چرا ادعاهای فنی همشهری برای انتشار نیافتن صدای مجتبی خامنه‌ای گمراه‌کننده است؟

حدود شش ماه است که از انتصاب مجتبی خامنه‌ای به عنوان سومین ولی فقیه و رهبری جمهوری اسلامی می‌گذرد اما تاکنون هیچ ویدیو، فایل صوتی تصویری از او که مربوط به بعد از این انتساب باشد منتشر نشده است؛ مساله‌ای که در ماه‌های گذشته، بحث‌های مختلفی را در شبکه‌های اجتماعی و رسانه‌ها به دنبال داشته و ابهام‌ها و سوالاتی را درباره وضعیت حیات یا سلامتی او ایجاد کرده است.

موسسه همشهری روز شنبه ۱۰ مرداد ۱۴۰۵ برای پاسخ به این سوال ویدیویی را در اینستاگرام با این توضیح منتشر کرد که «چرا هیچ صوتی از آیت‌الله سیدمجتبی خامنه‌ای منتشر نمی‌شود؟»

همشهری پاسخ خود را بر پنج محور بنا کرده است. خلاصه این ادعا در سایت همشهری به صورت زیر آمده (بایگانی):

• یکی از مهم‌ترین روش‌ها، تحلیل آکوستیک محیط است. در این روش، بازتاب امواج صوتی، زمان افت صدا و ویژگی‌های انعکاس برای برآورد ابعاد اتاق، ارتفاع سقف، فاصله گوینده تا دیوارها و حتی جنس سطوح بررسی می‌شود.
• روش دیگر، تحلیل فرکانس شبکه برق (ENF) است. نوسان‌های بسیار جزئی فرکانس برق ۵۰ یا ۶۰ هرتز ممکن است در فایل‌های صوتی ثبت شوند و با تطبیق آنها با پایگاه‌های داده، زمان و محدوده جغرافیایی ضبط قابل بررسی باشد.
• طیف‌نگاری سخت‌افزاری نیز از دیگر ابزارهاست. هر میکروفون یا دستگاه ضبط، ویژگی‌های خاصی در فایل صوتی ایجاد می‌کند که می‌تواند نوع تجهیزات مورد استفاده را مشخص کند.
• در کنار آن، تحلیل نویزهای پس‌زمینه مانند صدای تهویه، تجهیزات صنعتی، باد، ترافیک یا سایر صداهای محیطی می‌تواند اطلاعاتی درباره محل ضبط در اختیار تحلیلگران قرار دهد.
• درنهایت، زیست‌سنجی صوتی با بررسی ویژگی‌های حنجره، الگوی تنفس، مکث‌ها و ساختار آوایی، امکان استخراج برخی ویژگی‌های فیزیکی و فیزیولوژیک گوینده را فراهم می‌کند؛ حتی اگر تغییراتی در لحن یا افکت‌های صوتی اعمال شده باشد.

تحلیل صوت، یک شاخه واقعی از جرم‌شناسی دیجیتال و اطلاعات فنی است. نهادهای اطلاعاتی یا گروه‌های مستقل تحلیلی، فعالیت‌هایی مانند تحلیل اصالت ضبط، تحلیل فرکانس شبکه برق، پروفایل‌سازی گوینده و تحلیل انتشار صوت را جزو فعالیت‌های Forensic Speech and Audio دسته‌بندی می‌کنند.

در متن همشهری نوشته‌شده: «سرویس‌های اطلاعاتی برای دسترسی به اطلاعات حساس، یک فایل صوتی را کالبدشکافی می‌کنند.» این گزاره به صورت کلی درست است. یک فایل صوتی علاوه بر محتوای گفتار، ممکن است اطلاعات جانبی درباره وضعیت گوینده، محیط، زمان ضبط یا تجهیزات مورد استفاده داشته‌باشد. اما تعبیر «کالبدشکافی» این تصور را ایجاد می‌کند که هر فایل صوتی الزاما مجموعه‌ای از اطلاعات حساس و قابل استخراج را در اختیار تحلیلگر قرار می‌دهد. چنین نتیجه‌ای درست نیست. مقدار و دقت اطلاعاتی که می‌توان از یک صوت ضبط‌شده استخراج کرد به عواملی مانند کیفیت و طول ضبط، نوع و فاصله میکروفون، نسبت سیگنال به نویز، ویژگی‌های محیط، نوع کدگذاری و فشرده‌سازی، پردازش‌های انجام‌شده روی فایل و به‌خصوص فاکتور بسیار مهم «داده‌های مرجع» برای مقایسه بستگی دارد. برخی از روش‌هایی که همشهری به آنها اشاره کرده کاملا رایج هستند اما برخی فقط در شرایط خاصی کار می‌کنند و بعضی از توانایی‌هایی که در ویدیوی همشهری به آن اشاره شده بسیار فراتر از چیزی است که شواهد فنی و تکنولوژی‌های امروزی توان انجامش را داشته باشند.

