Phd-Identification de Deepfakes Audio par l'Analyse Spécificités Vocales H/F Orange

Votre rôle est d'effectuer un travail de thèse sur " l'identification des deepfakes audio par l'analyse des caractéristiques vocales ".Les deepfakes audio sont des contenus synthétiques réalistes créés à l'aide de technologies d'IA, parfois utilisés à des fins de fraude ou de désinformation. On estime que 8 millions de deepfakes auraient été générés en 2025, notamment via du clonage de voix. Aujourd'hui, il suffit de quelques secondes d'une voix pour faire dire n'importe quoi à n'importe qui. Les technologies actuelles permettant la création de deepfakes audio sont de 2 types : la synthèse de parole et la conversion de voix, la plupart basées sur des architectures neuronales récentes telles que les auto-encodeurs, les modèles SSL, les vocoders de type GANs, etc. Pour lutter contre la désinformation engendrée par un nombre grandissant de deepfakes, la communauté scientifique s'intéresse aux solutions pour les détecter automatiquement, et les éprouvent dans le cadre de challenges (ASVSpoof). La littérature récente se scinde en 2 : les approches supervisées (type AASIST) et les approches non supervisées type détection d'anomalies. Elles se concentrent sur la détection des artefacts de génération dans les domaines temporels et fréquentiels.
L'objectif de ce est de se positionner continuité de la recherche Orange sur l'IA de confiance en fiabilisant la robustesse des approches de détection de deepfakes dans le temps. Les technologies d'IA évoluant très vite, celles permettant de les contrer doivent suivre le même rythme. Il s'agira donc de maîtriser les technologies supervisées les plus performantes et de développer des approches complémentaires.Aujourd'hui, l'état de l'art affirme être suffisamment robuste pour détecter des artefacts de génération devenus imperceptibles à l'oreille humaine et ce même concernant les générations issues des modèles les plus avancés. Néanmoins, il est nécessaire de prévoir le moment où l'IA générative sera capable de générer des contenus dépourvus de ces artefacts en s'intéressant à des pistes alternatives, notamment autour des caractéristiques du locuteur. Plusieurs pistes de travail se dégagent, à aligner avec l'état de l'art au : pallier les itérations nécessaires pour maintenir à jour les technos supervisées ; détecter les biais de génération liés aux caractéristiques du locuteur comme les spécificités prosodiques intra-locuteur ; maîtriser les standards d'authentification de contenus et les méthodes de watermarking audio.