تتناول الأبحاث الحديثة دور تقنية الوسم (Watermarking) في تأمين الخطابات الصوتية الاصطناعية، حيث يتم تضمين هذه العلامات في نماذج توليد الصوت مثل Chatterbox، أو عبر تقنيات خاصة مثل AudioSeal، أو من خلال منصات تجارية مثل ElevenLabs.

لكن الدراسة الأخيرة والبارزة التي نُشرت على موقع arXiv، تشير إلى وجود مشكلة كبيرة لم تُكتشف سابقًا: عندما يتم وسم الأصوات الاصطناعية بينما تظل الأصوات البشرية من غير وسم، فإن أجهزة الكشف المدربة على هذا الأساس تبدأ في اعتبار العلامة كإشارة مزيفة تلقائيًا، مما يؤدي إلى ثلاث مشاكل مترابطة: تدهور الأداء العام (حيث تتدهور أداء النموذج على البيانات غير المرئية)، وتجنب الوسم (حيث ينجح الصوت الوهمي الموصوم في التسلل عند إزالة وسمه)، وأخيرًا، وسم الصوت الحقيقي الذي يؤدي إلى تصنيفه كصوت مزيف.

في تجربة دقيقة، أظهر جهاز الكشف المدرب على وسوم تأثيرات هذه المشاكل الثلاث. على سبيل المثال، أدى وسم الأصوات إلى رفع معدل الخطأ المتساوي من 16% إلى 75%. وفي اختبار آخر على واجهة برمجة تطبيقات تجارية، تمكن الباحثون من إظهار أن إضافة وسم لصوت حقيقي يمكن أن تخفيه كصوت مزيف.

لكن هناك بصيص من الأمل، إذ يمكن علاج هذه المشكلة عبر إعادة تدريب الأنظمة مع استخدام الوسم على كلا الفئتين، مما يُعيد الأداء النظيف ويخفف من آثار الخطأ. كما قام الباحثون بإصدار بيانات التجربة كسلسلة من الأصوات النظيفة مقابل الموصومة (WASP). هل يمكن أن تشكل هذه الدراسات بداية النهاية لمشاكل اكتشاف الصوت الاصطناعي؟