در ادامه، پنج محور مطرح‌شده در گزارش همشهری را جداگانه بررسی و ادعاهای فنی مطرح‌شده در ویدیو را بند به بند راستی‌آزمایی می‌کنیم.

محور اول: «از بازتاب صوت می‌توان ابعاد اتاق، ارتفاع سقف، فاصله گوینده تا دیوار و جنس سطوح را فهمید»

همشهری نخستین دلیل خود را «تحلیل آکوستیک محیط» معرفی می‌کند و در ویدیو توضیح می‌دهد که هر فضای بسته یک «امضای صوتی منحصر‌به‌فرد» دارد. به گفته این رسانه، کارشناسان با بررسی بازتاب امواج صوتی، زمان افت انرژی صدا و ویژگی‌های انعکاس می‌توانند ابعاد اتاق، ارتفاع سقف، فاصله گوینده تا دیوارها، حجم تقریبی فضا و حتی جنس سطوح را برآورد کنند.

اصل این ادعا بر یک مبنای علمی واقعی استوار است. هر فضای بسته یک پاسخ آکوستیکی یا Room Impulse Response (اختصارا RIR) دارد. این پاسخ آکوستیکی به هندسه اتاق، جنس سطوح، چیدمان اشیا و موقعیت منبع صوت و میکروفون بستگی دارد. به همین دلیل، پژوهش‌های متعددی نشان داده‌اند که می‌توان از روی پاسخ آکوستیکی یک محیط، برخی ویژگی‌های آن را تخمین زد.

در ویدیوی همشهری گفته می‌شود که تحلیلگران زمانی را اندازه‌گیری می‌کنند که انرژی صدا، پس از قطع منبع، ۶۰ دسی‌بل کاهش پیدا کند. فرض کنید از یک بلندگو یا سیم ساز یا حنجره، صدایی درحال ساطع‌شدن است که ناگهان قطع می‌شود. انرژی ناگهان در محیط، صفر نمی‌شود و زمان می‌برد تا کامل (به صورت گرما) جذب محیط شود به این پدیده در زبان عامه طنین گفته می‌شود. زمانی که طول می‌کشد تا انرژی به اندازه‌ای ۶۰ دسی‌بل (واحد اندازه‌گیری انرژی صوتی به سطح) سقوط کند را در مهندسی آکوستیک با نام RT60 یا Reverberation Time (زمان واخنش یا بازآوایش) می‌شناسند و یکی از شاخص‌های استاندارد برای توصیف میزان پژواک یک فضا است.

اما همشهری در اینجا یک نکته مهم را حذف کرده و در نتیجه توان این فناوری را بیش از واقعیت نشان داده است. مقدار RT60 به تنهایی برای تعیین حجم اتاق کافی نیست. مقدار جذب صدا در کل اتاق نیز موثر است. این مقدار به جنس محیط، یعنی جنس دیوارها، کف، سقف، پرده‌ها، فرش، مبلمان و حتی تعداد افراد حاضر در اتاق بستگی دارد. بدون داشتن اطلاعات کافی درباره این پارامترها، از RT60 به تنهایی نمی‌توان حجم اتاق را با دقت محاسبه کرد.

مورد ویژه: وضعیت مجتبی خامنه‌ای

روش‌های دقیق استخراج هندسه اتاق بر پایه اندازه‌گیری مستقیم پاسخ ضربه‌ای (RIR) یا شرایط آزمایشگاهی نسبتا کنترل‌شده توسعه یافته‌اند. در مقابل، افکار عمومی منتظر یک فایل سخنرانی معمولی هستند. استخراج این اطلاعات از گفتار عادی Blind Room Parameter Estimation موضوعی بسیار دشوارتر است. در این روش‌ها معمولا تنها برخی پارامترهای کلی مانند زمان واخنش یا نسبت صدای مستقیم به بازتاب تخمین زده می‌شود و نتایج با عدم‌قطعیت قابل توجهی همراه هستند. بسیاری از نتایجی که در محیط آزمایشگاهی به دست می‌آید، با یک فایل صوتی منفرد و فشرده‌شده قابل دستیابی نیست. استفاده از چند فایل صوتی، چند میکروفون یا اطلاعات تصویری مکمل می‌تواند دقت تخمین را به‌طور محسوسی افزایش دهد.

