Викторина, связанная с руководством · Средний Уровень

Тест на обнаружение аудио-дипфейков

Ознакомьтесь с пределами обнаружения подделки звука, обобщением тестов, эффектами сжатия и тем, что может и не может быть установлено подписанным происхождением.

Связанные направляющие путиОбнаружение дипфейков аудио
Вопрос 1 из 8

Какова основная цель детектора звуковых дипфейков?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какова основная цель детектора звуковых дипфейков?
    • Чтобы решить, является ли речь реальной или синтезированной искусственным интеллектом.
    • Чтобы улучшить качество звука записи
    • Транскрибировать речь в текст
    • Сжатие аудиофайлов
  2. В разделе «Обобщает ли обнаружение дипфейков в аудио?» сравнение каких функций улучшило результаты контролируемой оценки авторов?
    • 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. Почему обнаружение дипфейков в аудио описывается как «гонка вооружений»?
    • Детекторы работают на военной технике
    • Аудиофайлы продолжают становиться больше
    • Новые методы синтеза ускользают от детекторов, обученных на старых подделках
    • Для работы требуется два человека
  4. Что оценивает известный бенчмарк ASVspoof?
    • Рекомендованное качество музыки
    • Точность перевода текста
    • Реализм генерации изображения
    • Обнаружение спуфинга и дипфейков речи
  5. Что действительные учетные данные контента C2PA могут помочь верификатору?
    • 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