Mit dem Guide verknüpftes Quiz · Mittel Ebene

Audio-Deepfake-Erkennungsquiz

Überprüfen Sie die Erkennungsgrenzen für Audio-Spoofing, die Generalisierung von Benchmarks, Komprimierungseffekte und erfahren Sie, welche signierte Herkunft ermittelt werden kann und welche nicht.

Verwandte FührungspfadeAudio-Deepfake-Erkennung
Frage 1 von 8

Was ist das Hauptziel eines Audio-Deepfake-Detektors?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist das Hauptziel eines Audio-Deepfake-Detektors?
    • Um zu entscheiden, ob Sprache real oder KI-synthetisiert ist
    • Um die Tonqualität einer Aufnahme zu verbessern
    • Gesprochenes in Text umwandeln
    • Zum Komprimieren von Audiodateien
  2. In “Does Audio Deepfake Detection Generalize?”, which feature comparison improved performance in the authors’ controlled evaluation?
    • Raw transcript tokens instead of audio
    • CQT or log-spectrogram features instead of mel-spectrogram features
    • A larger waveform file instead of a smaller one
    • Video frames instead of speech features
  3. Warum wird die Audio-Deepfake-Erkennung als „Wettrüsten“ bezeichnet?
    • Detektoren werden auf militärischer Hardware betrieben
    • Audiodateien werden immer größer
    • Neue Synthesemethoden entziehen sich den Detektoren, die auf ältere Fälschungen trainiert wurden
    • Zur Bedienung sind zwei Personen erforderlich
  4. Was bewertet der bekannte ASVspoof-Benchmark?
    • Qualität der Musikempfehlung
    • Genauigkeit der Textübersetzung
    • Realismus bei der Bilderzeugung
    • Anti-Spoofing/Deepfake-Erkennung für Sprache
  5. What can a valid C2PA Content Credential help a verifier check?
    • A signed record of an asset’s provenance and edit history
    • That every spoken claim in the audio is true
    • The speaker’s real-world identity in all cases
    • That a recording has never been compressed
  6. What input type did the ASVspoof 2021 Deepfake task target?
    • Uncompressed music recordings from a studio
    • Manipulated, compressed speech posted online
    • Images altered by face-swapping systems
    • Only live telephone conversations with known speakers
  7. How large was the real-world dataset collected in the cited audio deepfake generalization study?
    • 3.79 hours total, all authentic speech
    • 37.9 hours of deepfakes with no authentic audio
    • 37.9 hours total, including 17.2 hours of deepfakes
    • 172 hours total, including 17.2 hours of deepfakes
  8. What does the absence of a C2PA credential establish?
    • That the recording is necessarily a deepfake
    • That the recording has no edits
    • That the speaker is verified
    • Nothing by itself about whether the media is authentic or synthetic