بنابراین این ادعای همشهری که از یک فایل صوتی معمولی می‌توان «ارتفاع سقف»، «فاصله گوینده تا دیوارها» یا «ابعاد اتاق» را با دقت بالا استخراج کرد، بیان دقیقی از وضعیت موجود نیست. در بهترین حالت، چنین تحلیل‌هایی می‌توانند سرنخ‌هایی درباره ویژگی‌های کلی محیط یا داده‌های تقریبی درباره فضای ضبط ارائه دهند، نه اینکه نقشه یا اندازه‌های دقیق یک اتاق ناشناخته را بازسازی کنند.

اگر واقعا چنین چیزی، مبنای تصمیم محافظان مجتبی خامنه‌ای بوده باشد باید پذیرفت که تحلیل‌گر سرویس اطلاعاتی، داده‌های لازم را از جمله تقریبا ابعاد همه اتاق‌هایی که ممکن است محل حضور مجتبی خامنه‌ای در پناه‌گاهایش باشد در اختیار دارد؛ اتاق‌هایی ممکن است هر جایی از کشور (از قم و تهران تا مشهد) و حتی خارج از ایران باشد.

در این سناریو، باید بپذیریم تحلیل‌گر سرویس اطلاعاتی، جنس مواد پوشش و دیوارهای آنها را تقریبا می‌داند یا با کمک هوش مصنوعی می‌تواند تخمینی بزند که مجتبی خامنه‌ای در زمان ضبط صدا در کجا بوده و در کنار هم قرار دادن این اطلاعات با اطلاعاتی دیگر مکان حضور او را بعد از آن دنبال کرده و موقعیت فعلی او را پیدا کند.

اصل فناوری و مفهوم پاسخ آکوستیکی اتاق و RT60 کاملا واقعی است، اما همشهری با حذف شرایط لازم، محدودیت‌های عملی و میزان عدم‌قطعیت، توان این روش را بیش از آنچه پژوهش‌های علمی نشان می‌دهند، نمایش داده است.

محور دوم: «تحلیل فرکانس شبکه برق یا ENF»

دومین محور، تحلیل فرکانس شبکه برق یا Electrical Network Frequency (اختصارا ENF) است. شبکه‌های برق متناوب سراسری در کشورهای مختلف، با فرکانس اسمی ۵۰ یا ۶۰ هرتز کار می‌کنند، اما این فرکانس همواره نوسان‌های بسیار کوچکی دارد. این نوسان‌ها به‌صورت یک «همهمه الکترومغناطیسی ضعیف» ممکن است در پس‌زمینه فایل‌های صوتی ثبت شوند و تحلیلگران سرویس‌های اطلاعاتی با مقایسه آنها با پایگاه‌های داده‌ای لحظه‌ای، بتوانند زمان و حتی محدوده جغرافیایی ضبط فایل را تعیین کنند.

این حوزه، یکی از شناخته‌شده‌ترین و معتبرترین روش‌های جرم‌شناسی صوت است. اگر این نوسان‌ها به هر دلیلی وارد یک فایل صوتی شوند، می‌توانند مانند یک امضای زمانی در فایل باقی بمانند. به همین دلیل، تحلیل ENF سال‌هاست در تحقیقات دانشگاهی، آزمایشگاه‌های جرم‌شناسی و حتی استانداردهای رسمی علوم قانونی برای بررسی زمان ضبط، تشخیص برخی دستکاری‌ها و در مواردی انتساب فایل به یک شبکه برق مشخص استفاده می‌شود. یکی از مهم‌ترین پرونده‌های تاریخی که از این ابزار برای آن استفاده شد، رسوایی واترگیت است که یکی از نقاط عطف توسعه این فناوری در جرم شناسی صوت است.

با این حال، همشهری در توضیح این فناوری دو نکته مهم را کم اهمیت جلوه داده‌است.

وجود ENF در هر فایل صوتی بدیهی نیست. برای آنکه این روش قابل استفاده باشد، ابتدا باید سیگنال ENF با کیفیت کافی در فایل وجود داشته و قابل استخراج باشد. کیفیت میکروفون، فاصله از تجهیزات برقی، نوع دستگاه ضبط، فشرده‌سازی فایل، پردازش‌های صوتی و حتی محیط ضبط (مثلا وجود کولر یا دستگاه تهویه) همگی بر این موضوع تاثیر دارند. پژوهش‌هایی نشان داده‌اند که در بسیاری از شرایط، اگر منابع تولیدکننده هوم شبکه در محیط وجود نداشته باشند یا سیگنال به اندازه کافی قوی نباشد، استخراج ENF ممکن نیست.

