مع التطور السريع لتقنيات التزييف العميق للصوت، أصبح الكشف عن مثل هذه التلاعبات تحدياً أمنياً سيبرانياً بالغ الأهمية. تقدم هذه الدراسة نموذجاً هجيناً جديداً يجمع بين الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة قصيرة المدى ثنائية الاتجاه (BiLSTM) للكشف عن الصوت المزيف. يستند البحث إلى مجموعة بيانات (Release-in-the-Wild)، التي تحاكي الظروف الصوتية في العالم الحقيقي، وتوظف مساراً مسبقاً للمعالجة يتضمن استخراج معاملات (MFCCs) المعززة بمشتقاتها من الرتبة الأولى والثانية. حقق النموذج المقترح دقة بلغت 99% مع معدل خطأ (EER) قدره 0.011، مع الاحتفاظ بحجم صغير لا يتجاوز 473 ألف معامل تدريب.

يظهر النموذج متانة قوية ضد التباين الصوتي، والضوضاء، وتنوع المتحدثين، مما يبرز إمكانات نشره في العالم الحقيقي و يجعله عملياً للتكامل في أنظمة التحقق عبر الإنترنت.
تؤكد التجارب المرجعية كذلك أن البنية الهجينة CNN–BiLSTM تحقق توازناً فائقاً بين الدقة والكفاءة والتعميم مقارنة بنماذج المحولات (Transformer).
يساهم هذا العمل في تقديم إطار عمل قابل للتفسير وفعال في استخدام الموارد للكشف عن التزييف العميق للصوت. تؤكد النتائج أن دقة الكشف العالية والتصميم خفيف الوزن ليسا متناقضين، وستركز الأبحاث المستقبلية على توسيع النهج ليصل إلى أنظمة متعددة الوسائط تُحلِّل المشاهدات الصوتية والبصرية معاً بشكل مشترك من أجل تحقيق أدلة جنائية أكثر موثوقية للتزييف العميق.