes | Tabla-resumen con predicción y tamper score de varios audios |
Formatos: WAV, FLAC y OGG recomendados. MP3 y M4A se convierten internamente a WAV mono 16 kHz con FFmpeg. La versión web limita a 20 MB y analiza los primeros 120 s.
app_tfg.py Aplicación Streamlit (pipeline de inferencia comentado)
Makefile Orquestador del pipeline completo (make all)
requirements.txt Dependencias con versiones fijadas
src/ Generación del dataset, extracción de características,
etiquetado, entrenamiento y evaluación
analisis_avanzado/ 11 scripts de análisis: validación cruzada, ablación,
robustez, explicabilidad (SHAP + permutación),
multisemilla, IoU de localización y transferencia
reconstruccion/ Reproducción del experimento cross-source (LibriSpeech)
tests/ Tests del pipeline
data/demo/ Ejemplos precargados de la aplicación
data/libri/ Conjunto cross-source derivado de LibriSpeech
data/processed/ Características por ventana
data/manifests/ Manifiestos con ground truth temporal
models/ Bundles entrenados (clasificador + columnas + umbral)
reports/ Métricas, gráficos y capturas del experimento
Todo el pipeline está orquestado con make y semilla fija, de extremo a extremo:
make all # dataset → características → etiquetas → entrenamiento → evaluación
make test # tests del pipeline
make app # lanza la aplicación
make help # todos los objetivos disponiblesEl modelo se persiste con joblib como bundle completo (clasificador, columnas esperadas y umbral), de modo que la aplicación y el experimento usan exactamente la misma configuración. No es una demo simulada: carga el mismo modelo entrenado.
La validación principal se apoya en LibriSpeech, con 10 voces reservadas exclusivamente para las inserciones y evaluación por hablante, de modo que el modelo nunca se examina con una voz que haya visto entrenando.
Las aproximaciones existentes o detectan sin localizar, o localizan pero exigen corpus masivos y modelos pesados. Este trabajo ocupa el hueco práctico: localiza el empalme con un modelo ligero e interpretable, auditable en un contexto pericial.
Este sistema es un apoyo al cribado pericial, nunca un dictamen. La decisión final siempre corresponde a una persona.
Fuera del dominio: empalmes del mismo audio, banda estrecha (8 kHz) y voz parcialmente sintética. Los datasets son de tamaño moderado y las manipulaciones se generaron de forma controlada.
Líneas de trabajo futuras: corpus reales con recalibración por dominio · detección copy-move mediante auto-similitud · recompresión y cambios de velocidad · comparación rigurosa con deep learning cuando haya datos suficientes.
Trabajo Fin de Grado en Ingeniería Informática
Universidad Internacional de La Rioja (UNIR) · julio de 2026 · Calificación 9,0
Ángel Carlos Soler Encinas · Directora: Josefina Guerrero García
Licencia MIT
