دور خوارزميات الذكاء الاصطناعي في كشف التزييف الصوتي وتعزيز التنمية المستدامة: دراسة تطبيقية باستخدام مرشح التردد الصفري والشبكات العصبية

الملخص

تقدم هذه الدراسة إطارًا فعالًا لاكتشاف التزييف الصوتي من خلال دمج مرشح التردد الصفري (ZFF) مع شبكة عصبية التفافية (CNN). في مرحلة المعالجة المسبقة، تم تطبيق ZFF لإزالة الانحياز المستمر (DC offset)، ثم استخراج معاملات MFCC بعدد 13 معاملًا لكل إطار. تم توحيد جميع الإشارات الصوتية إلى مدة 3 ثوانٍ، بما يعادل 94 إطارًا لكل عينة. كما تم تقسيم البيانات باستخدام أسلوب التقسيم الطبقي إلى 60% للتدريب، و20% للتحقق، و20% للاختبار لضمان توازن الفئات. حقق النموذج المقترح دقة تصنيف بلغت 99.05% على البيانات النظيفة، مما يدل على قدرته العالية في التمييز بين الإشارات الأصلية والمزيفة. بالإضافة إلى ذلك، أظهر النموذج متانة ملحوظة في بيئات ضوضاء واقعية مثل الرياح والأمطار وصفارات الإنذار وأصوات المحركات، حيث حافظ على أداء قوي حتى عند نسبة إشارة إلى ضوضاء منخفضة تصل إلى -10 ديسيبل. تتوافق هذه النتائج مع دراسات سابقة أكدت فعالية دمج تقنيات معالجة الإشارة مع نماذج التعلم العميق في تحسين الأداء تحت الضوضاء. كما ساهم استخدام MFCC والتقسيم الطبقي في تحسين موثوقية التقييم. تقتصر الدراسة على قاعدة بيانات ASVspoof 2019 (Logical Access)، ولم تتضمن تحليلًا إحصائيًا لدلالة النتائج، مما قد يؤثر على قابلية التعميم. توصي الدراسة المستقبلية باختبار النموذج على بيانات متنوعة واستخدام مقاييس إضافية مثل معدل الخطأ المتساوي (EER) ودرجة F1.