Deepfake Audio Detection — spot AI-cloned voices in vishing attacks
Sécurité défensive : détecter l'audio deepfake généré par IA utilisé dans le hameçonnage vocal (vishing) — extraire des features spectrales (MFCC, centroïde spectral, contraste, taux de passage à zéro) et classer les échantillons avec des modèles ML, avec analyse par lot, scores de confiance et rapports forensiques
- Quoi
- Sécurité défensive : détecter l'audio deepfake généré par IA utilisé dans le hameçonnage vocal (vishing) — extraire des features spectrales (MFCC, centroïde spectral, contraste, taux de passage à zéro) et classer les échantillons avec des modèles ML, avec analyse par lot, scores de confiance et rapports forensiques
- Coût
- Gratuit
- Prérequis
- Python 3.9+ avec librosa, numpy, scikit-learn et scipy installés ; FFmpeg installé pour la conversion de formats audio ; échantillons audio en WAV, MP3 ou FLAC (minimum 3 secondes) ; optionnellement un corpus de référence de voix authentiques de la personne ciblée
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill detecting-deepfake-audio-in-vishing-attacks de @mukul975, listé ici avec crédit à son créateur (écrit par mukul975, travail purement défensif fraude/SOC) : détecter l'audio deepfake généré par IA utilisé dans le hameçonnage vocal en extrayant des features spectrales (MFCC, centroïde spectral, contraste spectral, taux de passage à zéro) et en classant les échantillons avec des modèles ML. Il livre le workflow complet — preprocessing audio (resample, trim, normalisation avec librosa), extraction de features, analyse par lot, scores de confiance et rapports forensiques — pour des cas comme enquêter sur une voix de dirigeant clonée par IA autorisant un virement, valider un message vocal qui ressemble au PDG mais sonne faux, ou donner aux équipes blue une capacité de détection face au voice cloning red-team. Mappé aux frameworks MITRE ATT&CK, MITRE ATLAS, D3FEND et NIST. Bémols honnêtes : les modèles de détection ne valent que leurs données d'entraînement — un corpus de référence de voix authentiques améliore la précision ; les générateurs de deepfake progressent constamment, c'est une course aux armements ; les preuves audio exigent une chaîne de conservation propre pour un usage légal. Licence Apache-2.0. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3.9+ avec librosa, numpy, scikit-learn et scipy installés ; FFmpeg installé pour la conversion de formats audio ; échantillons audio en WAV, MP3 ou FLAC (minimum 3 secondes) ; optionnellement un corpus de référence de voix authentiques de la personne ciblée Installe-moi « Détection d'audio deepfake — repérer les voix clonées par IA dans les attaques vishing ». Il donne à mon agent le workflow défensif de détection d'audio deepfake de @mukul975 : pré-traiter l'audio (resample à 16kHz, trim du silence, normalisation), extraire des features spectrales (MFCC, centroïde spectral, contraste spectral, taux de passage à zéro), classer les échantillons avec des modèles ML, lancer l'analyse par lot avec scores de confiance et produire des rapports forensiques — mappé aux frameworks MITRE ATT&CK, ATLAS, D3FEND et NIST. Licence Apache-2.0. Dépôt : https://github.com/mukul975/anthropic-cybersecurity-skills/blob/main/skills/detecting-deepfake-audio-in-vishing-attacks/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « detecting-deepfake-audio-in-vishing-attacks ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. pip install librosa numpy scikit-learn scipy ; installer FFmpeg ; préparer des échantillons audio suspects de 3+ secondes ; optionnellement rassembler un corpus de référence de voix authentiques). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.