Quel est le meilleur détecteur de voix IA ? Le verdict d’un benchmark indépendant

Pourquoi les "99% de précision" annoncés ne veulent rien dire

La plupart des éditeurs communiquent autour de 99% de précision. Le problème : ces chiffres sont mesurés par l'éditeur lui-même, sur son propre jeu de test. Ils ne sont pas comparables d'un fournisseur à l'autre, et ils sont faciles à sur-optimiser sur des données déjà connues du modèle.

C'est tout l'intérêt d'un benchmark indépendant. Podonos maintient un jeu d'évaluation fixe avec des labels de référence privés et applique exactement le même barème à chaque système. Aucun éditeur ne fournit ses propres fichiers, aucun ne connaît les réponses à l'avance. Le résultat est, pour une fois, directement comparable.

Ce qui rend ce benchmark fiable

Tous les comparatifs ne se valent pas. Cinq critères distinguent une évaluation crédible d'un argument marketing :

Des labels privés. Le jeu de test et les bonnes réponses ne sont pas publics, ce qui empêche tout entraînement sur les données d'évaluation.
Un protocole identique pour tous. Mêmes fichiers, mêmes seuils par défaut, aucun réglage spécifique par outil.
Des données réalistes. Voix réelles issues de corpus publics (VCTK, LJSpeech, LibriTTS) face à des clones générés par environ 25 systèmes de synthèse récents, dont ElevenLabs et F5-TTS.
Plusieurs formats audio. Six formats testés (mp3, wav, flac, ogg, m4a, webm) pour mesurer la robustesse en conditions réelles.
Des modes d'erreur publiés. Le benchmark ne donne pas qu'un score global, il détaille comment chaque système se trompe. Et c'est précisément ce qui sépare un bon détecteur d'un détecteur réellement exploitable.

Le critère qui compte vraiment : le profil d'erreur

Un score de précision global masque la façon dont un détecteur échoue. Deux systèmes affichant la même précision peuvent être radicalement différents en production, parce qu'ils ne se trompent pas de la même manière. Il faut séparer deux types d'erreurs :

Un détecteur qui ne se trompe presque jamais sur les vraies voix mais laisse passer une part importante des deepfakes n'est pas plus "sûr", il déplace simplement le risque. La vraie performance, c'est de garder les deux taux d'erreur bas en même temps. Retenez ce critère : il va départager le haut du classement.

Le classement : quatre systèmes franchissent 95%

Lors de la précédente édition, deux systèmes seulement dépassaient 95% de précision. Ils sont désormais quatre. Voici le haut du classement, avec le détail des deux types d'erreur :

Source : benchmark Podonos, juin 2026. Jeu de test privé de 4 524 fichiers, équilibré voix réelles / clones synthétiques.

Resemble AI est premier avec 98,05%. Juste derrière, Whispeak, à 0,35 point seulement : l'écart en tête tient dans un mouchoir de poche. Mais le chiffre qui compte le plus est ailleurs. Avec 2,9% de faux positifs et 1,7% de faux négatifs, Whispeak affiche le profil d'erreur le plus équilibré de tout le panel. Au regard du critère qui sépare réellement un détecteur exploitable, nos solutions sont au sommet : elles ne sur-alertent pas et ne laissent pas passer les fraudes, ce qu'on attend précisément d'un système qui tourne en continu sur des appels réels.

Le contraste est net : face à des acteurs américains et souvent multimodaux, Whispeak est une équipe européenne concentrée sur une seule chose, la voix. Ce focus se lit directement dans les résultats.

PS. Les temps de latence relevés pour Whispeak dans le benchmark complet ont été mesurés sur un environnement de développement et ne reflètent pas nos performances en production. Nous serons ravis d'en partager les chiffres réels.

L'open-source ne généralise toujours pas

Le benchmark inclut neuf modèles open-source, certains entraînés sur des données récentes (ASVspoof 5, VoxCelebSpoof). Tous obtiennent entre 47,6% et 62,9% de précision, à peine mieux que le hasard pour une décision binaire. Plusieurs s'effondrent même sur une seule classe : ils prédisent presque tout comme réel, ou presque tout comme faux.

L'enseignement est clair, et il vaut pour tout acheteur : un checkpoint académique pris tel quel n'est pas un substitut à un détecteur de production face aux clones vocaux d'aujourd'hui. Des données d'entraînement plus récentes ne suffisent pas à combler l'écart.

Ce qu'un acheteur devrait vraiment se demander

Avant de comparer des scores de précision, quatre questions séparent un choix solide d'un pari :

1. L'évaluation est-elle indépendante ? Un chiffre auto-déclaré par l'éditeur n'est pas comparable. Cherchez un test tiers, sur labels privés.
2. Quelle erreur pouvez-vous le moins vous permettre ? Laisser passer une fraude, ou bloquer un client légitime ? La réponse dépend de votre contexte métier et oriente le choix bien plus que le score global. C'est là qu'un profil d'erreur équilibré fait la différence.
3. Le système tient-il sur des données réalistes ? Plusieurs formats, plusieurs générateurs de voix, des conditions proches de la production.
4. Le fournisseur répond-il à vos exigences de souveraineté ? Hébergement, traitement des données, conformité RGPD, DORA et NIS2 : pour une organisation européenne, ce critère pèse autant que la performance brute.

Questions fréquentes

Source : Podonos, "Audio Deepfake Detection Benchmark", juin 2026. Benchmark complet, graphiques de profil d'erreur, jeu de données et code de reproduction disponibles sur le site de Podonos.