Cuestionario vinculado a una guía · Medio Nivel

Prueba de detección de audio deepfake

Revise los límites de detección de falsificaciones de audio, la generalización de los puntos de referencia, los efectos de compresión y lo que la procedencia firmada puede y no puede establecer.

Rutas de guía relacionadasDetección de audio falso
Pregunta 1 de 8

¿Cuál es el objetivo principal de un detector de audio deepfake?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es el objetivo principal de un detector de audio deepfake?
    • Decidir si el habla es real o sintetizada por IA
    • Para mejorar la calidad del sonido de una grabación.
    • Para transcribir voz a texto
    • Para comprimir archivos de audio
  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. ¿Por qué la detección de audio deepfake se describe como una "carrera armamentista"?
    • Los detectores funcionan con hardware militar.
    • Los archivos de audio siguen creciendo
    • Nuevos métodos de síntesis evaden detectores entrenados en falsificaciones más antiguas
    • Requiere dos personas para operar
  4. ¿Qué evalúa el conocido benchmark ASVspoof?
    • Calidad de recomendación de música.
    • Precisión de traducción de texto
    • Realismo de generación de imágenes.
    • Detección anti-spoofing/deepfake para voz
  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