نکته دیگر، ادعای تعیین محدوده جغرافیایی ضبط است. تعیین زمان ضبط با استفاده از ENF فناوری شناخته‌شده و نسبتا قابل اعتمادی است، اما تعیین محل ضبط مسئله‌ای بسیار پیچیده‌تر است. در یک شبکه برق سنکرون، بخش بزرگی از کشور تغییرات فرکانس تقریبا یکسانی را تجربه می‌کند. بنابراین مشاهده یک الگوی ۵۰ هرتزی به این معنا نیست که تحلیلگر می‌تواند محل ضبط را تا سطح یک محله مشخص کند. در بهترین حالت، و آن هم در صورت دسترسی به داده‌های مرجع مناسب، ممکن است بتوان فایل را به یک شبکه برق یا بخش محدودی از آن منتسب کرد.

مورد ویژه: وضعیت مجتبی خامنه‌ای

اگر فرض کنیم دفتر رهبر جمهوری اسلامی واقعا نگران تحلیل ENF باشد، این نگرانی تنها زمانی معنا پیدا می‌کند که فایل صوتی حاوی سیگنال ENF قابل استخراج باشد. در یک فایل ضبط‌شده با تجهیزات حرفه‌ای، در محیط کنترل‌شده و پس از پردازش استودیویی، چنین شرطی الزاما برقرار نیست.

از سوی دیگر، حتی اگر سیگنال ENF با کیفیت مناسب نیز در فایل وجود داشته باشد، خروجی این تحلیل معمولا تعیین زمان ضبط یا انتساب احتمالی فایل به یک شبکه برق است، نه تعیین محل دقیق ضبط یا شناسایی محل حضور مجتبی خامنه‌ای.

برای آنکه چنین تحلیلی ارزش عملیاتی پیدا کند، تحلیلگر سرویس اطلاعاتی باید علاوه بر ENF، اطلاعات کمکی دیگری مانند فهرست محدودی از محل‌های احتمالی، داده‌های مرجع شبکه برق، اطلاعات میدانی و سایر شواهد اطلاعاتی را نیز در اختیار داشته باشد و بر وضعیت شبکه در لحظه مسلط باشد و آرشیو موثری از آن داشته باشد که امکان جستجو در میان سیگنال را داشته باشد (گزارش‌هایی وجود دارد که بعضی محصولات پالانتیر یا دیگر رقبای اسرائیلی، مانند لاوندر، چنین قابلیت‌هایی دارند).

بنابراین اگر نگرانی اصلی محافظان مجتبی خامنه‌ای صرفاً تحلیل ENF باشد، حذف کامل انتشار فایل صوتی تنها راهکار موجود نیست. استفاده از تجهیزات مستقل از برق شهری، محیط‌های ایزوله، حذف هوم شبکه و پردازش مناسب فایل می‌تواند ارزش اطلاعاتی ENF را تا حد زیادی کاهش دهد.

اگر هر فردی (از جمله رهبر جمهوری اسلامی) برای دو دقیقه، کولر، وسایل برقی و چراغ‌ها را خاموش کند و زیر نور شمع، روی یک نوار کاست با استفاده از یک دستگاه ضبط صوت قدیمی باتری‌خور، صدا پر کند، امکان تحلیل فرکانس شبکه برق یا ENF تا حد بسیار زیادی کاهش پیدا می‌کند.

اصل فناوری تحلیل ENF کاملا واقعی و یکی از معتبرترین ابزارهای جرم‌شناسی صوت است. با این حال، همشهری با حذف شرایط لازم برای ثبت ENF، محدودیت‌های عملی این روش و تفاوت میان تعیین زمان ضبط و تعیین محل ضبط، تصویری ساده‌شده و تا حدی اغراق‌آمیز از توان واقعی این فناوری ارائه کرده است.

محور سوم: «هر میکروفون یا دستگاه ضبط، اثر خاص خود را دارد»

سومین محور به «طیف‌نگاری و امضای سخت‌افزاری دستگاه» اختصاص دارد. هر میکروفون و دستگاه ضبط، اثر متفاوتی روی فایل صوتی باقی می‌گذارد و تحلیلگران دستگاه‌های اطلاعاتی می‌توانند از روی ویژگی‌های صوتی، نوع تجهیزات مورد استفاده برای ضبط را شناسایی کنند.

