Gids-gekoppelde quiz · Middelmatig Niveau

Audio-deepfake-detectiequiz

Bekijk de beperkingen van audio-spoofdetectie, benchmarkgeneralisatie, compressie-effecten, en wat ondertekende provenance wel en niet kan vaststellen.

Gerelateerde gidspadenAudio Deepfake-detectie
Vraag 1 van 8

Wat is het kerndoel van een audio-deepfake-detector?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het kerndoel van een audio-deepfake-detector?
    • Om te beslissen of spraak echt is of door AI is gesynthetiseerd
    • Om de geluidskwaliteit van een opname te verbeteren
    • Om spraak in tekst om te zetten
    • Om audiobestanden te comprimeren
  2. In “Does Audio Deepfake Detection Generalize?”, Welke functievergelijking verbeterde de prestaties in de gecontroleerde evaluatie van de auteurs?
    • 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. Waarom wordt audio-deepfake-detectie omschreven als een ‘wapenwedloop’?
    • Detectoren worden uitgevoerd op militaire hardware
    • Audiobestanden worden steeds groter
    • Nieuwe synthesemethoden omzeilen detectoren die zijn getraind op oudere vervalsingen
    • Voor de bediening zijn twee mensen nodig
  4. Wat evalueert de bekende ASVspoof-benchmark?
    • Kwaliteit van muziekaanbevelingen
    • Nauwkeurigheid van tekstvertaling
    • Realisme voor het genereren van afbeeldingen
    • Anti-spoofing/deepfake-detectie voor spraak
  5. Wat kan een geldige C2PA-inhoudsreferentie helpen bij een verificatiecontrole?
    • 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