Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący wykrywania deepfake'ów audio

Zapoznaj się z limitami wykrywania fałszerstw audio, uogólnieniami testów porównawczych, efektami kompresji oraz tym, co można, a czego nie można ustalić na podstawie podpisanego pochodzenia.

Powiązane ścieżki prowadząceWykrywanie fałszywych dźwięków
Pytanie 1 z 8

Jaki jest główny cel detektora deepfake’ów audio?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki jest główny cel detektora deepfake’ów audio?
    • Aby zdecydować, czy mowa jest prawdziwa, czy syntetyzowana przez sztuczną inteligencję
    • Aby poprawić jakość dźwięku nagrania
    • Transkrypcja mowy na tekst
    • Aby skompresować pliki 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. Dlaczego wykrywanie deepfake'ów audio określa się jako „wyścig zbrojeń”?
    • Detektory działają na sprzęcie wojskowym
    • Pliki audio stają się coraz większe
    • Nowe metody syntezy wymykają się wykrywaczom wyszkolonym na starszych podróbkach
    • Do obsługi potrzebne są dwie osoby
  4. Co ocenia znany benchmark ASVspoof?
    • Jakość rekomendacji muzycznych
    • Dokładność tłumaczenia tekstu
    • Realizm generowania obrazu
    • Wykrywanie fałszowania mowy i zapobiegania fałszowaniu
  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