در جرم‌شناسی دیجیتال حوزه‌ای با عنوان «شناسایی منبع میکروفون» Source Microphone Identification وجود دارد که تلاش می‌کند از روی ویژگی‌های باقی‌مانده در فایل صوتی، درباره دستگاه ضبط یا میکروفون مورد استفاده نتیجه‌گیری کند. تفاوت‌های بسیار کوچک در طراحی سخت‌افزار، پاسخ فرکانسی، نویز الکترونیکی، کیفیت مبدل‌های آنالوگ به دیجیتال و حتی تلرانس‌های فرآیند تولید می‌توانند نوعی «اثر انگشت» برای یک دستگاه ایجاد کنند. برخی پژوهش‌ها حتی نشان داده‌اند که در شرایط آزمایشگاهی می‌توان دو دستگاه از یک مدل یکسان را نیز از یکدیگر تفکیک کرد. یادگیری عمیق، تحولی عظیم در این حوزه ایجاد کرده‌است.

با این حال، در مطلل همشهری توجه به چند مفهوم مهم از قلم افتاده است.

ردپای میکروفون را می‌توان با فیلترهای High-pass، پردازش دیجیتال سیگنال (DSP)، الگوریتم‌های حذف نویز، پردازش خودکار گفتار یا تصمیم صدابردار برای بهبود وضوح مکالمه تغییر داد. به عبارت دیگر، همه ویژگی‌های قابل مشاهده در فایل صوتی الزاما بیانگر تفاوت ذاتی سخت‌افزار نیستند و بخشی از آنها حاصل نرم‌افزار و پردازش پس از ضبط است.

پژوهش‌های موجود، دستگاه ضبط را در میان مجموعه‌ای از دستگاه‌های از قبل شناخته‌شده و تحت شرایط کنترل‌شده طبقه‌بندی می‌کنند. آزمایش‌های انجام شده، عموما در شرایط استاندارد و کنترل‌شده یا در حالت پیش‌فرض (Default) انجام شده‌اند، نه با درنظرگرفتن وجود صدابرداری و پردازش صدا در حرفه‌ای‌ترین سطح ممکن.

شرایط ضبط و زنجیره پردازش فایل از مهم‌ترین عوامل تعیین‌کننده قابلیت اعتماد نتایج محسوب می‌شوند. چنین مسئله‌ای از نظر فنی بسیار دشوارتر است و هنوز محدودیت‌های قابل توجهی دارد.

مورد ویژه: وضعیت مجتبی خامنه‌ای

اگر فرض کنیم دفتر رهبر جمهوری اسلامی واقعا نگران شناسایی تجهیزات ضبط باشد، این نگرانی تنها زمانی ارزش عملیاتی پیدا می‌کند که تحلیلگر از قبل نمونه‌هایی از تجهیزات مورد استفاده در اختیار داشته باشد، زنجیره ضبط تا پردازش - مثلا از روی اپلیکیشن ریکورد خود آیفون یا یک MP3 ریکوردر باتری‌خور تا پردازش روی ادوبی آئودیشن یا محیط حرفه ای صداگذاری و …. یعنی از این زنجیره، یک مجموعه مرجع معتبر برای مقایسه داشته‌باشد. در غیر این صورت، حتی اگر برخی ویژگی‌های سخت‌افزاری در فایل باقی مانده باشند، معمولا خروجی تحلیل به چند احتمال یا یک کلاس از دستگاه‌ها محدود می‌شود، نه شناسایی قطعی یک میکروفون یا رکوردر مشخص.

انتشار یک فایل صوتی معمولاً آخرین مرحله زنجیره تولید محتوا است. توجه کنیم فایل نهایی اغلب پس از ویرایش، مسترینگ، فشرده‌سازی و انتشار در رسانه‌های مختلف بارها بارگذاری می‌شود. همین فرآیندها می‌توانند بخش قابل توجهی از اطلاعاتی را که برای شناسایی منبع ضبط مفید هستند، کاهش دهند. این با حالتی که تحلیلگر یک فایل تنظیم‌شده را که اکانت سایت خامنه‌ای در توییتر یا یوتیوب یا اینستاگرام بارگذاری می‌کند و نمونه مرجع هم ندارد، تفاوت اساسی دارد.

بنابراین اگر نگرانی اصلی دفتر رهبر جمهوری اسلامی صرفا شناسایی میکروفون یا دستگاه ضبط باشد، راهکارهای فنی متعددی برای کاهش این ریسک وجود دارد و حذف کامل صدای مجتبی خامنه‌ای تنها گزینه نیست.

