Análise comparativa entre algoritmos clássicos e quânticos para a identificação de áudios sintéticos gerados por inteligência artificial

Abstract

Nos últimos anos, o escopo de atuação nas sub-áreas da Inteligência Artificial aumentou significativamente. Atualmente, observamos técnicas cada vez mais avançadas e realistas para a geração de conteúdos sintéticos, inclusive áudios e sinais de voz. Tais conteúdos, chamados de AIGC (Artificial Intelligence Generated Content), são disponibilizados em muitas ferramentas que contam com modelos text-to-speech e com sistemas de clonagem de voz, o que torna cada vez mais difícil distinguir gravações autênticas de produções artificiais e gera preocupação ética e moral quanto ao seu uso. Paralelamente, métodos de Machine Learning têm alcançado níveis crescentes de refinamento em suas técnicas clássicas. Nesse sentido, a utilização dos mesmos métodos a partir de uma abordagem quântica nos dados instiga pesquisas e investimentos, conforme a Computação Quântica também se desenvolve. Diante desse panorama, é executada uma análise comparativa entre métodos clássicos de aprendizado de máquina e abordagens quânticas aplicadas à detecção de áudios sintéticos gerados por IA, observando as vantagens e desvantagens de ambos, além dos desafios da simulação quântica em máquinas de arquitetura clássica.

In recent years, the scope of activity within the subfields of Artificial Intelligence has increased significantly. Today, we encounter increasingly advanced and realistic techniques for generating synthetic content, including audio and speech signals. Such content, known as AIGC (Artificial Intelligence Generated Content), is available in many tools that incorporate text-to-speech models and voice-cloning systems, making it progressively more difficult to distinguish authentic recordings from artificial productions and raising ethical and moral concerns regarding their use. In parallel, Machine Learning methods have reached a growing level of refinement in their classical techniques. Therefore, applying these same methods through a quantum approach to data has encouraged research and investment, as Quantum Computing continues to evolve. Given this panorama, a comparative analysis is carried out between classical machine learning methods and quantum approaches applied to the detection of AI-generated synthetic audio, examining the advantages and disadvantages of both, as well as the challenges of quantum simulation on classical-architecture machines.