ISISI nació de una pregunta: ¿cómo detectar una voz sintética durante una llamada? Decidimos explorar tres señales: cómo suena la voz, cómo interactúa quien llama y qué dice. Al principio no sabíamos cuánto debía pesar cada una; los resultados nos ayudaron a definir su lugar dentro del sistema.
La acústica parecía resolver el problema por sí sola: alcanzó un 100 % de aciertos en las 71 llamadas de validación. Pero ese resultado nos hizo investigar. Encontramos diferencias de silencios, volumen y ancho de banda que facilitaban la clasificación. Al pasar el audio por un simulador de canales telefónicos, el rendimiento cayó. Esa experiencia nos llevó a desarrollar Robust V2, incorporando 29 horas de audio transformado para mejorar su resistencia a esas condiciones.
Mientras fortalecíamos la acústica, el análisis de comportamiento nos permitió mirar otra parte de la llamada: las pausas, los tiempos de respuesta, las interrupciones y los turnos. Alcanzó un 97.2 % de aciertos, lo que respaldó su incorporación como segunda fuente de evidencia. La semántica también aportó información útil, con un 91.5 % de aciertos, aunque necesitaba transcripción y servicios externos que añadían costo y tiempo de procesamiento.
Con esas diferencias sobre la mesa, decidimos que los tres módulos no tenían que ejecutarse siempre. Acústica y comportamiento serían la primera línea de análisis, y la semántica quedaría como verificador adicional para los casos donde la confianza conjunta no alcanzara el umbral configurado del 80 %. En la evaluación de fusión con el modelo acústico inicial, las primeras dos capas resolvieron 66 de las 71 llamadas y la semántica se consultó en las cinco restantes. Así surgió la integración de ISISI: aprovechar primero las señales principales y profundizar cuando todavía hubiera incertidumbre.
Log in or sign up for Devpost to join the conversation.