اصل فناوری شناسایی منبع ضبط و اثر انگشت سخت‌افزاری واقعی است، اما همشهری تصویری ساده‌شده از این فناوری ارائه می‌دهد و همه متغیرهای بدیهی در مسیر تولید ویدیو تا انتشار آن را نادیده می‌گیرد آن هم از تیم حفاظت رهبری که ظاهرا زبده‌ترین نیروهای ویژه سپاه هستند.

محور چهارم: «نویز تهویه، باد، ترافیک و تجهیزات صنعتی مکان را لو می‌دهد»

چهارمین محور «نویزهای پس‌زمینه» است. صدای تجهیزات تهویه، ژنراتورها، آسانسورها، سامانه‌های سرمایشی، باد، الگوی ترافیک، ارتفاع پرواز هواپیماها و حتی نوع حشرات و پرندگان بومی می‌تواند برای محدود کردن محل ضبط یک فایل صوتی مورد استفاده قرار گیرد.

حوزه Acoustic Scene Analysis یا Acoustic Environment Recognition یکی از موضوعات فعال پژوهش در پردازش سیگنال و جرم‌شناسی صوت است. ترکیب نویزهای محیطی، بازتاب‌های صوتی و ویژگی‌های طیفی می‌تواند برای طبقه‌بندی محیط‌های مختلف یا مقایسه آنها با یکدیگر مورد استفاده قرار گیرد. پژوهشگران بارها از صداهای محیطی برای محدود کردن محل وقوع یک رویداد استفاده کرده‌اند (نمونه بیمارستان الاهلی غزه)

اما همشهری در اینجا نیز تفاوت مهمی را نادیده می‌گیرد: میان «سرنخ محیطی» و «تعیین مکان» فاصله زیادی وجود دارد.

برای مثال، صدای هواپیما را می‌توان با داده‌های پروازهای ثبت‌شده در سامانه‌هایی پروازی تطبیق داد. صدای قطار، اذان، گونه خاصی از پرندگان، الگوی ترافیک یا یک ماشین صنعتی نیز ممکن است دامنه جست‌وجو را محدود کنند. اما هیچ‌یک از این موارد به تنهایی مختصات جغرافیایی تولید نمی‌کنند. آنها تنها شواهد کمکی هستند که در کنار سایر اطلاعات معنا پیدا می‌کنند.

همین موضوع درباره تجهیزات تهویه یا سامانه‌های سرمایشی نیز صادق است. صدای یکنواخت یک سیستم تهویه هوا یا HVAC ممکن است اطلاعاتی درباره نوع ساختمان، اندازه تقریبی تجهیزات یا محیط صنعتی یا اداری بودن محل ارائه کند، اما از روی آن به تنهایی نمی‌توان نتیجه گرفت فایل در یک ساختمان مشخص ضبط شده است.

مورد ویژه: وضعیت مجتبی خامنه‌ای

اتفاقاً یکی از نمونه‌های واقعی این نوع تحلیل، به خود دفتر رهبری جمهوری اسلامی بازمی‌گردد.

در جریان جنگ دوازده‌روزه، کیفیت ویدیوهای منتشرشده از خامنه‌ای قبلی به طور گسترده از سوی تحلیلگران بررسی می‌شد. برخی رسانه‌ها با استناد به تفاوت تجهیزات ضبط، افت شدید بیت‌ریت، کیفیت صدا و تغییر محیط تصویربرداری احتمال دادند که محل ضبط پیام‌ها نسبت به قبل تغییر کرده. اما از همه مشهور‌تر صدای یاکریم (قمری)‌ در پس‌زمینه سومین پیام تصویری علی خامنه‌ای بود. حتی گفته شد صدا یاکریم ممکن است برای فریب بوده‌باشد (بایگانی).

اما این مثال در عین حال محدودیت این روش را نیز نشان می‌دهد. حتی اگر تشخیص دهیم صدای یک گونه خاص پرنده یا یک سامانه تهویه در فایل وجود دارد، این اطلاعات به خودی خود محل ضبط را مشخص نمی‌کند. چنین داده‌هایی تنها زمانی ارزش اطلاعاتی بالایی پیدا می‌کنند که تحلیلگر از قبل چند محل احتمالی در اختیار داشته باشد و بتواند این سرنخ‌ها را با سایر داده‌های اطلاعاتی، تصاویر ماهواره‌ای، الگوی رفت‌وآمد، اطلاعات میدانی یا شواهدی مثل لیست همه خریدهای انجام شده برای تجهیزات مقر و پناهگاهی تحت کنترل سپاه حفاظت رهبری را هم در اختیار داشته باشد؛ به عنوان مثال دانستن اینکه چه مدلی از کولر یا فن در کدام اتاق‌ها به کار رفته است. به بیان دیگر، نویزهای محیطی بیشتر نقش سرنخ را دارند تا مختصات.

