Голосовая форензика, которую мы разворачиваем для банков, страховых и контакт-центров. Отличаем живую речь от синтезированной — по любому современному движку синтеза и клонирования голоса.
Студия разработки AppCraft не только создает решения для клиентов, но и запускает собственные проекты. Это позволяет нам понимать все этапы роста IT продуктов, накапливать экспертизу в продуктовой сфере и оказывать клиентам услуги полного цикла.
Понимаем все этапы роста IT продуктов на практике
От идеи до масштабируемого продукта с реальными пользователями
Создаем не просто код, а продукты, приносящие пользу и прибыль
По десяти секундам речи движок отдаёт вердикт, разбивку по трём каналам детекции и восемь измеренных сигналов. Анализ занимает около десяти секунд.
Технический скринер, а не приговор. Это информационная проверка, а не доказательство того, что голос живой или синтезированный. Качественный клон, прогнанный через телефонный кодек, может пройти, а живая речь — вызвать подозрение.
Где живут записи. Модели работают на наших серверах в России и на присланных записях не обучаются. В развёртывании у заказчика аудио не покидает его собственный контур.
Покрытие
Основной классификатор откалиброван под коммерческие нейросетевые вокодеры 2024–2026 годов — то есть под реальную поверхность атаки в вишинге и мошенничестве с голосовыми подтверждениями.
Послушайте и сравните
Два десятисекундных фрагмента: один — запись живого человека, второй сгенерирован современным коммерческим синтезатором. На слух это одинаково гладкая, размеренная речь. Детектор различает их примерно за десять секунд.
Живая запись
Человек · английский язык
Фрагмент чтения вслух из общественного достояния. Естественное микродрожание высоты и темпа, нерегулярная фаза, выразительная просодия — ровно то, что сглаживают современные вокодеры.
Синтезированная речь
Нейросетевой синтез · английский язык · 2026
Сгенерировано движком текущего поколения. Большинству слушателей звучит как обычная беглая речь. Основной классификатор ловит отпечаток вокодера уже по первым секундам записи.
Оба примера — на английском языке: детектор работает с формой волны, а не с текстом, поэтому язык записи на вердикт почти не влияет — русская речь разбирается так же. Клонировать тембр конкретного человека для этой демонстрации мы не стали, поэтому в примерах звучат разные голоса и разные фразы. Важен вердикт: живой человек → «Живой голос», коммерческий синтез → «Синтезированный голос», оба с высокой уверенностью.
Как это устроено
Один классификатор ошибается на нетипичном материале: телефонный кодек, шумная комната, непривычный акцент. Ансамбль из трёх разных по природе каналов ошибается на разном — и именно поэтому его труднее обмануть.
Wav2Vec2-XLS-R, дообученный на речи коммерческих систем синтеза. Работает не с текстом, а с формой волны — поэтому язык записи для него вторичен.
XLS-R 300M, обученный на данных семейства ASVspoof. Добавляет независимую точку зрения и намеренно смещён в сторону осторожных оценок.
Хаос фазы, стабильность основного тона, отношение гармоник к шуму, чистота уровня паузы, микродрожание MFCC. Это физика сигнала, а не обучающая выборка, — канал не устаревает вместе с моделями.
Отдельная лёгкая модель подтверждает, что в записи вообще есть связная речь, и определяет её язык. Без этого детектор охотно выносил бы уверенный вердикт по музыкальному отрывку или тишине. Черновик расшифровки показывается только для наглядности и на вердикт не влияет.
Почему это важно сейчас
Двадцати секунд чужой речи достаточно, чтобы собрать убедительную копию голоса. Звонок остаётся самым массовым каналом выхода мошенника на человека.
Опрос «Народного фронта» среди 27 900 респондентов: столько людей лично сталкивались с попытками телефонного мошенничества в 2026 году.
Народный фронт, 2026
Самый частый способ выхода мошенника на жертву по опросу Банка России; ещё 15,7% приходится на мессенджеры.
Банк России, 2024
Система «Антифрод» ежедневно верифицирует 400–600 млн вызовов и отсекает от одного до двух миллионов подозрительных.
Роскомнадзор, 2025
Столько чистой речи с разной интонацией достаточно для убедительной синтезированной копии. Оценки экспертов расходятся в диапазоне от 3 до 30 секунд.
«Интернет-розыск», 2025
За пять месяцев 2026 года — при совокупном ущербе 21 млрд рублей.
МВД России, 2026
Оценка Сбербанка по всему кибермошенничеству, включая неучтённые случаи. Звонки и мессенджеры остаются основным каналом выхода на жертву.
Сбербанк, 2026
Источники: Банк России, МВД России, Роскомнадзор, Сбербанк, «Народный фронт». Данные 2024–2026 гг.
Для кого
Мы разворачиваем голосовую форензику на вашей инфраструктуре, в вашем облаке или как управляемый REST / WebSocket-сервис за вашим ingress.
Оценивайте входящие звонки и голосовые сообщения на синтетическую речь до того, как разговор дойдёт до оператора. Задержка внутри звонка, журнал проверок для комплаенса.
Звонки о наступлении события и записанные объяснения проходят через голосовую форензику. Сгенерированные «показания свидетеля» отсекаются до стола эксперта.
Слой детекции дипфейков поверх голосовой биометрии или скрининг заявок на обратный звонок в потоке.
MP3, WAV, M4A, AAC, OGG/Opus, FLAC, WebM и AMR — до 10 МБ. Анализируются первые 10 секунд записи, поэтому фрагмент должен начинаться с речи: длинная тишина или музыка в начале размывают сигнал.
Работают три независимых канала. Два нейросетевых классификатора на архитектуре Wav2Vec2-XLS-R: один дообучен на коммерческих системах синтеза речи, второй — на данных семейства ASVspoof. Третий канал — физические эвристики вокодера: хаос фазы, стабильность основного тона, отношение гармоник к шуму, чистота уровня паузы, микродрожание MFCC. Отдельная лёгкая модель подтверждает, что в записи вообще есть речь.
Точность выходит на плато быстро: признакам Wav2Vec2 хватает примерно трёх секунд речи, десять дают ансамблю комфортный запас — и удерживают время ответа примерно на том же уровне. В боевом развёртывании длительность не ограничена: там результат агрегируется по окнам.
Нет, детектор отвечает на вопрос «синтезировано ли это вообще». Сверка личности говорящего — отдельная задача: в продуктовом развёртывании поверх тех же признаков добавляется проверка «тот ли это человек» при наличии эталонной записи легитимного спикера.
Модели работают на наших серверах в России, на присланных записях они не обучаются. Голосовую форензику можно развернуть и на вашей инфраструктуре, в вашем облаке или как управляемый REST / WebSocket-сервис за вашим ingress — тогда аудио вообще не покидает ваш контур.
ИИ-репетитор для школьников. Проверяет домашку по фото, объясняет сложные темы и учит думать самостоятельно.
Бесплатный детектор изображений. Определяет AI-генерацию, подмену лица и фотомонтаж за считанные секунды.
Детектор выписок, чеков и платёжек. Четыре независимых слоя проверки, документ не покидает наши серверы.
AI-анализ коммерческих договоров. Находит риски, проверяет ссылки на законы и дает рекомендации по доработке.
Разработчик сервиса – ООО "ЭппКрафт", продукты которого зарегистрированы в реестре отечественного ПО.
Для связи по вопросам сотрудничества, подключения API и сопровождения свяжитесь с нами по почте support@appcraft.pro