Anti-Deepfake On-Device
Modello LCNN quantizzato INT8 esegue voice liveness detection localmente nell'embedded NPU. Score real-time per frame. Funziona anche su chiamate non cifrate (Teams, Zoom, WhatsApp, telefonia tradizionale).
Why on-device, not cloud
Inviare la voce a un servizio cloud per autenticazione introduce 3 problemi: (1) tu trasmetti il segnale che vorresti proteggere, (2) il fornitore può analizzare a sua discrezione, (3) latenza incompatibile con conversazione naturale. Q-AUDION risolve tutti e tre eseguendo l'inferenza nell'NPU della cuffia.
- Nessun audio mai trasmesso
- Latenza <30ms per frame
- Zero dipendenza da servizi esterni
Training su ASVspoof 2019
Il modello LCNN è addestrato su ASVspoof 2019 Logical Access, il dataset standard per voice anti-spoofing. Riconosce attacchi di sintesi vocale, voice conversion, replay. Validation EER <2%.
- PyTorch training pipeline pubblica (per audit)
- INT8 quantization per deployment embedded NPU
- Model export ONNX → TFLite → NPU formato proprietario
Score esposto via GATT
Per ogni frame audio remoto, lo score 0-100 (probabilità che sia voce sintetica) è esposto al phone via custom GATT characteristic. L'app mostra warning UI quando lo score supera la soglia. Funziona universalmente su qualsiasi VoIP.
- GATT char UUID f2c0_xxxx_xxxx_xxxx
- Frequenza update: 50Hz
- Threshold configurabile via Sovereign Server policy