اصل تحلیل نویزهای محیطی و استفاده اطلاعاتی از آنها کاملاً واقعی است، اما همشهری تفاوت میان استخراج سرنخ‌های محیطی و تعیین محل دقیق ضبط را نادیده می‌گیرد. ارزش این روش بیش از آنکه در شناسایی مستقل یک مکان باشد، در تأیید یا رد مجموعه‌ای از فرضیه‌های از پیش موجود است.

محور پنجم: «زیست‌سنجی صوتی می‌تواند ویژگی‌های فیزیکی و فیزیولوژیک گوینده را استخراج کند»

پنجمین و آخرین محور زیست‌سنجی صوتی یا Voice Biometrics است. در ویدیو ادعا می‌شود که رزونانس‌های مجرای صوتی و فرکانس‌های فورمانت می‌توانند ابعاد فیزیکی نای، دهان و بینی را نشان دهند. همچنین می‌گوید الگوی تنفس، مکث‌ها و ساختار آوایی امکان استخراج ویژگی‌های فیزیولوژیک گوینده را فراهم می‌کنند و حتی اگر از دستگاه یا نرم‌افزار تغییر صدا استفاده شده باشد، نرم‌افزارهای پیشرفته می‌توانند این ویژگی‌ها را بازیابی کنند.

پیش از ورود به بررسی فنی، توضیح یک ابهام، ضروری به نظر می‌رسد. همشهری به گونه‌ای روی این محور تاکید می‌کند که انگار هرچه نرم‌افزارهای تحلیل صوت بتوانند ویژگی‌های فیزیکی و زیستی گوینده را بهتر استخراج کنند، خطر امنیتی بیشتری ایجاد می‌شود. این در حالی است که اتفاقا اصلی‌ترین یا یکی از اصلی‌ترین هدف‌ها از انتشار چنین صدایی، تایید این مساله باشد که مجتبی خامنه‌ای واقعا زنده است؛ فردی که صدای ساختگی ندارد و تایید هویت او، ابهام اصلی را درباره زنده‌بودن او برطرف می‌کند. یعنی اگر بر فرض، قابلیت‌های نرم‌افزاری و تحلیلی به جایی برسد که بتواند نشان دهد این صداها ناشی از رزونانس‌های مجرای صوتی یا فرکانس‌های فورمانت، ابعاد فیزیکی نای، دهان و بینی شخص مجتبی خامنه‌ای است، گمانه‌ها درباره زنده بودن یا سلامت او هم برطرف شده یا بسیار کم می‌شود.

اما جدا از این مساله، از نظر فنی، این بخش مشکل‌دارترین قسمت گزارش همشهری است، زیرا چند حوزه تحقیقاتی با درجه پیشرفت و اعتبار بسیار متفاوت را در قالب یک ادعا مطرح می‌کند. اصل موضوع درست است. صدای انسان واقعا اطلاعاتی درباره دستگاه صوتی و برخی ویژگی‌های گوینده در خود دارد. پژوهش‌های متعددی درباره تخمین سن، جنس صوتی، وضعیت احساسی، برخی بیماری‌های مرتبط با گفتار و حتی برآورد آماری قد از روی ویژگی‌های صوتی منتشر شده‌اند. همچنین مشخص شده است که ویژگی‌هایی مانند فرکانس‌های فورمانت با شکل و طول تقریبی مجرای صوتی ارتباط آماری دارند.

یک فایل صوتی معمولی نمی‌تواند به‌طور قابل اعتماد ابعاد نای، دهان یا بینی یک فرد را مانند یک تصویر پزشکی اندازه‌گیری کند. بیشتر این روش‌ها بر پایه مدل‌های آماری عمل می‌کنند و خروجی آنها معمولا یک برآورد احتمالی است، نه یک اندازه‌گیری قطعی. برای مثال، رابطه میان قد و فورمانت‌ها ضعیف و آماری است، تخمین سن ممکن است چندین سال خطا داشته باشد و بسیاری از ویژگی‌های صوتی به زبان، لهجه، وضعیت احساسی، خستگی، بیماری موقت، کیفیت میکروفون و شرایط ضبط وابسته هستند.

