Dataset_V1: Corpus Balanceado de Audio Real y Sintético para Detección de Audio Falsificado en el Contexto Político Ecuatoriano

Este repositorio contiene la primera versión (Dataset_V1) de un corpus balanceado de audio real y sintético de figuras políticas ecuatorianas, diseñado para investigaciones en detección de audio falsificado, forénsica de voz y sistemas de verificación de hablante. Los audios reales fueron recopilados desde la plataforma pública YouTube y posteriormente sometidos a un proceso de limpieza que incluyó: conversión a mono, normalización de amplitud, eliminación de ruido, truncado de silencios y segmentación en fragmentos de aproximadamente cuatro segundos. Los audios sintéticos fueron generados mediante el modelo Coqui XTTSv2, utilizando muestras de referencia de cada hablante y textos previamente depurados. El proceso se llevó a cabo de forma controlada para garantizar consistencia en tonalidad, prosodia y contenido lingüístico. El dataset final incluye: Audios reales segmentados Audios sintéticos segmentados generados con XTTSv2 Versión balanceada del dataset (mismo número de muestras reales y sintéticas por hablante) Scripts utilizados para preprocesamiento, segmentación, síntesis y balanceo Audios de referencia empleados para la clonación de voz Gráficas de distribución antes y después del proceso de balanceo Archivo de textos sintéticos usados durante la generación Este conjunto de datos está destinado a apoyar investigaciones en: detección de deepfakes de audio, verificación de identidad por voz, análisis de robustez de modelos de aprendizaje automático frente a audio sintético, estudios lingüísticos y sociopolíticos basados en voces públicas. Se publica bajo licencia CC BY-NC 4.0, lo que permite su uso académico y no comercial.Los audios sintéticos siguen además las restricciones de licencia del modelo XTTS conforme a CPML. Si utiliza este recurso en su investigación, por favor cite este repositorio.