Синтезированный голос — в видеовстречах, звонках и голосовых. По API
Клонировать голос сейчас можно по десятку секунд записи. DeepVerify проверяет речь по ходу разговора — окнами по 4 секунды с обновлением каждые 2 секунды — и возвращает вердикт, вероятность и интервалы с признаками синтеза. Собственные модели, обученные на русской и английской речи с имитацией реальных каналов связи; обработка в России или в вашем контуре, записи не хранятся.
Где работает
Видеовстречи и собеседования
Голос участника после WebRTC: шумодав и автоусиление браузера, Opus 6–40 кбит/с, потери пакетов, буфер джиттера. Подходит для Толка, Телемоста, Zoom и собственных видеовстреч.
Голосовые сообщения
Telegram, WhatsApp, MAX, голосовые с iPhone, пересланные и пересжатые записи — частый канал мошенничества «голосом родственника» или руководителя.
Записи звонков
Телефонная сеть: узкая полоса, G.711, AMR, G.722, G.726, перекодирование между сетями. Для колл-центров, банков и служб безопасности.
Файлы и вклейки
Загруженные записи целиком и по фрагментам: показываем, где в записи участки с признаками синтеза — так находятся вставленные в живую речь синтезированные фразы.
Точность по каналам
Замер 21 октября 2026 года, пайплайн DeepVerify Voice 0.16.0. Доля пойманного синтеза при пороге, который на живой речи того же канала даёт 1 % (и 5 %) ложных срабатываний.
| Сценарий | 1 % ложных | 5 % ложных | версия 0.11, 1 % |
|---|---|---|---|
| Обычный файл (без канала связи) | 98,5 % | 99,2 % | 90,7 % |
| Голосовое сообщение мессенджера | 91,3 % | 97,2 % | 80,6 % |
| Видеовстреча (WebRTC, Opus) | 80,5 % | 91,1 % | 64,0 % |
| Запись телефонного звонка | 69,6 % | 80,2 % | 45,7 % |
Как считали. 3 290 фрагментов по 4 с: 1 040 живых (FLEURS, LibriSpeech, Common Voice, M-AILABS, OpenSTT, SOVA) и 2 250 синтезированных — 40 синтезаторов 2026 года из сторонних наборов MLAAD и RuASD (ElevenLabs, Salute, VK Cloud, Fish, F5, XTTS, Qwen3-TTS, VoxCPM2, MOSS-TTS, OpenAI и др.), ни один файл которых не участвовал в обучении. Каждый фрагмент пропущен через канал: видеовстреча — шумодав, автоусиление, Opus VoIP 8–32 кбит/с, потери пакетов, запись встречи; голосовое — микрофон телефона, Telegram, WhatsApp, iPhone, AMR-WB, пересылка; звонок — G.711, AMR, G.722, G.726, перекодирование, потери, шум.
Новые коммерческие голоса. Три самых свежих коммерческих синтезатора — ElevenLabs v4, MAI-Voice-2.1 и MiniMax speech-2.8-turbo — мы специально не показывали моделям и держим только для проверки: на видеовстрече их ловит 76–98 %, в голосовых мессенджеров — 96–100 % при 1 % ложных (замер модели v15 из пайплайна).
Целый разговор надёжнее одного фрагмента. Цифры выше — для одного окна 4 с, то есть для первого ответа в реальном времени. По фрагментам до 16 с точность выше, а в разговоре решение накапливается по всем окнам.
Реальное время
речи — до первого вердикта
обновление оценки по ходу разговора
обработка окна 4 с на процессоре; на видеокарте — в разы быстрее
Пайплайн — две модели разной породы (XLS-R и WavLM с графовой головой AASIST) и общий вывод: они ошибаются на разных записях, поэтому вместе ловят больше при тех же ложных срабатываниях. Перед ними — определитель канала (телефонная сеть или видеосвязь), после — накопление по разговору.
Как подключить
- Облачный API. Отправляете запись или фрагменты разговора по 4 с — получаете JSON. Тот же интерфейс проверки работает на нашем сайте и в Telegram-боте; ключ на пилот выдаём сразу.
- Поток разговора. Для видеосвязи — фрагменты звука участника по ходу встречи и ответ по каждому окну; формат передачи (WebSocket или пачки фрагментов) согласуем на пилоте под вашу платформу.
- В вашем контуре. Модули ONNX для процессора или видеокарты, без доступа в интернет — для банков и закрытых площадок.
verdict«признаки синтеза» / «неопределённо» / «признаков нет»probabilityвероятность синтеза для записи или фрагмента, %segmentsоценка каждого окна 4 с с шагом 2 с — для подсветки в интерфейсе и для потокаsuspiciousинтервалы с признаками синтеза (начало–конец, с)signaturesнайденные подписи генераторов: водяные знаки, C2PA, метаданныеmodelверсия модели — для журнала и воспроизводимостиДанные
- Записи обрабатываются на нашем оборудовании в России или в вашем контуре и удаляются сразу после анализа; для обучения не используются.
- Определяем синтез, а не личность: не строим голосовые отпечатки и не сравниваем голос с образцом — это не биометрическая идентификация.
- Работаем по договору и соглашению о неразглашении; обработка — по 152-ФЗ.
Честно об ограничениях
- Запись телефонного звонка — самый трудный канал: узкая полоса стирает часть следов синтеза. Здесь точность ниже, чем в видеовстречах и голосовых, и мы продолжаем её поднимать.
- Новые синтезаторы выходят каждый месяц. Модели регулярно дообучаются и обновляются без изменений в вашей интеграции.
- Нужна речь: на фразах короче 1,5–2 с, на музыке и сильном шуме вывод не делается или получается «неопределённо».
- Результат вероятностный: «признаки синтеза» — повод для дополнительной проверки, а не единственное основание для решения о человеке.
Подробно — в открытой методологии и известных ограничениях.
Пилот на вашем канале
2–4 недели проверяем речь в вашем канале — видеовстречи, звонки или голосовые. Сначала — замер на ваших тестовых записях с синтезом, пропущенных через вашу платформу, чтобы цифры были про ваш канал, а не про наш стенд. Затем — поток: вместе разбираем спорные случаи и считаем доли. Цена — по объёму проверок или за модуль в вашем контуре.