AuraVoice

Reconocimiento en tiempo real
Reconocimiento en tiempo real trabajando
Analisis de archivo WAV
Revisión de notas y entrenamiento
Entrenamiento en proceso desde tooltip
Archivo WAV procesado
Formulario para entrenamiento

Inspiración

El saber que las llamadas con voces falsas son más comunes de lo que se espera es un peligro real para las empresas: el personal sin experiencia en este tipo de amenazas puede ser vulnerable a herramientas de este tipo. Esto nos inspiró no solo por el reto técnico que representaba el proyecto, sino por saber que esta solución protege el patrimonio que muchas personas han construido con mucho esfuerzo.

Lo que hace

Aura Voice detecta en tiempo real si una llamada proviene de una voz sintética o de una persona real, haciendo mucho más fácil identificar posibles suplantaciones de identidad en la era de la inteligencia artificial.

Cómo lo construimos

Funciona con un modelo de inteligencia artificial interpretable, generado a partir del dataset proporcionado por Altur. Etiquetamos los audios y usamos algoritmos matemáticos para construir y entrenar el modelo con un dataset etiquetado de 350 audios. El backend se construyó para interactuar con el modelo y enviarle la información de la manera correcta para que funcione, mientras que el frontend sirve como herramienta para que la empresa pueda probar modelos y entrenarlos con base en la información que vaya recibiendo.

Desafíos con los que nos encontramos

Contábamos con poca información sobre modelos de inteligencia artificial interpretable, lo cual hizo difícil encontrar una manera viable de llevar a cabo el entrenamiento del modelo, además de conocer las limitaciones de usar otras herramientas alternativas.

Logros de los que estamos orgullosos

Lograr que el modelo hiciera inferencia en un promedio de menos de un segundo nos dio mucho orgullo, ya que demuestra el compromiso que tuvo el equipo con el problema que estábamos resolviendo.

Lo que aprendimos

Aprendimos a entrenar modelos muy eficientes incluso con datasets limitados, logrando una experiencia eficaz para el usuario. También aprendimos que no se necesita un modelo grande cuando el entrenamiento correcto permite hacer inferencia usando menos recursos, siendo más rápido y también más eficaz.

¿Qué le depara el futuro a AuraVoice?

Queremos mejorar la eficiencia del modelo y contar con un dataset más amplio, además de irlo actualizando con base en los datos que vayan llegando o generándose. No hablamos solo de evitar el robo de dinero, sino del temor de que estas herramientas puedan usarse para robar identidades completas; por eso buscamos lograr un procedimiento mucho más preciso del que tenemos hoy en día.