Especificações técnicas

1. Introdução

Facephi Voice Service é um serviço API Rest em C++ ao qual podem ser enviados arquivos de áudio para seu processamento e obter o resultado do processo de reconhecimento de voz. O serviço oferece um Endpoint para registrar (enroll) uma nova voz, e outro para autenticar uma voz.

2. Requisitos de hardware

	Requisito mínimo	Requisito recomendado
CPU	2 núcleos com suporte ao conjunto de instruções SSE4.2, >=2GHz	16 núcleos, com suporte a AVX2 ISA
RAM	4 Gb	8 Gb
Disco	4 Gb	SSD 4 Gb
Rede	100 Mbps	1 Gbps

3. Requisitos de software

• Linux x86_64 (Ubuntu 24.04 ou superior) com Docker 24.0 ou superior.

ou bem

• Windows 10 x64 com Docker 24.0 ou superior.

4. Requisitos de enrolamento

São necessárias três gravações do mesmo usuário pronunciando uma frase secreta, que devem cumprir os seguintes Requisitos mínimos:

Requisitos mínimos para o enrolamento	Valores
Duração do áudio	> 700 ms
Comprimento relativo da fala (*)	> 0.55
Relação sinal-ruído (SNR) (**)	> 8 dB

(*) Comprimento relativo da fala = Duração da fala / Duração do áudio (**) A distância recomendada ao falante é de 30 cm, uma distância natural ao usar um dispositivo de mão

Durante a gravação, apenas uma pessoa deve falar. Para verificar que o enrolamento foi realizado por uma única pessoa, as templates biométricos individuais gerados a partir das três gravações são comparadas.

Requisitos mínimos para o enrolamento	Limiar
Se a probabilidade de correspondência for inferior ao limiar de similaridade, o registro é rejeitado e uma nova gravação é solicitada.	0.55

5. Requisitos de autenticação

Requisitos mínimos para a autenticação	Valores
Duração do áudio	> 700 ms
Comprimento relativo da fala	> 0.55
Relação sinal-ruído (SNR)	> 3 dB

6. Métricas

Existem dois canais habituais nos quais a validação biométrica de voz é aplicada: por meio de microfones ou de linhas telefônicas.

Métricas extraídas para o caso de uso de microfone (nova Versão noctua).

Limiar	FAR (%)	FRR (%)
0.5	0.17	3.32

7. Recomendações de segurança

• Mantenha auth_jwt_secret em um cofre de segredos ou em uma variável de ambiente injetada, em vez de incluí-lo diretamente nas imagens do contêiner.

• A autenticação JWT opcional é configurada na inicialização a partir de config.json ou por meio das variáveis de ambiente FACEPHI_VOICE_REST_AUTH_*.

• Os endpoints públicos que permanecem sem autenticação são GET /api/v1/health, GET /api/v1/version e as solicitações de preflight OPTIONS.

• GET /api/v1/config nunca expõe as configurações de inicialização do JWT e POST /api/v1/config não pode modificá-las.

Métricas extraídas para o caso de uso telefônico.

Limiar	FAR (%)	FRR (%)
0.5	1	9.12

FAR (False Acceptance Rate, taxa de falsa aceitação) é a probabilidade de que o sistema aceite incorretamente um impostor como usuário legítimo.

FRR (False Rejection Rate, taxa de falso rejeição) é a probabilidade de que o sistema rejeite incorretamente um usuário legítimo.

7. detecção de vida (Liveness)

Requisitos mínimos para a detecção de vida	Valores
Comprimento da fala para a detecção de ataques de repetição (Replay Attack)	> 1000 ms
Comprimento da fala para a detecção de ataques de clonagem de voz (Voice Clone Attack)	> 3000 ms
Relação sinal-ruído (SNR)	> 10 dB

Limires recomendados para a detecção de vida	Limiar
A validação de vida será considerada bem-sucedida quando o valor for superior ao limiar.	0.5