حتی شناسایی گوینده که بالغ‌ترین شاخه زیست‌سنجی صوتی محسوب می‌شود، محدودیت‌های شناخته‌شده‌ای دارد. ارزیابی‌های مؤسسه ملی استاندارد و فناوری آمریکا (NIST) نشان داده‌اند که تغییر زبان، تفاوت دستگاه ضبط، کیفیت فایل، فاصله زمانی میان دو نمونه صوتی و تغییر شرایط محیطی می‌توانند دقت سامانه‌های شناسایی گوینده را به‌طور محسوسی کاهش دهند. اگر حتی این فناوری بالغ نیز با چنین محدودیت‌هایی روبه‌رو است، طبیعتا استنباط ویژگی‌های پیچیده‌تر زیستی با عدم‌قطعیت بیشتری همراه خواهد بود.

مورد ویژه: وضعیت مجتبی خامنه‌ای

اگر فرض کنیم نگرانی دفتر رهبر جمهوری اسلامی، استخراج ویژگی‌های زیستی مجتبی خامنه‌ای از روی صدای او باشد، باید توجه داشت که بخش عمده اطلاعاتی که همشهری به آن اشاره می‌کند، اساسا برای تایید هویت گوینده ارزش دارد، نه برای افشای اطلاعات محرمانه. اگر شخصی واقعاً مجتبی خامنه‌ای باشد، اینکه سامانه‌های زیست‌سنجی نیز همین موضوع را تایید کنند، به خودی خود تهدید امنیتی محسوب نمی‌شود.

از سوی دیگر، بسیاری از ویژگی‌هایی که همشهری به آنها اشاره می‌کند، مانند وضعیت جسمانی، میزان استرس یا برخی ویژگی‌های آناتومیکی، در بهترین حالت برآوردهای آماری با عدم‌قطعیت قابل توجه هستند و به عوامل متعدد دیگری نیز وابسته‌اند. بنابراین، برخلاف تصویری که ویدیوی همشهری ارائه می‌دهد، یک فایل صوتی معمولی نمی‌تواند به‌طور قطعی پروفایل زیستی یا پزشکی یک فرد را استخراج کند.

اصل زیست‌سنجی صوتی و وجود ارتباط میان برخی ویژگی‌های صوتی و خصوصیات گوینده از نظر علمی درست است. اما همشهری چند حوزه علمی با سطوح متفاوت از پیشرفت و اعتبار و دقت را در یک ادعا ادغام کرده و از همبستگی‌های آماری در تحقیقات کنترل‌شده، تصویری قطعی از استخراج ویژگی‌های فیزیکی و فیزیولوژیک ارائه می‌دهد.

آیا واقعا برای جلوگیری از این خطرها باید «هیچ صدایی منتشر نکرد»؟

روش‌های نشت اطلاعاتی که در گزارش‌ همشهری آمده عمدتا واقعی هستند اما
توصیف قابلیت‌های تحلیل‌گران سرویس‌های اطلاعاتی و دسترسی آنها به داده‌های زنده زیرساختی در کل کشور امکانات لازم از جمله منابع هوش مصنوعی آنها در چند مورد اغراق‌آمیز بیان کرده‌است. همشهری پنج فناوری واقعی را معرفی می‌کند، اما در تمام موارد، شرایط لازم، محدودیت‌های عملی و میزان عدم‌قطعیت را حذف می‌کند و سپس بدون ارائه هیچ شاهد مستقیمی، این فناوری‌ها را به تصمیم دفتر رهبری جمهوری اسلامی درباره عدم انتشار صدای مجتبی خامنه‌ای پیوند می‌دهد.

اما همینجا استدلال همشهری مشکل دارد. تقریبا تمام روش‌های نشت اطلاعات که در ویدیو همشهری توصیف می‌شود قابل مدیریت هستند بدون اینکه لازم باشد صدای یک رهبر سیاسی را کاملا مخفی نگه داشت. یک ضبط کنترل‌شده را می‌توان در محیط استودیویی انجام داد، با میکروفون نزدیک و مستقل، نویز برق را حذف کرد، با نرم‌افزار Low-frequency Hum را فیلتر کرد، نویز محیطی را حذف کرد، Room Reverberation را کاهش داد و بعد از Mastering و Transcoding نسخه‌ای منتشر کرد که ارزش اطلاعات محیطی آن بسیار پایین باشد. دستورالعمل‌های دقیقی برای این موضوعات وجود دارد که انتظار می‌رود بسیاری از نهادهای امنیتی و اطلاعاتی (از جمله یگان حفاظت رهبری به‌عنوان یکی از زبده‌ترین نیروی‌های نظامی) بر آن مسلط باشند.

بنابراین فکت‌نامه مجموعه ادعای همشهری برای توجیه اینکه چرا صدایی از خامنه‌ای جدید منتشر نمی‌شود، نشان گمراه‌کننده می‌دهد.